为降低LDPC(低密度奇偶校验码)码错误平层,提出一种基于环分类搜索的APPS-LDPC(数列分割移位的LDPC)码构造算法。该算法具有码长、码率和列重的任意可设性,同时该类码的Tanner图围长至少为8。循环移位因子可以通过简单的代数表达式描述...为降低LDPC(低密度奇偶校验码)码错误平层,提出一种基于环分类搜索的APPS-LDPC(数列分割移位的LDPC)码构造算法。该算法具有码长、码率和列重的任意可设性,同时该类码的Tanner图围长至少为8。循环移位因子可以通过简单的代数表达式描述,从而降低内存需求。仿真结果表明,当误码率达到10-5时,APPS-LDPC码(496,248)相对于PEG-LDPC(渐进边增长LDPC)码获得了约1.9 d B的性能提升;随着信噪比的升高,两条译码性能曲线之间的差距将更大。此外,列重为3的APPS-LDPC码(6144,5376)在信噪比4.6 d B以后并未出现明显的错误平层。该构造算法与PS-LDPC码相比,在误码率达到10-8时大约获得0.25 d B增益;与围长为4和6的PEG构造算法相比,在错误平层区域其译码性能极优;同时相较于此两者,其构造复杂度和耗时也展现出一定优势。通过基于Tanner图的诱捕集分析方法,统计APPS-LDPC码(496,248)中由8环组成的部分小型诱捕集并不存在,从而证明了其错误平层降低的原因。展开更多
在低密度奇偶校验(low density parity check,LDPC)码的图形表示中,存在着一种陷阱集结构,其对性能的影响表现在,陷阱集中变量节点所对应的比特在迭代过程中如果发生错误,就不容易被纠正回来。因此,结合平方剩余(quadratic residue,QR)...在低密度奇偶校验(low density parity check,LDPC)码的图形表示中,存在着一种陷阱集结构,其对性能的影响表现在,陷阱集中变量节点所对应的比特在迭代过程中如果发生错误,就不容易被纠正回来。因此,结合平方剩余(quadratic residue,QR)码来设计一种新颖的广义LDPC码的编译码方案。该方案利用QR码这一性能优良的码型,为LDPC码的某些变量节点提供额外的保护,在损失少许码率的情况下,以期消除某些陷阱集的影响,并获得比原始LDPC码更好的性能。在仿真模拟中,通过统计原始LDPC码的错误比特位置,发现某些比特位置的出错频率较高,为此,从陷阱集的角度分析了其中的原因,并根据这些变量节点,构造广义LDPC码。仿真结果表明,该方案能够有效地降低某些LDPC码的错误平层。展开更多
文摘为降低LDPC(低密度奇偶校验码)码错误平层,提出一种基于环分类搜索的APPS-LDPC(数列分割移位的LDPC)码构造算法。该算法具有码长、码率和列重的任意可设性,同时该类码的Tanner图围长至少为8。循环移位因子可以通过简单的代数表达式描述,从而降低内存需求。仿真结果表明,当误码率达到10-5时,APPS-LDPC码(496,248)相对于PEG-LDPC(渐进边增长LDPC)码获得了约1.9 d B的性能提升;随着信噪比的升高,两条译码性能曲线之间的差距将更大。此外,列重为3的APPS-LDPC码(6144,5376)在信噪比4.6 d B以后并未出现明显的错误平层。该构造算法与PS-LDPC码相比,在误码率达到10-8时大约获得0.25 d B增益;与围长为4和6的PEG构造算法相比,在错误平层区域其译码性能极优;同时相较于此两者,其构造复杂度和耗时也展现出一定优势。通过基于Tanner图的诱捕集分析方法,统计APPS-LDPC码(496,248)中由8环组成的部分小型诱捕集并不存在,从而证明了其错误平层降低的原因。
文摘在低密度奇偶校验(low density parity check,LDPC)码的图形表示中,存在着一种陷阱集结构,其对性能的影响表现在,陷阱集中变量节点所对应的比特在迭代过程中如果发生错误,就不容易被纠正回来。因此,结合平方剩余(quadratic residue,QR)码来设计一种新颖的广义LDPC码的编译码方案。该方案利用QR码这一性能优良的码型,为LDPC码的某些变量节点提供额外的保护,在损失少许码率的情况下,以期消除某些陷阱集的影响,并获得比原始LDPC码更好的性能。在仿真模拟中,通过统计原始LDPC码的错误比特位置,发现某些比特位置的出错频率较高,为此,从陷阱集的角度分析了其中的原因,并根据这些变量节点,构造广义LDPC码。仿真结果表明,该方案能够有效地降低某些LDPC码的错误平层。