信念传播算法的实现是基于解码算法提出了[4]。LDPC-encoded传输码字,c,在那里<年代pan class="inlineequation"> $$c=(c_0,c_1,\mathrm{\dots },c_{n-1})$$,LDPC译码器的输入(LLR)值的对数似然比<年代pan class="inlineequation"> $$l(c_{我})=\mathrm{日志}\left(\frac{\mathrm{公关}(c_{我}=0|\text{通道输出}{c}_{我})}{\mathrm{公关}(c_{我}=1|\text{通道输出}{c}_{我})}\right)$$。

在每个迭代中,算法的关键组件更新基于这些方程:

$$l(r_{j我})=2\text{atanh}\left({\displaystyle \underset{{我}^{\prime }\in V_j\backslash 我}{\prod }\mathrm{双曲正切}\left(\frac{1}{2}l({问}_{{我}^{\prime }j})\right)}\right)$$,

$$l({问}_{我j})=l(c_{我})+{\displaystyle \underset{j^{\prime }\in C_{我}\backslash j}{\sum }l(r_{j^{\prime }我})}$$,初始化<年代pan class="inlineequation"> $$l({问}_{我j})=l(c_{我})$$在第一次迭代之前,

$$l({问}_{我})=l(c_{我})+{\displaystyle \underset{j^{\prime }\in C_{我}}{\sum }l(r_{j^{\prime }我})}$$。

在每个迭代的末尾,<年代pan class="inlineequation"> $$l({问}_{我})$$是一个更新的估计的LLR值传播<年代pan class="inlineequation"> $$c_{我}$$。的值<年代pan class="inlineequation"> $$l({问}_{我})$$不痒的决定输出吗<年代pan class="inlineequation"> $$c_{我}$$。如果<年代pan class="inlineequation"> $$l({问}_{我})<0$$艰难的决定输出<年代pan class="inlineequation"> $$c_{我}$$是1。否则,输出是0。

分层的信念传播算法的实现是基于解码算法提出了[5],部分II.A。解码循环遍历(层)的PCM的行子集。对于每一行,米在一层和每一位指数,j,实现更新算法的关键组件基于这些方程:

(1)<年代pan class="inlineequation"> $$l({问}_{米j})=l({问}_j)-R_{米j}$$,

(2)<年代pan class="inlineequation"> $${\mathrm{一个}}_{米j}={\displaystyle \underset{\begin{array}{c}n\in N\left(米\right)\\ n\ne j\end{array}}{\sum }\text{ψ}(l({问}_{米n}))}$$,

(3)<年代pan class="inlineequation"> $${\mathrm{年代}}_{米j}={\displaystyle \underset{\begin{array}{c}n\in N\left(米\right)\\ n\ne j\end{array}}{\prod }\text{标志}(l({问}_{米n}))}$$,

(4)<年代pan class="inlineequation"> $$R_{米j}=-{\mathrm{年代}}_{米j}\text{ψ}({\mathrm{一个}}_{米j})$$,

(5)<年代pan class="inlineequation"> $$l({问}_j)=l({问}_{米j})+R_{米j}$$。

每一层的解码方程(5)结合输入工作获得从当前LLR输入<年代pan class="inlineequation"> $$l({问}_{米j})$$和前一层的更新<年代pan class="inlineequation"> $$R_{米j}$$。

因为只有更新节点的一个子集在一层,分层信念传播算法更快的信念传播算法相比。达到相同的误码率与信仰传播解码,获得使用数量的一半解码迭代当使用分层的信念传播算法。

min-sum近似算法的实现遵循分层的信念传播算法与方程(2)所取代

$${\mathrm{一个}}_{米j}=\underset{\begin{array}{c}n\in N\left(米\right)\\ n\ne j\end{array}}{\mathrm{最小值}}(\left|l({问}_{米n})\right|\cdot \alpha )$$,

在哪里<年代pan class="emphasis">α是1。

规范化的实现min-sum近似算法遵循分层的信念传播算法与方程(2)所取代

$${\mathrm{一个}}_{米j}=\underset{\begin{array}{c}n\in N\left(米\right)\\ n\ne j\end{array}}{\mathrm{最小值}}(\left|l({问}_{米n})\right|\cdot \alpha )$$,

在哪里<年代pan class="emphasis">α在范围(0,1)指定的比例因子吗<年代tr在g class="guilabel">比例因子参数。这个方程是一个改编的方程(4)了[6]。

的延迟块基于所选择的不同<年代tr在g class="guilabel">标准参数的值<年代tr在g class="guilabel">blkLenIdx和<年代tr在g class="guilabel">codeRateIdx输入端口和迭代的数量。因为不同的延迟,使用<年代tr在g class="guilabel">nextFrame控制信号输出端口来确定块时准备一个新的输入帧。

本节显示了信噪比和误码率情节指定块的输入和参数设置。

这张图显示了4块的性能比特LLR设置时输入<年代tr在g class="guilabel">标准参数IEEE 802.11 n / ac / ax,<年代tr在g class="guilabel">算法参数Min-sum,<年代tr在g class="guilabel">blkLenIdx输入端口值0(648块长度)和<年代tr在g class="guilabel">codeRateIdx输入端口值0,1,2,3(代码的1/2,2/3、3/4和5/6,分别)。

这张图显示了4块的性能比特LLR设置时输入<年代tr在g class="guilabel">标准参数IEEE 802.11广告,<年代tr在g class="guilabel">算法参数规范化min-sum,<年代tr在g class="guilabel">codeRateIdx输入端口值0,1,2,3(3/4代码的1/2,5/8,13/16,分别)。在这种情况下,672块长度是固定的。

合成HDL代码的性能随目标和合成选项。它还基于不同算法的类型和输入的字长LLR值。

这个表显示了资源和性能数据合成的结果块的支持当你设置WLAN标准万博1manbetx<年代tr在g class="guilabel">算法参数Min-sum,<年代tr在g class="guilabel">的迭代次数参数8,输入LLR值数据类型fixdt (1 4 0)。生成的高密度脂蛋白是Xilinx目标<年代up>®Zynq<年代up>®Ultrascale +™MPSoC——ZCU102评估板。