大衍数构造稀疏校验矩阵的LDPC码误码率仿真与对比

LDPC 码的仿真调试起来，比很多人想象中要麻烦。麻烦的不是 BP 译码本身，而是从校验矩阵到对比实验的那一整条链路：矩阵怎么构造才够稀疏、短环怎么避开、迭代次数和码率码长对误码率的影响怎么分开看。这篇文章要讲的，是一套我用 Matlab 完整跑通的仿真方案，核心是基于大衍数构造稀疏校验矩阵，然后做 LDPC 误码率仿真，重点对比不同译码迭代次数、不同码率和不同码长下的表现。

项目标题里最容易被误解的应该是“大衍数”三个字。它不是某种神秘算法，而是从中国古代数学思想里借来的同余构造思路，落到代码里就是一组取模运算和等差偏移，用来生成确定性、无短环、高度稀疏的校验矩阵。后面的正文我会先把方案设计拆开，再给关键代码和参数表，最后把三组对比实验的典型趋势和排查经验一起讲清楚，适合正在做信道编码仿真、或者被随机校验矩阵和性能地板折磨的同学参考。

1. 仿真方案拆解：三组变量背后到底在比什么

1.1 为什么选迭代次数、码率、码长这三个维度

先回答一个最基础的问题：为什么标题里要拿这三组变量做对比，而不是只跑一条误码率曲线。

迭代次数直接控制 BP 译码器消息传播的轮数。LDPC 的软判决译码本质上是一种图上的迭代消息传递，迭代次数少，消息还没有充分扩散开，高层级的纠错能力体现不出来；迭代次数多，低信噪比下可能会出现消息振荡甚至错误固化。这个变量影响的是“译码器的收敛代价”，也就是你愿意花多少计算量去换性能。

码率则决定了冗余度和信息传输效率之间的权衡。码率越低，校验位越多，纠错能力越强，但每个信息比特占用的带宽资源也越多；码率越高，系统吞吐量越高，但性能会相应下降。对比不同码率，实际上是观察“同一套构造方法在不同冗余度下还能不能保持良好性能”。

码长是最有意思的维度。LDPC 码是一种线性分组码，码长越短，有限长效应越明显，距离香农限越远；码长越长，译码性能越逼近理论极限，但同时仿真复杂度大幅上升。你不可能只靠增加迭代次数来“弥补”短码长的性能损失，所以码长这个维度必须单独看。

这三个维度放在一起，恰好覆盖了 LDPC 系统设计中最核心的三角关系：性能、复杂度、码率效率。仿真时把它们分开扫描，你才能真正理解一个校验矩阵设计是好是坏，以及它在什么条件下会失效。

1.2 大衍数在这个仿真里扮演什么角色

很多同学一开始接触 LDPC 仿真，习惯用完全随机的矩阵生成方式，或者用现成工具包里的矩阵。随机矩阵的问题在于：每次运行结果不同，短环出现的概率大，而且一旦误码率曲线出现“地板效应”，很难定位到底是译码器问题还是矩阵问题。

大衍数构造在这里的核心价值是确定性。它通过一组同余规则来放置校验矩阵中的非零元位置，也就是“1”的位置，让矩阵在保持稀疏的同时，尽量避免短环，尤其是避免最容易破坏迭代译码的 4 环。用了这种方式以后，矩阵可以被参数精确描述，仿真结果可以复现，排障时也能把变量控制得干干净净。

从性能角度看，大衍数构造还能让校验矩阵的行重、列重保持相对均匀，这让变量节点和校验节点在图上的“地位”比较一致，不至于出现某些节点负载过重、导致迭代收敛特别慢的问题。

1.3 这套方案适合什么场景

如果你正在做信道编码方向的课程设计、搭建误码率仿真平台、或者做 LDPC 码在某种通信场景下的性能预研，这套方案可以直接参考。它能帮你把误码率仿真流程跑通，并且给出合理的矩阵构造工具。

因为方案里用的是 Matlab，代码结构也比较线性，哪怕你之前只接触过 BCH 码或卷积码仿真，没有太多 LDPC 经验，也可以按步骤把整套链路搭起来。重点不是让你背代码，而是理解每一步在干什么、为什么要这么干。

2. 核心原理：稀疏校验矩阵和大衍数构造

2.1 为什么 LDPC 码必须“稀疏”

LDPC 码的译码复杂度与校验矩阵中的非零元素个数直接相关。校验矩阵里大部分元素是 0，只有少量 1，这样在迭代译码的每一步里，每个校验节点只需要处理少数几个变量节点的消息，每个变量节点也只需要把消息传给少数几个校验节点，整体计算量才可控。

可以打一个比方：如果你维护一个城市交通网络，每个路口只连接附近几条路，那么交警疏通拥堵的速度一定比所有路口全部互联要快得多。稀疏校验矩阵就是“每个路口只连几条路”的结构，密度过高，消息传递会变成全网广播，计算复杂度不可接受，而且会出现大量短环，导致译码性能急剧劣化。

所以“稀疏”和“无短环”是 LDPC 码性能的两条腿。大衍数构造的设计目标，正是同时兼顾这两点。

2.2 大衍数构造的直观理解与最小示例

大衍数构造的思想，本质上是用数论里的同余关系去“安排”校验矩阵中每一行非零元的列位置。矩阵大小是 M 行 N 列，N 是码长，M 是校验位的个数。每一行的非零元不能太多，否则行太重；每一列的非零元也不能太多，否则列太重。大衍数构造的常见做法是把列位置看成一组模运算的结果：行号每变化一次，非零元的列坐标按某个与块长互素的步长循环偏移。

我举个最小规模的例子，方便理解规则。假设矩阵有 6 行 6 列，行重和列重都设置为 3。第一行的非零元放在第 1、3、5 列。如果步长取 2，那么第二行的非零元就会平移到第 3、5、1 列。计算到底就是mod(旧列号 + 步长, 列块数)。这样循环下去，每一行仍然是 3 个非零元，每一列也会均匀出现 3 个非零元，矩阵整体非常规整。

这个示例只是为了说明“等差偏移 + 取模”这种规则是怎么工作的。实际仿真中，矩阵规模要比这大得多，步长和分块数也需要经过一次小规模搜索，确保生成的矩阵行列重均匀、且两两列之间的共同非零行数不超过 1。

2.3 构造参数与码率的绑定关系

设计 LDPC 校验矩阵时，行重和列重不能随便拍脑袋定，它们与码率之间存在硬约束。对正则 LDPC 码来说，设列重为 γ，行重为 ρ，校验矩阵是 M 行 N 列，那么总非零元数满足：

M × ρ = N × γ

于是校验位比例 M/N 等于 γ/ρ，码率 R = 1 - γ/ρ。

这个公式非常实用。例如想让码率约等于 0.5，可取列重 γ=3，行重 ρ=6；想让码率约等于 0.75，可取列重 γ=3，行重 ρ=12。这样设计出来的矩阵天然满足码率目标，不需要事后做复杂的裁剪。

我在仿真里通常用下面这组参数作为基线：

行重变大后，单个校验方程包含的比特数变多，BP 译码里校验节点更新时需要考虑的因子也更多，计算量会略有上升。这是高码率必然付出的代价。

2.4 与随机构造和 PEG 算法的差异

我还想提一下大衍数构造和另外两种常见构造方式的区别。一种是完全随机生成稀疏矩阵，另一种是用 PEG 算法逐列添加边来保证围长。PEG 算法性能确实好，但实现逻辑复杂，而且每次运行结果不固定。

大衍数构造的优势在于“规则可复现”，同一组参数在任何机器上生成完全一样的矩阵，调试时非常方便。缺点是对参数选择比较敏感：如果步长与列数之间存在公因子，构造出来的矩阵可能出现行列重严重不均衡，甚至出现 4 环。这一点需要在实际构造时做一次冲突检测，我会在下一节给出对应的检查方法。

3. Matlab 实现全流程：从校验矩阵到误码率曲线

3.1 第一步：生成大衍数稀疏校验矩阵

我在 Matlab 里的做法是，先把参数定义清楚，然后用一层循环按同余规则填非零元，最后做一次冲突检测和校正。

% 参数定义 R = 0.5; % 目标码率 N = 512; % 码长 gamma = 3; % 列重 rho = 6; % 行重，R = 1 - gamma/rho = 0.5 M = round(N * (1 - R)); % 校验位个数 A = zeros(M, N); step = 7; % 步长，要求与 N 互素 for row = 1:M base = mod(row, N / rho); % 每行起始位置随行号变化 for k = 0:(rho - 1) col = mod(base + k * step, N) + 1; A(row, col) = 1; end end

这段代码生成的是一个每行恰好 rho 个非零元的矩阵。虽然列重不保证完全等于 3，但通过合理选择步长和分块参数，列重分布会非常接近 3。生成之后必须做两件事：检查列重分布、检查 4 环。

% 检查列重 colWeight = sum(A, 1); fprintf('列重范围: %d ~ %d\n', min(colWeight), max(colWeight)); % 检查4环：任意两列内积不超过1 flag = 0; for i = 1:N for j = i + 1:N if sum(A(:, i) .* A(:, j)) > 1 flag = 1; end end end if flag == 0 disp('没有检测到4环'); else disp('存在4环，需要调整步长或分块参数'); end

这个 4 环检测虽然是用双重循环写的，只适合确认矩阵性质时用，跑一次没问题，N 到 1024 也还能接受。如果 N 继续加大，可以换成基于列坐标集合的哈希方式，速度会快很多。

注意：实际跑仿真之前，建议把 H 矩阵转成 sparse 存储，即H = sparse(A)。后面译码算法里要用到大量矩阵运算，满矩阵在 N=1024、M=512 时虽然不影响运行速度，但到更大码长时内存消耗会明显上升。

3.2 第二步：编码、调制与信噪比换算

有了校验矩阵 H 之后，编码环节需要求出生成矩阵 G。最直接的办法是高斯消元把 H 变换成[A | I]的形式，然后得到 G =[I | A']。

% 高斯消元求生成矩阵 Hsys = mod(rref(double(full(H))), 2); % 提取校验部分并组合生成矩阵 % 注意这里需要先对 H 做列交换，保证前 M 列可化为单位阵

实际编码时，信息位向量 u 是 1×K，K = N - M。码字 c = u × G 的每个分量再做模 2 运算，就得到 1×N 的码字。

调制方式用最简单的 BPSK：把 0 映射成 +1，把 1 映射成 -1，即x = 1 - 2 * c。然后叠加高斯白噪声，得到接收信号y = x + noise。

这里面有一个特别容易踩坑的点：信噪比换算。误码率曲线横轴通常用 Eb/N0，即每个信息比特对应的信噪比。但因为发送的是整个码字，每个码字里有 K 个信息比特，发送 N 个符号，所以符号信噪比 Es/N0 与 Eb/N0 之间要乘一个码率因子：Es/N0 = Eb/N0 + 10×log10(R)。

例如想测 Eb/N0 = 3dB、码率 R=0.5 的点，实际 Es/N0 = 0dB。在用 Matlab 生成噪声时，噪声方差按sigma2 = 0.5 * 10^(-EsN0_dB / 10)来算，然后noise = sqrt(sigma2) * randn(1, N)。很多初学同学直接用 Eb/N0 生成噪声，会导致仿真曲线整体偏移 3dB 左右，这是最常见的问题。

译码器初始化需要的对数似然比 LLR 在 BPSK + AWGN 信道下有闭式解：

Lch = 2 × y / sigma2

这个 LLR 直接作为变量节点的初始消息送入 BP 译码器。

3.3 第三步：和积译码主循环

和积译码器的核心是变量节点与校验节点之间来回传递置信消息。我给出一个精简骨架：

% llr: 初始信道消息, H: 稀疏校验矩阵, maxIter: 最大迭代次数 [rows, cols] = find(H); % 建立消息索引表 % varMsg: 变量节点传给校验节点的消息 % checkMsg: 校验节点传给变量节点的消息 for iter = 1:maxIter % 1. 校验节点更新 % 对每个校验节点，收集所有相邻变量节点消息， % 用 tanh 规则计算外信息 % 2. 变量节点更新 % 每个变量节点把信道消息与相邻校验消息求和， % 注意自己到校验节点的那条边消息不能加回来 % 3. 硬判决 xHat = double(llrTotal < 0); % 4. 伴随式校验 syndrome = mod(H * xHat, 2); if all(syndrome == 0) break; end end

tanh 规则是 BP 译码的核心公式，Matlab 里用tanh和atanh实现时要注意数值稳定：当输入接近 ±1 时，atanh会趋向无穷。工程上通常给消息加一个符号下限，或者用sign*log映射到对数域来求外信息，也就是对数域和积算法。我在代码里实现的是对数域版本，比直接用 tanh 规则稳得多，尤其在迭代次数较高的时候，数值差异会直接影响误码率曲线是否出现异常抬升。

停止迭代的标准是“伴随式为全零向量”，也就是说当前硬判决结果满足所有校验方程。如果达到最大迭代次数但仍然不满足，就把这帧当作译码错误，统计进入误码率的分母。

3.4 仿真框架的循环组织

对比三组变量，代码组织上我建议写成“参数表驱动”的形式，而不是复制粘贴多个测试脚本。

configList = { struct('N', 512, 'R', 0.5, 'maxIter', 5) struct('N', 512, 'R', 0.5, 'maxIter', 20) struct('N', 1024, 'R', 0.5, 'maxIter', 20) struct('N', 512, 'R', 0.75, 'maxIter', 20) }; for idx = 1:length(configList) cfg = configList(idx); % 依次执行：构造矩阵、编码、加噪、译码、统计BER end

每一组配置跑完后，把[EbN0_dB, ber]的结果存成一个 mat 文件或直接 append 到 cell 里，最后统一画图。这样后面想调整信噪比范围时，不需要重新跑所有配置，能省下非常多时间。

画图时建议用semilogy，Y 轴用对数坐标，不同配置用不同的 Marker 区分，这样三条曲线之间的差距会非常清楚。

4. 三组对比实验的典型结果与解读

4.1 迭代次数：曲线先陡降后饱和

迭代次数对 LDPC 码性能的影响，通常呈现这样的规律：迭代次数从 1 增加到 10 左右，误码率曲线改善非常明显；继续增加到 20、50，曲线的改善幅度迅速收窄，甚至在高信噪比区域几乎没有区别。

原因在于 BP 译码本质上是在图上做置信传播，消息需要经过多轮传播才能跨越足够远的校验节点和变量节点。迭代次数太少时，图中距离较远的节点之间无法有效传递信息，所以性能很差。但当迭代次数足够大时，所有能有效参与纠错的路径都已经“饱和”，消息不再有新的信息增益，曲线就进入平台期。

仿真时选择迭代次数，我建议先跑一个小范围扫描，比如 5、10、20、50。如果 20 次和 50 次的曲线几乎重合，就可以把最大迭代次数锁定在 20，没必要为了多一点点增益把仿真时间翻倍。

不过要特别注意，低信噪比区域有时候会出现迭代次数增加、误码率反而略微变差的现象。这通常是消息振荡导致的。下一章我会专门聊振荡问题。

4.2 码率：冗余与净编码增益的权衡

对比不同码率时，必须统一到 Eb/N0 上比较才有意义。如果直接用 Es/N0 作为横轴，高码率码字因为信息位占比高，天然会占便宜，但这种比较不能反映系统实际的信息传输效率。

在我跑过的仿真里，码率 0.5 的曲线通常会明显优于码率 0.75 的曲线，在误码率 1e-4 附近大约有 1~2dB 的差距。这是因为低码率有更多校验位，纠错能力更强。但代价也显而易见：同样带宽下，实际传输的信息量少了一半。

高码率并不是没有价值。在带宽受限系统中，你更关心单位频谱能传多少信息比特。这时候高码率带来的吞吐增益可能比低误码率更重要。所以码率这个维度的对比，本质上是看“净编码增益”和“带宽效率”的取舍，而不是简单地说哪个更好。

4.3 码长：有限长效应与逼近香农限

码长对比的结果通常也比较典型：码长从 256 增加到 1024，误码率曲线会向低信噪比方向移动，瀑布区变得更加陡峭。短码长时有明显的地板效应，也就是曲线在某个误码率附近不再继续下降，这是有限长码字距离特性和图结构决定的。

用一句话概括：长码靠的是“统计平均”，码字长了以后，低码重码字出现的概率被摊薄，距离谱性质更好，因此更逼近香农限。

码长加长带来的问题是仿真时间几乎线性增长。因为每个信噪比点要发送的帧数变多，每帧编码和译码的复杂度也在上升。我个人的做法是：验证实现正确性时用 N=256，跑正式曲线时用 N=512，最后只对最优参数组跑一次 N=1024 的长码验证。这样能极大缩短开发周期。

5. 实测排障：误码率调不下来的几个常见原因

5.1 4 环与性能地板的排查

如果误码率曲线在中高信噪比区域出现明显的“地板”，也就是曲线不再继续下降，首先要检查的就是校验矩阵里是否存在 4 环。4 环会让两个变量节点之间形成直接的消息封闭循环，迭代译码时消息容易互相强化，导致一部分错误固化解不出来。

检查方法就是我在 3.1 节给出的列内积检测。如果发现 4 环，可以调整步长参数，或者把步长与分块数的互素条件验证一遍。大衍数构造里，步长与码长 N 不互素时几乎必然出现结构性问题，这一点比矩阵稀疏度本身更容易导致性能劣化。

还有一个值得注意的盲区：有时候 H 本身没有 4 环，但因为编码时高斯消元得到的生成矩阵隐含在码字结构中，实际参与译码的错误图样里出现了低码重码字，也会形成地板。这种情况需要结合码字的距离谱来看，仿真排查时可以先降低迭代次数，如果地板位置不变化，说明问题多半不在译码器而在码结构。

5.2 迭代振荡和错误平台

迭代次数很高时误码率反而抬升，很多人第一反应是代码写错了。其实更常见的原因是消息振荡。BP 译码在循环因子图上不是总能收敛的，消息会在两组极性之间来回弹跳，导致硬判决结果不断翻转。

处理办法有两个。第一个是限制最大迭代次数，避免振荡区域扩散，这也是为什么很多 LDPC 系统的最大迭代次数设为 10~30 而不是 100。第二个是给消息更新加阻尼因子，也就是把新旧消息做加权平均，例如新消息 = 0.75 × 当前计算消息 + 0.25 × 旧消息。阻尼因子不需要太高，0.7 到 0.8 之间一般就能明显抑制振荡。

我实测下来，阻尼因子对高码率、长码长的组合尤其有效。低码率短码长时，振荡现象本来就不严重，加阻尼反而会让收敛速度变慢，所以这个参数最好按对比组分开设置。

5.3 仿真时间太长怎么办

LDPC 误码率仿真是出了名的耗时大户。每个信噪比点如果要跑到 1e-5 量级，可能需要上千帧甚至上万帧。如果没有优化策略，一组配置跑一整天是很正常的事。

我一般按三段式来控制时间。第一步，用小信噪比范围和最少帧数，比如每点 200 帧，快速确认整条链路没有报错；第二步，用中等帧数，比如每点 1000 帧，跑出粗略趋势，判断哪些信噪比区间值得细化；第三步，只对瀑布区附近的信噪比点增加帧数到 5000 以上，抬高区间的点不用重复跑。

还有非常重要的一点：Matlab 里要固定随机种子，也就是在脚本开头执行rng(2024)。这样每一次仿真都使用同一组噪声序列，不同配置之间的性能差异不会因为随机噪声的涨落而抖动。否则你会发现同一组参数跑两次，误码率曲线差得比对比组之间的差距还大，根本没法分析。

5.4 参数对照速查表

这张表是我调试过程中积累下来最常用的一组排查线索。遇到异常曲线时，先对号入座，效率会比盲改代码高很多。

6. 一点实操补充：数据记录与实验节奏

最后再分享一个实验管理上的小技巧。三组变量交叉对比时，配置组合会非常多，如果每一组单独跑完再手动记录，很容易搞混。我习惯把每个仿真结果做进一个结构体数组里，字段包括码长、码率、最大迭代次数、信噪比点向量、BER 数组、FER 数组，还有一个很关键的elapsedTime字段，用来记录这次仿真耗时。

后续分析时直接从这个结构体里取数，画图、整理对比表格都方便很多。更重要的是，我再也不需要在“这条曲线是哪个参数组合”上花时间回忆。做科研实验或者课程设计，数据管理能力往往比写代码能力更影响效率。

仿真的节奏上，我强烈建议先跑最短码长、最少帧数、最小迭代次数的组合。这样做不是为了出结果，而是为了验证整条链路有没有问题。链路验证通过后，再逐步加长码长、增加迭代次数、扩大信噪比扫描范围。

LDPC 的矩阵构造和 BP 译码是有很多细节的，任何一个环节出错，最终误码率曲线都会给你一个“莫名其妙”的结果。但只要矩阵生成规则清晰、信噪比换算正确、统计口径统一，这套基于大衍数构造的仿真框架就能稳定地支撑对比实验，也希望这篇记录能帮你少走一些弯路。