模拟喷泉码（入门三）：Adaptive Analog Fountain for Wireless Channels

2013《Adaptive Analog Fountain for Wireless Channels》学习笔记

  一种模拟喷泉码编码方案+2-Sum verification decoder，实现高频谱效率的自适应传输，并在AWGN信道中提高系统吞吐量。

1. 实现时变信道高吞吐量的思路

思路	案例	缺点
使用大量物理层配置，从固定的码率、调制和编码方案中选择	802.11n的高通量模式使用基于LDPC码的自适应调制和编码（AMC）方案，包含4种码率*4种调制和编码方案的组合	依赖CSI，系统复杂性高，不适用信道变化迅速和难以预测的情况
在发送方和接收方之间使用无速率码	a seamless rate adaptation strategy	编码过程并未实现最佳度分布

论文编码方式同入门一，创新点：

1. 解码方式用了2-Sum verification decoder，并用Sum-Or tree analysis技术分析解码器的error recovery performance。
2. 对所提出的码的度分布进行优化，以最大化2-Sum verification decoder的error recovery performance。
3. 为了实现容量逼近性能，还对权重分布进行了优化，使信号分布尽可能接近高斯分布。

2. 模拟喷泉码的解码

  $\mathbf{S}=\mathbf{G}\mathbf{b}$，对于$S_i$，其连接几个$b_i$由度分布决定，连接的权重由权重分布决定。

2.1 2-Sum Verification Decoder

类似于Luby[2]针对LT码提出的简单解码器

1. 如果CN $c_n$ 度为1并以权重值 $w_{n,j}$ 连接VN $v_j$，那么用$c_n$的值除以权重值 $w_{n,j}$ 即VN的值
2. 两个VN连接到一个CN的情况:
   $\left(v_i,v_j\right)=\{\begin{array}{ll}(0,0),& \text{ if }{c}_n=0,w_{n,i}+w_{n,j}\ne 0\\ (1,0),& \text{ if }{c}_n=w_{n,i},w_{n,i}\ne w_{n,j}\\ (0,1),& \text{ if }{c}_n=w_{n,j},w_{n,i}\ne w_{n,j}\\ (1,1),& \text{ if }{c}_n=w_{n,i}+w_{n,j}\ne 0\end{array}$
3. 通过从检查节点中减去已验证的变量节点值，删除所有已验证的变量节点及其所有连接的边
4. 重复步骤1-3，直到VN都被解码，或者再也找不到度1or2的检查节点。

2.2 Sum-Or Tree Analysis technique及其对解码器性能分析结果

将解码器的迭代算法映射到Sum-Or Tree。

  定义$T_1$表示深度为$2l$的树，根系节点深度0。$0,2,...,2l$ 深度的节点作为或节点，$1,3,...,2l-1$ 作为与节点。
  假设每个或节点以概率${\lambda }_i$独立抽选i个子节点，每个与节点以概率$w_i$独立抽选j个子节点，${\sum }_i{\lambda }_i={\sum }_i{\omega }_i=1$。树的每一条边上的权重是依概率分布${\mathbf{q}}_s$从集合$W_s$中选择。
  对于或节点，其值以概率$p_0$ and $1-p_0$分别取值0 or 1，没有子节点的或节点值为0，没有子节点的与节点值为1。与节点在所有子节点为1和仅有一个子节点为0且$w_1+w_2\ne 0$的情况下为1，其余情况为0。或节点在所有子节点为0的时候取值0，其余情况取值1.
  $p_l$表示根节点确定为零的概率，那么得到一个迭代式：
$$p_l=\lambda \left(1-\omega \left(1-p_{l-1}\right)-C\sum _{i=2}{\omega }_i{p}_{l-1}{\left(1-p_{l-1}\right)}^{i-2}\right)$$其中$\lambda (x)={\sum }_i{\lambda }_i{x}^i,\omega (x)={\sum }_i{\omega }_i{x}^i$， C = 1 − prob ⁡ { w 1 + w 2 = 0 } C=1-\operatorname{prob}\left\{w_{1}+w_{2}=0\right\} C=1−prob{w1​+w2​=0}

解码器的映射：
  解码器算法的本质是CNs和VNs之间的信息传递：与VN相邻的CNs中，只要有一个CN确定了某一VN的值，该VN就可以将这一VN的值传递给与其相邻的其余CNs；CNs在接收到所有VN的消息‘1’或者从某一VN收到一个‘0’（有一个VN没有被解析）且其权重$w_j$有$w_i+w_j\ne 0$时（但根据其余的VNs和CN值可以推导出未被解析的VN）向其他相邻的VNs告知该CN已被解析。——“或”运算在VNs上执行，而CN对其子节点的值执行与运算。
  当VN和CN的数量足够大时，码的二部图可视为渐近和或树。将每个检查节点映射到与节点，将每个变量节点映射到OR节点。变量节点在l次迭代后未被验证的概率是与或树的根等于零的概率。

性能分析：
  给定分布函数$\omega (x)$ and $\lambda (x)$，${\omega }_i$是随机抽选VN节点连接到度为i的CN的概率。
此处论文中描述的太乱了，后续如果需要错误概率推导参考Analysis of random processes via and-or tree evaluation

结论：解码算法第l次迭代的错误概率:
$p_{l+1}=e^{-\gamma \mu \left(\omega \left(1-p_l\right)+C{\sum }_{i=2}{\omega }_i{p}_l{\left(1-p_l\right)}^{i-2}\right)}$，其中$\gamma =N/k$表示开销，$p_0=1$

3. 最佳度和权重分布的获取

问题：对于给定的消息长度和权重集，如何找到了最佳度和权重分布，以最小化2-Sum Verification Decoder的错误概率，并使信号分布尽可能接近高斯分布？

ToDo2：为什么要使信号分布接近高斯分布

当消息满足一致性条件时，使用高斯近似的密度进化算法可以只计算消息的均值。因此，对于满足一致性条件/高斯近似的信噪比进化，也是仅仅传播信息的均值。能简化计算复杂度

不使用该文章方法设计权重和度分布，初期复现以入门一为主。