企业官网建设流程全解析

简介：面向无线通信与编码理论研究者，资源包提供极化码与CA-SCL（级联逐次取消列表）解码器的完整MATLAB实现，贴合5G新空口信道编码学习需求。包含编码、解码主流程，以及CRC校验、路径度量、BPSK调制、AWGN信道等配套函数，可帮助理解信道极化原理与列表解码中路径维护、分支判决、回溯机制等关键环节。资源共16个文件，其中12个m脚本覆盖系统仿真、信源生成、编译码与误码统计等模块，2个C++源文件用于似然比计算等核心运算，另附编译后的mexw64文件便于直接运行，压缩包仅19KB。日志文件表明资源经过实际运行验证。已有214人学习下载，适合正在学习5G信道编码、或希望复现CA-SCL算法性能的研究者与工程师。通过研读代码并结合列表大小、回溯深度等参数，可直观观察不同设置对误码率的影响，也可在此框架上修改CRC多项式或译码策略，为算法优化提供可扩展基础。

1. Polar码配合CA-SCL，解码链路里最终的一环

Polar码在理论上用SC解码就能达到信道容量，但这个结论默认码长足够大。实际仿真里码长停在256、512或1024的时候，SC解码对中间可靠性信道的判决经常出错，误帧率曲线和最大似然界之间会拖出1~2 dB的差距。SCL解码的思路是在每个信息比特处保留多条候选路径，让错误决策不至于立即杀死整条路径；CA-SCL在这基础上再叠一层CRC约束，在候选路径里选那条能通过CRC校验的，作为最终输出——这正是3GPP NR里Polar码配套的主流接收方案。不少polar code资源包把编码器写得完整，SCL解码部分却只有两行伪代码，导致你自己动手时根本不知道路径度量怎么更新、冻结位怎么处理。这篇文章把polar code的编码构造、CA-SCL的路径维护和参数选择一次讲透，最后给出一套可以在本地直接跑仿真曲线的最小代码骨架，适合正在搭Polar码仿真链路或准备把解码器写成硬件逻辑的通信工程师。

2. Polar码的编码构造：信道极化与信息位选择

2.1 生成矩阵是克罗内克幂，编码器本质是异或网络

Polar码的编码器并不需要真正保存一个 $N \times N$ 的生成矩阵。它建立在这样一个小矩阵上：

$$ G_2 = \begin{bmatrix} 1 & 0 \ 1 & 1 \end{bmatrix} $$

对两个比特 $u_0, u_1$ 做编码，输出是 $[u_0 \oplus u_1, \ u_1]$。这个二输入二输出的变换就是最基本的极化单元。码长取 $N = 2^m$，整个生成矩阵 $G_N$ 是 $G_2$ 的 $m$ 次克罗内克幂，编码运算可以完全展开成蝶形异或网络。

下面这段Python实现了无比特反转版本的Polar编码，输入长度必须是2的幂：

import numpy as np def polar_encode(u: np.ndarray) -> np.ndarray: n = u.size x = u.copy() step = 1 while step < n: for j in range(0, n, 2 * step): # 蝶形运算：前半段与后半段逐位异或 x[j:j + step] ^= x[j + step:j + 2 * step] step <<= 1 return x # 示例：N=4 的编码 u = np.array([1, 0, 1, 1], dtype=np.int8) c = polar_encode(u) print(c) # [1, 1, 0, 1]

编码的循环次数是 $\log_2 N$，每一轮步长翻倍。内层循环等价于把长度为step的左半边和右半边做异或，右半边保持不动。注意这里x[j:j+step] ^= x[j+step:j+2*step]是原地向量化写法，它同时修改左侧元素，再用修改后的值参与下一步，恰好对应 $G_N = G_{N/2} \otimes G_2$ 的递归结构。这里要求dtype是整型，如果输入是浮点LLR值就需要先硬判决。

polar_encode只负责把长度为N的输入序列变换成码字。输入序列里哪些位置放信息位、哪些位置放冻结位，在调用这个函数之前就要确定。这引出一个核心问题：信道极化的结果，是把N个等效子信道分成“可靠”和“不可靠”两组，信息位要放在可靠的那一组上。

2.2 用极化权重排序：N=16时信息位具体落在哪里

在AWGN信道下计算每个子信道容量，严格做法是密度演进或高斯近似，但工程上更常用极化权重（Polarization Weight）来快速排序。权重公式是：

$$ P_i = \sum_{j=0}^{n-1} B_j \cdot 2^{j \cdot \frac{1}{4}} $$

其中 $i$ 是子信道序号，$n = \log_2 N$，$B_j$ 是 $i$ 的第 $j$ 个二进制位。权重越大，说明这个子信道越可靠。以 $N=16$ 为例，按 $P_i$ 从大到小的顺序，前8个子信道如下：

如果码率 $R = 0.5$，即 $K=8$ 个信息位，这8个序号就是要映射的信息位位置，剩下的位置全部填0作为冻结位。这里值得注意，第7号子信道权重为3.603，明明大于第10号的2.871，排序里却排在后面，因为权重排序要按从上到下的整体次序看，我这里表格只取了总排序的前8个，实际用程序排序后取索引即可。

实际工程里，信息位集合还要避开CRC位置。CA-SCL的CRC位占的也是信息位中的几个位置，所以真实数据比特数是 $K - L_{crc}$。信息位集合通常取最可靠的 $K$ 个子信道，然后把CRC位放在这些位置里最可靠的一段。

2.3 编码前必须先插入CRC，CRC长度和位置都有讲究

CA-SCL里的CRC不是在解码端临时补的，它必须在编码端就参与Polar编码。具体流程是这样：先把 $K - L_{crc}$ 个数据比特输入CRC生成器，得到 $L_{crc}$ 位校验比特，把这两段拼接成长度为 $K$ 的序列，填入信息位位置，冻结位按0填充，最后调用polar_encode。

CRC生成器用线性反馈移位寄存器实现，以CRC8为例：

def crc8(data_bits: np.ndarray, poly: int = 0x2F) -> np.ndarray: crc = 0 for b in data_bits: crc ^= int(b) << 7 for _ in range(8): if crc & 0x80: crc = ((crc << 1) ^ poly) & 0xFF else: crc = (crc << 1) & 0xFF # 返回8位校验比特 return np.array([(crc >> (7 - k)) & 1 for k in range(8)], dtype=np.int8)

这里的poly = 0x2F是常用CRC8多项式的十六进制表示，最高位固定隐含。CRC位拼接在数据位之后，放入信息位集合时放在最可靠的那几个位置。为什么放在最可靠的位置？因为SCL解码越靠后的比特可利用的路径数越少，错误概率越高，把CRC放在可靠位置能提高最终校验通过的路径比例。CRC长度取8到16比较常见，太短会造成校验冲突，即错误路径也碰巧通过了CRC；太长会挤占数据位，降低有效码率。

3. CA-SCL解码：路径度量、列表剪枝与CRC终选

3.1 SC解码的LLR传递拆成f和g两种运算

SC解码是在编码因子图上做的置信传播。对每一级蝶形运算，从信道收到的LLR向左传播，判决值向右回传。两个核心公式用最小和近似表达：

• f运算（合并两个LLR）：

$$ f(a, b) = \text{sign}(a) \cdot \text{sign}(b) \cdot \min(|a|, |b|) $$

• g运算（利用已知左侧比特更新右侧LLR）：

$$ g(a, b, \hat{u}_l) = b + (1 - 2\hat{u}_l) \cdot a $$

其中 $\hat{u}_l$ 是左侧已经判决的比特值。解码从最右侧的信道LLR开始，逐级向左传播，到达叶子节点后做硬判决，再把判决结果向右回传，逐级计算出完整的信息比特序列。

这个递归结构是SCL的基础。SCL与SC的差别在于：SC在叶子节点只保留一个判决；SCL在叶子节点同时保留“判0”和“判1”两条扩展路径，然后根据路径度量裁剪。

3.2 路径分裂与路径度量更新规则

每条路径都有自己的LLR中间值和已经判决的比特序列。当SCL解码器处理某一个信息位时，对当前路径分裂成两条候选：当前位判0和判1。路径度量PM衡量这条路径的可靠程度，更新规则是：

• 如果扩展出的比特与当前硬判决一致，PM不变；
• 如果与硬判决不一致，PM增加 $|\text{LLR}|$。

更准确地说，硬判决是 $\hat{u} = 0$ 当 $\text{LLR} \geq 0$，否则 $\hat{u} = 1$。若扩展比特 $u=0$ 但 $\text{LLR}<0$，路径的PM就要加上 $|\text{LLR}|$；反之亦然。PM越小，路径越可靠。这个累加式保证PM实在所有候选路径上的一个单调惩罚值，解码结束时直接取最小PM的路径是SCL的默认输出。

冻结位的处理要单独说明：冻结位是编码端已知的固定值，解码时不应分裂，直接把该值扩展到所有存活路径上。如果SCL在冻结位上生成分支，等于把错的路径也保留了，浪费列表容量。常见实现里对冻结位会直接跳过分裂步骤。

路径分裂后，总路径数可能达到 $2L$，需要按PM排序，只保留PM最小的 $L$ 条。这一步就是列表剪枝。

3.3 CRC校验参与终选：从“最小PM”改成“通过CRC的最小PM”

SCL解码到最后一个信息位时，手里有 $L$ 条完整路径。不加CRC的普通SCL直接挑PM最小的那条；CA-SCL则先对每条路径提取信息位序列，算CRC，选出能通过CRC校验的路径中PM最小的一条。做CRC校验时要把路径中映射到信息位位置的比特取出来，按原始顺序还原成数据位+CRC位的拼接，再对数据位部分重新计算CRC，与路径里的CRC位对比。

这里有一个关键的工程细节：CRC校验不一定要留到全部K个信息位解完。有些实现会在每扩展完一个CRC位时立即检查CRC，通过校验的路径保留，未通过的直接淘汰。这个方法能提前剪掉错误路径，给后面的比特留出更多列表容量，但代价是实现复杂度高，而且CRC位的判决仍然有错误风险。最常见的做法仍是全部解完再统一CRC。

CA-SCL解码器的复杂度主要被列表大小 $L$ 控制。SC单独的解码复杂度是 $O(N \log N)$，SCL的复杂度近似 $O(L \cdot N \log N)$。列表扩容一倍，延迟和功耗都显著上升，这也是为什么工程里L不会设得特别大的原因。

4. 复现：写一个N=256的最小CA-SCL解码器闭环

4.1 信道模型：BPSK调制下的LLR计算

仿真链路用BPSK调制加AWGN信道。编码后的比特0映射为+1，比特1映射为-1，接收信号 $y$ 是发射符号加上均值为0、方差为 $\sigma^2$ 的高斯噪声，噪声方差由信噪比决定：

$$ E_b/N_0 = \frac{1}{2 R \sigma^2} $$

LLR可以直接算出来：

$$ \text{LLR} = \frac{2y}{\sigma^2} $$

注意 $\sigma^2$ 必须按码率修正。R = K/N，在固定 $E_b/N_0$ 下码率越高，噪声方差越大。很多初版实现把 $\sigma^2$ 按无码率修正算，仿真出来的FER曲线会整体偏移0.5 dB以上。

4.2 SCL路径维护的Python核心循环

完整SCL解码器涉及因子图递归，代码量较长。下面这段只关注路径分裂与剪枝，它是整个SCL最核心的数据结构部分，配合递归LLR传播就能组装出完整解码器：

def scl_extend_paths(paths, L, llr_tensor, bit_pos, is_frozen, frozen_bit): """对位置 bit_pos 做路径扩展与剪枝。 paths: 列表，每个元素是 (pm, partial_bits, internal_state) llr_tensor: 当前该比特对应的LLR值，长度与路径数一致 """ new_paths = [] for path_idx, (pm, bits, state) in enumerate(paths): if is_frozen: # 冻结位不分裂，所有路径一致扩展 new_paths.append((pm, bits + [frozen_bit], state)) continue llr = llr_tensor[path_idx] hard_bit = 0 if llr >= 0.0 else 1 # 分裂成判0和判1 for b in (0, 1): if b == hard_bit: pm_new = pm else: pm_new = pm + abs(llr) new_paths.append((pm_new, bits + [b], state)) # 按PM升序排序，保留前L条 new_paths.sort(key=lambda t: t[0]) return new_paths[:L]

路径分裂逻辑在这个函数里是完整的。llr_tensor的下标对应路径索引，也就是说每条存活路径在该比特位置都有自己的LLR值，这与SCL实现里每条路径保存独立中间状态的要求一致。bits保存该路径到目前为止的完整判决序列，解码结束后对它提取信息位做CRC校验。state是路径的因子图内部节点值，实际解码时需要随每条路径复制一份，这是SCL内存开销最大的部分。

这里特别强调llr_tensor[path_idx]的取值：它必须来自当前路径自己的递归节点，不能用一个共享LLR数组同时喂给所有路径。这也是许多半成品实现最容易写错的地方——把路径当成共享变量，扩展时互相覆盖。

一个可用的时隙分配是：列表L取8，CRC取16位，CRC多项式用0x1021（CRC16-CCITT），数据和CRC一起占用全部128个信息位位置。代码层面把编码好的K位序列填入信息位向量后调用polar_encode。

4.3 三个最容易写错的位置：PM符号、冻结位、LLR缩放

PM更新看起来就是一行加法，实际调bug能折腾一晚上。第一个坑是PM增量的符号。按本节的公式，决策与硬判决不一致时PM加上绝对值，但很多资料会写成 $PM \mathrel{+}= -|\alpha|$，因为LLR定义方向不同。LLR符号定义一改，PM的加减也要跟着倒；没有统一约定前不要混用。

第二个坑是冻结位不能参与分裂。有的实现为了简化循环，把冻结位统一按0处理，但忘记给非零冻结位留扩展路径。如果某些冻结位是1，解码器却永远判0，编码构造就失去意义。正确做法是构造信息位向量时冻结位全部置0，解码端is_frozen直接跳过分裂。

第三个坑是LLR未按噪声方差缩放。LLR公式里的 $\sigma^2$ 漏掉，路径度量和理论推导对不上，FER曲线会高出一大截。查这个问题的办法是单独打印一帧的LLR统计值，观察方差是否接近 $2/\sigma^2$。

参数速查表：

5. 验证与调优：用L=1作为基准，先证明实现没写歪

拿到一套新写的CA-SCL解码器，第一件事不是急着把L调到16，而是先做退化自检。把列表大小L设为1时，SCL退化成普通SC解码。如果你的实现正确，关闭CRC辅助逻辑后，FER曲线应该和标准SC解码器的曲线完全重合。这一步通过，说明LLR传播、路径度量更新、冻结位处理三条主线都没问题。

第二步做CRC开关对比。同一份代码里，把CA-SCL的终选逻辑从“CRC通过+PM最小”改成“纯PM最小”，此时性能应该比L=8的普通SCL还要差一些。这是CA-SCL的核心增益来源。如果两条曲线重合或CA-SCL反而更差，多半是CRC位没有正确放进信息位集合，解码时CRC占的位置被当成数据位解读了。

第三步看列表增益的规律。L从1、2、4、8、16增大，FER改善逐渐收敛。在 $E_b/N_0 = 2.5$ dB附近、N=256、码率0.5的场景，大致增益是：L=2比L=1有约0.3 dB增益，L=8比L=2约0.2 dB，L=16比L=8不到0.1 dB。每条仿真曲线至少跑2000帧错误事件再平均，否则只看单帧就判断算法好坏没有意义。

验证完毕后的调优重点放在CRC多项式选择和信息位集合的微调上。CRC多项式换成0x2F还是0x1021，在不同码长下的误检概率差异并不大，优先选实现成本低、表格查起来快的那个。信息位集合用极化权重还是高斯近似排序，在N=256时差距很小，但N超过1024后建议用密度演进得到的可靠性序列，曲线尾部会更干净。把CRC位分布到信息位中的不同位置试几十帧，也能找到对当前码率更友好的配置。

解码器全部完成后，把编码器输出固定一帧，重新初始化随机种子，对比不同L值的解出的信息位是否一致。这个自检能快速暴露列表剪枝排序的不稳定问题，特别是PM出现相等值时，排序算法是否稳定会直接改变最终选路。

本文还有配套的精品资源，点击获取