LDPC信道编解码MATLAB实现：从校验矩阵到5G QC-LDPC避坑指南-北京尧图网络

简介LDPC码以稀疏校验矩阵实现接近香农限的纠错性能支持并行迭代解码在移动通信、卫星通信与数据存储系统中广泛应用。面向通信工程学习者与算法研究人员这份LDPC.m源码完整展示了LDPC编解码链路从校验矩阵H的构建支持随机生成或标准码库选取、生成矩阵G的推导满足GH^T0到AWGN信道加噪再到基于Tanner图的置信传播BP消息传递迭代解码包含初始化、迭代停止判决与软/硬输出并给出误码率或误块率评估入口。压缩包共1个文件为单个MATLAB脚本大小仅4KB函数结构清晰适合直接运行或嵌入自己的仿真框架可用于课程实验、毕业设计或科研预研。已有155人学习可作为理解LDPC码字结构、分析不同构造方式、调试解码收敛行为乃至延伸学习Polar码与Turbo码的实用起点。通过修改校验矩阵的稀疏度与迭代次数读者能直观比较不同信噪比下的译码表现加深对低密度校验设计和迭代译码机制的理解也为工程参数优化提供参考。1. LDPC 信道编解码到底解决什么问题拿到 rar 包先别急着解压LDPC低密度奇偶校验码是 5G NR、DVB-S2、Wi-Fi 都在用的信道编码方案也是做物理层仿真绕不开的一块硬骨头。这个标题里的 rar 包从命名就能看出是给你一套 LDPC 信道编解码的 MATLAB 实现——打开之前搞清楚它到底在做什么比急着跑误码率曲线更重要。它要解决的是在 AWGN 或衰落信道里如何把信息比特变成带冗余的码字发送出去再通过迭代译码把被噪声污染的信号恢复成原始比特。适合两类人一是课程或科研需要复现编解码链路的学生二是做基带算法验证、想快速拿到一个可用参考实现的工程师。后者尤其要明白能跑的代码和能用的代码之间差着一整套参数适配和验证流程。2. 先看穿 LDPC 编解码的三个输入H 矩阵、G 矩阵和迭代译码2.1 稀疏校验矩阵 H 是 LDPC 的“灵魂”它决定了码率和编码复杂度LDPC 的一切从校验矩阵 H 开始。H 是一个 M×N 的二元矩阵N 是码字长度M 是校验位数量信息位长度 K N - M码率 R K / N。拿最常见的 (3,6) 规则码举例每行有 6 个 1每列有 3 个 11 的密度远低于普通随机矩阵这才配得上“低密度”三个字。每一行对应一个校验方程一个合法码字 c 必须满足 c·H^T 0在 GF(2) 域上。这个约束看起来简单却是编码和译码共同的基础。编码要保证输出码字落在这组方程的解空间里译码则是利用这些方程去纠正信道引入的错误比特。稀疏性直接决定了工程可行性。H 可以画成 Tanner 图左边变量节点对应每一列每个比特右边校验节点对应每一行每个方程H 里的 1 就是两者之间的连线。译码时消息只沿着这些连线传递稀疏意味着连线少、计算量可控。如果 H 是稠密矩阵每次迭代的更新量会爆炸所谓“逼近香农极限”也就失去了工程意义。我在拿到一个 LDPC 仿真包时第一件事永远是先看 H 怎么构造的是随机生成的正则码还是准循环码这决定了后面能不能直接用到 5G NR 这类真实场景。2.2 从 H 推出 GGF(2) 高斯消元与系统形式的坑编码需要另一个矩阵 G。信息位向量 u长度 K通过 GK×N变成码字 c u·G并且必须满足 c·H^T 0。最常见的构造是系统形式G [I | P]其中 I 是 K×K 单位阵P 是 K×M 的奇偶部分。对应的校验矩阵写成 H [P^T | I]。为什么工程上都喜欢系统形式因为编码后码字的前 K 位就是原始信息位后面 M 位是校验位。调试时直接看前几位就知道编码对不对省去解码映射的麻烦。如果 rar 包里只给了 H 而要自己求 G标准做法是 GF(2) 高斯消元。下面是一个示意实现注意它假设 H 已经满秩且能化成系统形式function G h2g_system(H) [M, N] size(H); K N - M; A H(:, 1:K); % 前 K 列 B H(:, K1:N); % 后 M 列 % 这里需要自己实现 GF(2) 上的高斯消元目标是把 A 化为单位阵 % 求出 A 在 GF(2) 上的逆 A_inv % 完整实现要处理 A 不满秩的情况先做列置换记录置换映射 P mod(A_inv * B, 2); % P 是 K×M G [eye(K), P]; % 系统形式生成矩阵 end代码里最关键的是“假设 A 可逆”这句注释。真实场景中 H 的前 K 列不一定满秩必须对 H 做列置换才能得到系统形式。置换后的列顺序会影响 c u·G 里信息位的位置如果没有把置换映射保存下来、编码后再映射回去译码端拿到的软信息顺序会整体错乱。这是后续避坑章里最容易翻车的地方。2.3 BP 译码与最小和译码迭代收敛和性能的取舍译码是 LDPC 真正精彩的部分。置信传播BP译码在 Tanner 图上交换消息变量节点告诉校验节点“这个比特的似然是多少”校验节点根据校验方程约束更新这个估计再传回变量节点。如此往复迭代直到硬判决后的码字满足所有校验方程或者达到最大迭代次数。标准 BP 在校验节点更新时要计算 tanh 乘积数学上漂亮但硬件开销大。最小和译码做了一个巧妙的近似用“符号乘积最小绝对值”替代 tanh 乘积。代价是性能损失 0.1 到 0.3 dB换来的是计算量降一个量级并且完全避开浮点 tanh。工程上几乎都用最小和或其变体。校验节点更新的最小和近似核心逻辑如下% Lv 是变量节点发给当前校验节点的消息 % 对每个校验节点 i遍历它连接的变量节点 j for j idx others setdiff(idx, j); % 除 j 外同在一个校验方程里的节点 S prod(sign(Lv(others))); % 符号一致性 m min(abs(Lv(others))); % 幅度取最小 E(i, j) S * m; % 传回给变量节点 j 的校验消息 end如果做归一化最小和把 E(i, j) 乘以一个小于 1 的因子 alpha典型值在 0.7 到 0.8 之间。alpha 太小收敛慢太大容易震荡后面参数章节会展开讲。2.4 一个能跑的最小 LDPC 编解码链路从 H 矩阵到误码率前面理论讲再多不如一个能跑的最小例子直观。下面这个脚本不依赖任何通信工具箱用 12 比特码长、1/2 码率的 (3,6) 规则码走完编码、调制、加噪、最小和译码全流程。% 最小 LDPC 编解码仿真N12, K6, 1/2 码率无工具箱依赖 K 6; M 6; N K M; % 系统形式构造G [I | P]H [P | I] P [1 1 0 1 0 0; 1 0 1 0 1 0; 0 1 1 0 0 1; 1 0 0 1 1 0; 0 1 0 1 0 1; 0 0 1 0 1 1]; G [eye(K), P]; H [mod(P, 2), eye(M)]; % 编码并立刻验证校验方程 u randi([0 1], 1, K); c mod(u * G, 2); assert(all(mod(c * H, 2) 0), 编码结果不满足校验方程); % BPSK 调制 AWGN 信道 EbN0_dB 4; R K / N; EsN0_dB EbN0_dB 10*log10(R); noiseVar 1 / (2 * 10^(EsN0_dB/10)); x 1 - 2*c; % 0 - 1, 1 - -1 y x sqrt(noiseVar) * randn(1, N); % 信道 LLR对 BPSK AWGNLLR 2*y / noiseVar Lch 2 * y / noiseVar; % 最小和译码flooding 调度 maxIter 20; V2C repmat(Lch, M, 1); % V2C(i,j): 变量节点 j 发给校验节点 i 的消息 c_hat zeros(1, N); for iter 1:maxIter % 校验节点更新 C2V zeros(M, N); for i 1:M idx find(H(i, :)); for j idx others setdiff(idx, j); C2V(i, j) prod(sign(V2C(i, others))) * min(abs(V2C(i, others))); end end % 变量节点更新 for j 1:N idx find(H(:, j)); for i idx others setdiff(idx, i); V2C(i, j) Lch(j) sum(C2V(others, j)); end end % 后验 LLR 硬判决校验子全零则提前停止 LLR_post Lch sum(C2V, 1); c_hat double(LLR_post 0); if all(mod(c_hat * H, 2) 0) break; end end ber sum(c_hat ~ c) / N; fprintf(Eb/N0 %g dB, BER %g, 迭代次数 %d\n, EbN0_dB, ber, iter);几个参数要重点说明。噪声方差 noiseVar 的换算关系是 BPSK 下符号能量 Es 1所以 N0/2 1 / (2·EsN0)而 EsN0 EbN0 · RdB 域就是加 10log10(R)。信道 LLR 的正负号必须和 BPSK 映射一致0 映射到 11 映射到 -1LLR 为正是发 0 的置信度。硬判决里LLR_post 0判为 1方向弄反的话译码性能会比不译码还差。早停条件用的是校验子全零这个判断在浮点译码里是免费的能省掉大量无效迭代。3. 复现 5G NR 的 QC-LDPC 编解码基图 BG1、循环移位与可落地的流程3.1 为什么工程实现都选 QC-LDPC而不是随机稀疏矩阵上一章的 12 比特例子能跑但放到 5G NR 场景就不够用了。5G 的 LDPC 码长可以到几千比特如果 H 是随机生成的稀疏矩阵光存储就要存几千乘几千的二元矩阵编码时还要做 GF(2) 高斯消元复杂度完全不可接受。工程实现基本都用准循环 LDPC也就是 QC-LDPC。它的核心思想是把 H 矩阵分成若干 Z×Z 的子块每个子块要么是全零块要么是单位阵的循环移位。这样一个大 H 只需要用基图矩阵 BG 和扩展因子 Z 描述存储量从几百万比特压缩到几十个整数。5G NR 定义了两种基图BG1 是 68 行 × 22 列适合中高速率和较大传输块BG2 是 42 行 × 52 列适合低码率和短传输块。协议表里每个元素是 -1 或者 0 到 Z-1 的整数-1 表示全零块非负整数 s 表示 Z×Z 单位阵循环右移 s 位。扩展因子 Z 根据传输块大小和信息位长度从协议规定的集合里选。这段话就是 5G 物理层里“ldpc 编码”最常见的打开方式。3.2 从协议基图到校验矩阵 H 的扩展代码拿到 BG 基图和 Z扩展出完整 H 的代码不复杂关键是把两层循环写对function H expandQC(bg, Z) [Br, Bc] size(bg); H zeros(Br * Z, Bc * Z); for r 1:Br for c 1:Bc s bg(r, c); if s 0 block circshift(eye(Z), s, 2); % 单位阵循环右移 s 列 H((r-1)*Z1 : r*Z, (c-1)*Z1 : c*Z) block; end end end end参数说明bg 里每个元素必须在 -1 到 Z-1 之间这是协议的隐含约束。circshift 的第三个参数 2 表示沿列方向移位也就是循环右移。如果表里给的是左移定义这里要换成 shift 取反这是看协议实现最容易出偏差的细节。这个实现是教学向的够清楚但不高效。H 展开成稠密矩阵后BG1 全展开是 68Z 行 × 22Z 列Z 取 256 时接近 17408 × 5632MATLAB 里直接建零矩阵还能忍受但每帧都重建就非常愚蠢。后面避坑章会专门讲性能问题。3.3 编码侧两条可落地的路径QC-LDPC 的编码有两条路。第一条是 MATLAB 通信工具箱路线。较新的版本提供了直接的 5G NR LDPC 接口用法是% 使用通信工具箱的 5G NR LDPC 编码器 cfgEnc ldpcEncoderConfig(bg); % bg 是 68x22 或 42x52 的基图矩阵 codeword ldpcEncode(u, cfgEnc); % u 是信息比特列向量这套接口自动处理速率匹配之前的基础编码适合先验证链路性能。注意 bg 矩阵里的 -1 和循环移位值需要严格按 38.212 的表填不能拿随机矩阵凑数。第二条是自己做 G 矩阵乘法。如果你手里的代码包没有工具箱依赖只能沿用上一章的 c mod(u·G, 2) 思路。问题在于 QC-LDPC 的 G 矩阵不再稀疏K×N 的二进制矩阵乘法的计算量和存储都很夸张。实际工程会用 H 的特殊结构直接编码利用基图里的双对角结构做递推校验位生成那套做法不是几百字能讲完的。我的建议是先用 MATLAB 工具箱跑通参考曲线再去理解内部结构不要一步跳到手工实现。3.4 译码侧最小和译码与早停判断的最小实现译码侧相对独立把 2.4 的算法封装成函数适配大规模 Hfunction [c_hat, iter] ldpc_min_sum(Lch, H, maxIter) [M, N] size(H); V2C repmat(Lch, M, 1); for iter 1:maxIter C2V zeros(M, N); for i 1:M idx find(H(i, :)); for j idx others setdiff(idx, j); C2V(i, j) prod(sign(V2C(i, others))) * min(abs(V2C(i, others))); end end for j 1:N idx find(H(:, j)); for i idx others setdiff(idx, i); V2C(i, j) Lch(j) sum(C2V(others, j)); end end LLR_post Lch sum(C2V, 1); c_hat double(LLR_post 0); if all(mod(c_hat * H, 2) 0) break; end end end这段代码逻辑和最小例子一致只是把 H 作为参数传进来。对 QC-LDPC 大矩阵双重 find 循环效率不够但作为参考实现是够用的。工程优化方向有两个一是把 H 转成稀疏矩阵后用逻辑索引批量更新二是按基图索引更新消息只在相连块之间计算复杂度从 O(N·dv) 降到 O(Z·块数)。早停判断的价值在大迭代次数下尤其明显实测平均迭代次数能降 40% 左右。4. 参数怎么设、误码率曲线怎么读一次完整仿真的落地配置4.1 仿真链路的最小参数表码长、码率、迭代次数、信噪比范围跑 LDPC 仿真最先要定一组能出结果的参数。我常用的起点如下参数推荐值影响码长 N648 / 1296 / 1944越长性能越好仿真越慢码率 R1/2 或 2/3码率越高瀑布区越靠右扩展因子 Z按 N/22 和基图选决定 H 大小和编码效率最大迭代次数20浮点/ 8定点太小有错误平底太大耗时归一化因子 alpha0.75最小和补偿最小和近似损失Eb/N0 范围1 到 8 dB步进 0.5 dB低于瀑布区全是误码高于则无限接近 0每信噪比帧数至少 100 帧误码率目标 1e-3 时要几千帧帧数不够曲线抖动剧烈最大迭代次数是最容易设错的地方。浮点 BP 迭代 50 次还有明显增益但最小和迭代 8 次和 20 次的差距很小如果硬件定点实现迭代 8 次是性价比不错的折中。归一化因子 alpha 不是越大越好0.75 是我做大多数码率的起步值性能敏感的码可以扫一遍 0.6 到 0.9。4.2 误码率曲线的三条参照未编码 BPSK、理论界限、实测曲线拿到测量曲线后先别急着贴进报告。我会同时画三条线未编码 BPSK 的误码率曲线、LDPC 实测曲线、以及同等码率下的香农极限或理论界限。未编码 BPSK 是下限参照LDPC 曲线必须在它左边否则要么实现有 bug要么信噪比换算错了。5G NR 的 LDPC 在 1/2 码率下距离香农极限通常在 1 dB 以内看到大于 2 dB 的差距就要怀疑链路实现。曲线形状也值得注意。LDPC 误码率曲线不是均匀下降的而是有一段斜率陡峭的“瀑布区”进入瀑布区后误码率随 Eb/N0 增加快速下降。如果曲线下降很平缓没有明显的瀑布区陡降通常说明译码实现有问题比如消息更新方向错了或者 LLR 正负号反了。高信噪比端如果出现“错误平底”也就是误码率不再下降多半是迭代次数不够或者最小和归一化没调好而不是信道本身的问题。4.3 常见误用一把 H 和 G 当成黑匣子直接调没先确认满秩和匹配很多 rar 包里同时给了 H 和 G看起来可以直接用。但 H 和 G 不一定匹配H 可能经过列置换G 可能对应另一种列顺序。接手代码后第一次编码前一定要先写一句校验对随机信息位编码后检查 c·H^T 是否全零。这条断言的价值远超它看起来的简单程度能挡掉一大半“误码率为什么差 3 个 dB”的深夜崩溃。4.4 常见误用二仿真循环里重复生成 H 矩阵慢到怀疑人生MATLAB 仿真的经典翻车就是把 H 扩展写进 SNR 或帧循环里。BG1 在 Z256 时展开一次就要几十毫秒看起来不慢但乘上几百帧再乘上几十个信噪比点就是几十分钟的纯浪费。正确做法是把 H 扩展、G 生成这类一次性计算放在所有循环外面% 错误每帧都重建 H for snr 1:8 for frame 1:1000 H expandQC(bg, Z); % 重复劳动且每次都把 H 撑成大型稀疏矩阵 % 编解码... end end % 正确循环外只做一次 H expandQC(bg, Z); for snr 1:8 for frame 1:1000 % 编解码H 只读不写 end end这个改动对仿真速度的提升是数量级的。顺带提醒译码器里的 V2C、C2V 消息矩阵每次迭代要清零但矩阵本身在迭代循环外预先分配不要在迭代内部调用 zeros 重新分配。5. 避坑从 H 矩阵到浮点定点5 个最容易翻车的点5.1 编码输出不满足校验方程G 和 H 的列顺序对不上现象编码后跑校验子断言直接报错或者误码率在 0.5 附近徘徊。原因H 在生成时做过列置换但 G 没有对应调整。系统形式要求 G [I | P]、H [P^T | I]只要 H 不是天然这种形式直接套公式就会错位。解决编码后第一件事就是断言 c·H^T 0。如果失败对 H 做列置换的同时记录置换向量 perm编码后再把 c 的列按 perm 的逆序映射回去。这个映射关系建议写成独立函数别散落在仿真脚本里。5.2 高信噪比下误码率出现平底迭代次数和归一化因子没配对现象Eb/N0 到 7 dB 以后误码率不再下降曲线拖出一条平底。原因最小和译码本身有近似损失迭代次数不足时错误分量无法收敛归一化因子取得太大或太小也会让迭代在震荡中结束。解决先把归一化因子固定 0.75把最大迭代从 20 提到 50看平底是否消失。如果消失说明是迭代预算问题如果平底仍明显再多扫几个 alpha 值0.6、0.7、0.8 各跑一遍对比。定点实现里还要注意 LLR 量化位数低于 6 bit 时平底几乎是必然的。5.3 译码性能比硬判决还差LLR 符号方向搞反了现象译码后的误码率高于不译码的硬判决结果。原因这是最讽刺的一类 bug。BPSK 映射如果用 0 到 1、1 到 -1LLR 正数应表示倾向 0硬判决应判 LLR 0 为 0。任何一个环节把符号取反译码器就会去“纠正”原本正确的比特。解决构造一个无噪声输入把信道 LLR 设为很大的正数或负数看译码输出是否和发送码字完全一致。这个测试 5 秒能查出问题我拿到任何新译码器都先跑这一条。具体做法下一节展开。5.4 仿真速度慢到无法忍受随机 H 上的双重循环更新消息现象每帧译码要几秒几万帧根本跑不完。原因对随机的稀疏 H 用find(H(i,:))加setdiff逐节点更新复杂度虽然线性但 MATLAB 的循环开销极大更糟的是 H 用了稠密矩阵存储内存和缓存都扛不住。解决H 直接存成 sparse 类型译码前把每个变量节点的邻居列表、每个校验节点的邻居列表预先算好存成 cell 数组迭代时只遍历邻居列表。这一步做完仿真速度通常能快 5 到 10 倍。QC-LDPC 还可以按基图块索引更新把 Z 个节点的消息一次向量化运算但那属于工程优化先把普通稀疏索引版本跑通。5.5 QC-LDPC 内存爆掉H 扩展成全矩阵再塞进译码器现象Z 取 256 以上时 MATLAB 直接卡死或报告内存不足。原因expandQC返回的全矩阵很大BG1 全展开约 17408 × 5632 的 double 矩阵几个副本加起来轻松占掉数 GB。同事之间最爱互相甩锅的“内存玄学”十有八九是这个原因。解决H 转成 sparse 再返回或干脆不展开译码时只保存基图和 Z所有消息矩阵按块组织。sparse 存储下 17408 × 5632 的 H 只有约 20 万个非零元素内存占用从 GB 级降到几十 MB。做误码率曲线时优先用稀疏路径全展开只用来做小规模验证。6. 验证 LDPC 编解码正确性的 3 个便宜办法6.1 无噪声译码必须完全恢复原码字这是性价比最高的验证。把信道噪声方差设成 0或直接把 LLR 设成 ±一个大数跑一次译码输出必须和发送码字逐位一致。不一致说明消息更新方向、符号或邻居索引里有 bug先查这个再谈性能。6.2 校验子断言作为每次仿真的基础设施编码后、译码后各跑一次mod(c*H,2)全零判断写进脚本里而不是注释掉。它是后面所有参数实验的地基比任何打印 log 都好用。6.3 瀑布区斜率和归一化因子扫描性能验证不只看单个点。取 4 到 5 个信噪比点看误码率曲线是否出现明显瀑布区拐点再对比 alpha 为 1.0、0.75、0.6 的三条曲线确认最小和近似损失可控。我个人的习惯是任何新拿到的 LDPC 代码包先跑无噪声校验子测试再跑 1e-3 误码率附近的一个点最后才铺开整条曲线。这个顺序救过我很多次希望帮到你。本文还有配套的精品资源点击获取

LDPC信道编解码MATLAB实现：从校验矩阵到5G QC-LDPC避坑指南

相关推荐

Python屏幕捕获实战：mss选型、DPI坐标与差分检测

用librtsp搭建RTSP H.264 Server：从NALU到会话管理

AI日报：轻量模型、多Agent协作与AI编程工具链最新进展

更多资讯

Agent从单兵到摇人：多Agent系统安全边界重构与权限衰减实践

ChatGPT生成PPT实战：官方加载项、模板引擎与VBA宏三条路径全解析

智能体能力周期表：五维度拆解243种构型与选型指南

AI办公套件化：Agent与Harness架构解析及实操落地

NCRE三级数据库安全管理与完整性约束实战解析

LibTomCrypt F8模式实现详解：从CFB痛点到3GPP加密实战

今日更新

猫狗目标检测数据集：VOC/COCO/YOLO三格式一体化实战包

HDU2017多校标程复现：算法竞赛工程化真题沙盒

Codex Sandbox 隔离环境拆解：AI Agent 的临时实验室如何运作

本周精选

防幻觉智能体架构：电源硬件设计中的大模型编排与工具化实践

OpenGL面试核心考点：渲染管线、矩阵变换与性能排查全解析

全国计算机二级C语言真题PDF高效刷题指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？