3. 信道编码基础：Turbo码原理、LDPC码简介、Polar码在5G中的应用
信道编码，说白了就是给数据加一层「防弹衣」。我在小基站项目里摸爬滚打这些年，最深的体会就是：没有好的信道编码，再高的信噪比也白搭。今天咱们聊聊三种主流编码——Turbo、LDPC和Polar。嗯，它们各有各的脾气。
3.1 Turbo码：迭代解码的鼻祖
Turbo码是3G/4G时代的扛把子。它的核心思想很巧妙：用两个简单的卷积码并行编码，然后通过迭代解码互相纠错。我当年第一次看到Turbo码的仿真结果时，差点以为仿真器坏了——性能离香农限那么近，这不科学啊！
Turbo码编码器结构
两个递归系统卷积码（RSC）编码器，中间夹一个交织器。输入比特流先送进第一个RSC，同时经过交织器打乱顺序后送进第二个RSC。两个编码器输出的校验比特，加上原始信息比特，一起发出去。
解码时用迭代的MAP算法（也叫BCJR算法）。每次迭代，两个解码器交换「软信息」——也就是对数似然比（LLR）。我习惯迭代4-6次，再多就收益递减了。
避坑指南
我曾经在FPGA上实现Turbo解码器时，发现迭代次数设成8次，延迟直接翻倍，但增益只多了0.1dB。后来我学乖了：小基站场景下，4次迭代是性价比最优的选择。
3.2 LDPC码：低密度奇偶校验的威力
LDPC码其实比Turbo码发明得更早（1960年代），但直到90年代才被重新发现。它的特点是：校验矩阵非常稀疏——大部分元素是0，只有少量1。这种稀疏性让解码可以用简单的消息传递算法（BP算法）实现。
我个人觉得LDPC码最大的优势是并行性好。Turbo码的解码是串行的（两个解码器来回迭代），而LDPC的BP算法天然适合并行计算。在5G NR中，LDPC码被选为数据信道的编码方案，原因之一就是高吞吐量场景下的硬件实现效率。
| 特性 | Turbo码 | LDPC码 |
|---|---|---|
| 解码复杂度 | 中等（迭代MAP） | 较低（BP算法） |
| 并行性 | 差（串行迭代） | 好（并行更新） |
| 短码性能 | 较好 | 一般（需要长码） |
| 5G应用 | 控制信道 | 数据信道 |
注意
LDPC码的校验矩阵设计很关键。我见过有人随便生成一个稀疏矩阵就用，结果解码器死活不收敛。记住：矩阵的围长（girth）至少要4，最好6以上，否则短环会严重恶化性能。
3.3 Polar码：5G控制信道的宠儿
Polar码是土耳其教授Erdal Arikan在2008年提出的。它是第一种被严格证明能达到香农容量的编码方案。你想想看，这有多厉害——香农限自1948年提出以来，终于有人从理论上找到了完美逼近的方法。
Polar码的核心是「信道极化」现象。什么意思呢？通过递归的极化变换，N个独立的二进制输入信道会变成两类：一部分信道容量趋近于1（好信道），另一部分趋近于0（坏信道）。我们只需要在好信道上传输信息比特，坏信道上传输固定比特（冻结比特）。
在5G NR中，Polar码被用于控制信道（如PDCCH、PBCH）。为什么？因为控制信道的码块长度通常较短（几十到几百比特），而Polar码在短码场景下性能优于LDPC码。我在做5G小基站物理层时，Polar解码器的实现让我头疼了好一阵——SCL（串行抵消列表）算法的延迟控制是个精细活。
Polar码解码算法对比
- SC（串行抵消）：复杂度O(N log N)，但性能一般
- SCL（串行抵消列表）：列表大小L=8或16，性能接近MAP，复杂度O(L·N log N)
- CA-SCL（CRC辅助SCL）：加CRC校验后，性能进一步提升，是5G标准方案
3.4 三种编码在小基站中的选型建议
做小基站物理层实现时，编码选型不能只看理论性能。我建议你从三个维度考虑：
- 吞吐量要求：如果峰值速率要求高（比如1Gbps以上），LDPC码是首选，它的并行解码架构更容易达到高吞吐。
- 码块长度：短码（< 1024比特）场景下，Polar码的SCL解码器性能更好；长码场景下LDPC码更优。
- 硬件资源：Turbo码的解码器面积最小，适合低成本方案；LDPC和Polar的解码器都需要较大的存储资源（特别是LLR存储和路径度量存储）。
我的经验
我曾经在一个项目中，为了兼容4G和5G，不得不在同一颗FPGA上同时实现Turbo和LDPC解码器。最后我采用了时分复用的方式：Turbo解码器用4次迭代，LDPC解码器用10次BP迭代，共享一部分存储和运算单元。嗯，这样资源节省了约30%。
3.5 小结
三种编码各有千秋。Turbo码成熟可靠，LDPC码高吞吐，Polar码短码性能优异。在5G小基站中，数据信道用LDPC，控制信道用Polar，这是标准答案。但如果你在做4G/5G双模设备，Turbo码依然绕不开。
最后说一句：信道编码的实现，理论仿真和硬件实现之间往往有差距。我建议你多跑定点仿真，看看量化位数对性能的影响——这个坑我踩过，希望你别再踩。