Turbo编译码Matlab仿真解读（2）-- WuYufei_matlab

snow_wang13804

已于 2022-06-20 11:54:09 修改

阅读量3k

点赞数 6

分类专栏：数字通信信道编译码 LTE学习文章标签： matlab 算法视频编解码

于 2022-05-31 17:28:36 首次发布

本文链接：https://blog.csdn.net/snowman898/article/details/125069828

版权

数字通信同时被 3 个专栏收录

12 篇文章 42 订阅

订阅专栏

信道编译码

9 篇文章 12 订阅

订阅专栏

LTE学习

8 篇文章 20 订阅

订阅专栏

3.3 前向度量计算

前向度量 α 计算由双循环组成：

内循环：以所有状态为循环：state = 1 : 2^m

外循环：以所有信息数量为循环：k = 2 : L_total + 1

图5 前向度量算法示意图

即 $\alpha _{l+1}^*(s)$ 状态为上一时刻状态的总和：

$\alpha _{l+1}(s) = \sum_{s'\in \sigma _l}^{} \gamma _l(s'\, ,\, s)\alpha _l(s')$ （1）

先计算输入 d_k = 0时：

% Log_MAP算法计算

gamma( last_state(state2,1) ) = ( -rec_s(2*k-3) + rec_s(2*k-2) * last_out(state2,2) )
- log(1+exp(L_a(k-1)));

再计算输入 d_k = 1时：

gamma(last_state(state2,2)) = (rec_s(2*k-3) + rec_s(2*k-2) * last_out(state2,4))
+ L_a(k-1) - log(1+exp(L_a(k-1)));

log_map算法目前用的不多，由于计算量较大，主流均采用 max-log-map计算，这里只给出计算公式，详细算法不再推导。

分支度量计算：

$\gamma _k(s) = P(s_k^E(s),Y_k\, |\, s_k^S(s))=\sum_{u_k\in U}^{} P(s_k^E(s)\, |\, s_k^S(s))\, P(X_k|e)\, P(Y_k|X_k)$

其中，X_k 和 Y_k分别是 k 时刻的发送符号和接收符号。

（1） $P(s_k^E(s)\, |\, s_k^S(s))$ 为边的状态转移概率：

$P(s_k^E(s)\, |\, s_k^S(s))=\left\{\begin{matrix} P(u_k=1)=\frac{exp(\Lambda _a(u_k))}{1+exp(\Lambda _a(u_k))}\\ P(u_k=0)=\frac{1}{1+exp(\Lambda _a(u_k))} \end{matrix}\right.$ （2）

（2） $P(X_k|e)$ 取决于 X_k是否与边e 有关。有关时取1，无关时取0.

（3）第三项与信道模型有关：

$\Lambda(u_k)=log \left (\frac{P(u_k=1\, | Y_1^N }{P(u_k=0\, | Y_1^N} \right) =log\left ( \frac{\sum _{u(e)=1}\,\, \alpha_{k-1}(s_k^S(e))\,\, \gamma _k(e)\, \, \beta_{k}(s_k^E(e))} {\sum _{u(e)=0}\,\, \alpha_{k-1}(s_k^S(e))\,\, \gamma _k(e)\, \, \beta_{k}(s_k^E(e))} \right )$ （3）

用对数表示为：

$M_k(e)=ln(\gamma _k(s))=ln\,\, p(s_k^E(e)\, |\, s_k^S(e))+ln\, p(X_k|e)+ln\, p(Y_k|X_k)$ （4）

$ln\,\, p(s_k^E(e)\, |\, s_k^S(e))=\left\{\begin{matrix} \Lambda _a(u_k)-ln\, (1+exp(\Lambda _a(u_k)))\: ,u_k=1\\ -ln\, (1+exp(\Lambda _a(u_k))\: ,u_k=0 \end{matrix}\right.$

再回到前向度量计算：

$\alpha_k(s)=p(s_k^S(e)=s,Y_1^{k-1})=\sum \alpha_{k-1}(s_k^S(e))\, \gamma _k(e)$ （5）

$A_k(s)=ln\, \alpha _k(s)$

因此，

Alpha(k,state2) = log( sum( exp( gamma+Alpha(k-1,:) ) ) );

3.4 后向度量计算

与前向度量类似，后向度量也由双循环组成：

内循环：以所有状态为循环：state = 1 : 2^m

外循环：以所有信息数量为循环：k = L_total-1 : -1： 1

图6 后向度量算法示意图

后向度量 $\beta _k(s)$ 用公式表示为：

$\beta _k(s)=p(Y_{k+1}^N\, |\, s_k^E(e))=\sum_{s_{k+1}^S(e)}^{} \beta _{k+1}(s_{k+1}^E(e))\gamma _{k+1}(e)$ （6）

先计算输入 d_k = 0时：

gamma(next_state(state1,1)) = (-rec_s(2*k+1) + rec_s(2*k+2) * next_out(state1,2))
-log(1+exp(L_a(k+1)));

先计算输入 d_k = 1时：

gamma(next_state(state1,2)) = (rec_s(2*k+1) + rec_s(2*k+2) * next_out(state1,4))
+ L_a(k+1) - log(1+exp(L_a(k+1)));

因此，

Beta(k,state1) = log(sum(exp(gamma+Beta(k+1,:))))

3.5 LLR输出

在进行前向度量时，已经计算过 $\gamma _k(e)$

gamma0 = -rec_s(2*k-1) + rec_s(2*k) * last_out(state2,2) ) - log(1+exp(L_a(k)) ;

gamma1 = rec_s(2*k-1) + rec_s(2*k) * last_out(state2,4)) + L_a(k) -

log(1+exp(L_a(k));

这个与之前计算前向度量时计算得到的 $\gamma _k(e)$ 一致。最终得到，

% 将四个状态的度量值分别计算，得到当前状态下p(d_k=1)与p(d_k=0)的后验概率

for state2 = 1:nstates

temp0(state2) = exp(gamma0 + Alpha(k,last_state(state2,1)) + Beta(k,state2));

temp1(state2) = exp(gamma1 + Alpha(k,last_state(state2,2)) + Beta(k,state2));

end

L_all(k) = log(sum(temp1)) - log(sum(temp0));

L_e = L_all - 2 * rec_s(1,1:2:2*L_total) - L_a;