ldpc的normalized-min-sum译码算法优质精品文档.docVIP

ldpc的normalizedmin-sum译码算法

1.概述

-LDPC(Low-DensityParity-Check)码是一种接近香农极限的线性分组码。NormalizedMin-Sum译码算法是LDPC译码算法中的一种低复杂度的近似算法，是对Min-Sum算法的改进。

2.变量节点更新（消息传递）

-初始化

-设LDPC码的校验矩阵为\(H\)，变量节点\(x_i\)与校验节点\(c_j\)相连。在译码开始时，从信道接收到的初始对数似然比（LLR）信息\(L(x_i)\)作为变量节点到校验节点的初始消息。

-校验节点更新

-对于校验节点\(c_j\)，它向变量节点\(x_i\)发送的消息\(L_{c_j\rightarrowx_i}\)计算如下：

-对于Min-Sum算法，\(L_{c_j\rightarrowx_i}=\prod_{k\inN(j)\backslashi}\text{sgn}(L_{x_k\rightarrowc_j})\min_{k\inN(j)\backslashi}|L_{x_k\rightarrowc_j}|\)，其中\(N(j)\)是与校验节点\(c_j\)相连的变量节点集合。

-对于NormalizedMin-Sum算法，\(L_{c_j\rightarrowx_i}=\alpha\prod_{k\inN(j)\backslashi}\text{sgn}(L_{x_k\rightarrowc_j})\min_{k\inN(j)\backslashi}|L_{x_k\rightarrowc_j}|\)。这里\(\alpha\)是归一化因子，通常\(\alpha=0.7\sim0.8\)左右。归一化的目的是为了减少Min-Sum算法中由于近似而带来的性能损失，使算法性能更接近和积算法（Sum-Product）。

-变量节点更新

-变量节点\(x_i\)接收到来自校验节点的消息后，更新自身的消息\(L(x_i)\)。设变量节点\(x_i\)连接到校验节点集合\(M(i)\)，则\(L(x_i)=L_0(x_i)+\sum_{j\inM(i)}L_{c_j\rightarrowx_i}\)，其中\(L_0(x_i)\)是初始的信道对数似然比信息。

3.译码判决

-经过一定次数的迭代（变量节点和校验节点之间的消息传递）后，对变量节点的消息进行硬判决。

-如果\(L(x_i)0\)，则判决\(\hat{x}_i=0\)；如果\(L(x_i)0\)，则判决\(\hat{x}_i=1\)。

-然后检查所有的校验方程\(\sum_{i\inN(j)}\hat{x}_i=0\(\text{mod}2)\)是否满足（对于所有的校验节点\(c_j\)）。如果满足，则译码成功；如果不满足，则继续迭代或者宣告译码失败（达到最大迭代次数时）。

4.算法复杂度

-NormalizedMin-Sum译码算法的复杂度相对较低。主要计算集中在校验节点和变量节点的消息更新上，每次迭代的计算量主要取决于校验矩阵的稀疏性。由于LDPC码的校验矩阵是稀疏的，其计算复杂度与码长\(n\)成线性关系（在低复杂度的情况下），相比其他一些精确的译码算法（如最大似然译码）具有明显的复杂度优势。

5.性能特点

-该算法在性能和复杂度之间取得了较好的平衡。虽然它是一种近似算法，但通过合理选择归一化因子\(\alpha\)，能够在相对较低的复杂度下获得接近和积算法的译码性能。在高信噪比情况下，其误码率性能可以接近香农极限。