目录
第三篇博客感言
“不要成为一个只会用Matlab仿真SNR-BER的猴子。”
前段时间比较焦虑就业，到处搜索通信的就业情况。很多人说通信日薄西山，不无道理，与前十几二十年相比，现在的确发展放缓了，5G、6G带来的变革远不如3G、4G那么震撼，并且电子信息专业学生越来越多，就业岗位和待遇却不见增长。
我认为从中脱颖而出的重要方法之一是要有真本领，真正把技术学好、掌握好，而不仅仅浅尝辄止。因而学习技术应当是以兴趣为导向、重视过程，而非以完成任务的结果导向，这也是我继续写博客的原因。
所以不要成为一个只会用Matlab仿真SNR-BER的猴子，这是我在知乎上看到的对通信专业学生的忠告，非常震撼，铭记于心。但是不幸的是，近期几篇博客文章都是以matlab仿真为主，那就暂且先原谅自己从这里起步罢！
Turbo码编译码原理
Turbo码在1993年由Claude.Berrou等人提出，从误码率方面逼近了香农极限。这篇文章发表在IEEE International Conference on Communications (ICC)上，名为《Near Shannon limit error-correcting coding and decoding: Turbo-codes. 1》，原文链接如下：
https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=397441相较极化码的论文，这篇论文篇幅上小得多，主要介绍了Turbo码的编码、解码和误码率曲线，并给出了相应证明。
编码端结构如下，主要由交织器和编码器组成。
译码端结构如下，采用反馈迭代译码。
Claude.Berrou等人还研究了迭代译码次数对Turbo码性能的影响，如下图所示：
从论文理解其编译码比较复杂，可以简单概述为以下模式：
编码端：如下图所示，一个编码器的输入也是另一个编码器的输入而非输出（经过交织），对不同形式的信息并行操作；随着分组长度和对应交织器大小 K 的增加，Turbo 码的重量谱特性逐渐逼近类随机分布，谱细化大大减少了低重码字重数，改善了单一分量码的距离谱特性。
译码端：并行级联结构很好地满足了反馈译码的要求，两个码可以交替地互不影响地译码，并可通过关于系统码信息位的软判决输出相互传递信息，进行迭代译码，如下图所示；可以获得近似最优的译码性能。
主要特点：
类随机码的特性，同时具有足够的结构信息，因此可以使用高效的迭代译码方法；
优异的性能：在信息分组长度大于 104 比特情况下，达到 10-5 的；
BER 性能，信噪比在香农极限的 1dB 以内；
较长的编译码延时：长的分组长度、多次迭代；
误码平台：最小距离特性较差。
Matlab源码和运行结果
源码
说明：这部分代码主要由本课程设计小组的组员禹潼同学编写~
https://wwb.lanzouv.com/ix83i22d48xi
密码:g38u
结果
代码实现总共分为两个部分：
第一部分
diff_channel部分是Turbo码分别经过AWGN、瑞利衰落和莱斯衰落三种信道的性能分析。
通过AWGN信道，仿真结果如下：
通过瑞利衰落信道，仿真结果如下：
通过莱斯衰落信道，仿真结果如下：
第二部分
Turbo_diff_codetype实现了对不同trellis结构的Turbo码编码的性能对比分析，结果如下图所示：
总结
Turbo码的性能真是让人惊叹，在较高信噪比下误码率呈现“瀑布式”下降，虽然在较低信噪比下比未编码差，但是瑕不掩瑜，在对可靠性要求高的通信系统里将被优先考虑。突然理解了在Turbo被两位名不见经传的科学家提出时，IEEE的一些专家甚至怀疑信噪比算错了。对比线性分组码和卷积码，Turbo抗噪声能力稍弱，但是只要信噪比达标，性能将迅速提升。
Turbo码和LDPC码一样，都从误码率方面逼近了香农极限。
欢迎交流讨论。
1797
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
