企业官网建设流程全解析

5G 靠什么在嘈杂信道里不传错？LDPC 与 Polar 这对黄金组合，管着数据信道与控制信道的生死。本文从香农极限讲到工程抉择，并用可复现的 Python 仿真亲手跑通两种编码——还发现了一个只有跑代码才能看见的"4-环教训"。

引子：5G 在嘈杂信道里凭什么"不传错"？

你有没有想过：手机在高速地铁里、在人山人海的演唱会上，为什么打电话、刷视频偶尔卡一下，但消息基本"传不错"？

答案藏在 5G 物理层最硬核的一环——信道编码（Channel Coding）。5G NR 里负责纠错的是一对黄金组合：LDPC 码（数据信道）和Polar 码（控制信道）[1]。

这篇文章把这件"隐形但决定生死"的事讲透：为什么需要信道编码、LDPC 和 Polar 各自凭什么入选 5G、5G 为什么"数据用 LDPC、控制用 Polar"——以及最重要的：用 Python 亲手把这两种编码跑起来。文中所有仿真代码我都本地运行验证过，输出是真实的，可直接复现。

一、为什么需要信道编码：从香农极限说起

1.1 噪声是物理定律，不是 bug

任何物理信道都有噪声：电磁干扰、热噪声、多径衰落。信号一旦发出去，接收端拿到的永远是"污染版"。问题是如何在噪声里恢复原始比特？

香农在 1948 年给出理论回答：只要码率 R 低于信道容量 C，就存在某种编码让误码率任意小——这就是香农极限[2]。

1.2 编码的本质：用冗余换可靠性

信道编码就是在原始数据后加冗余（校验比特），让接收端能发现甚至纠正错误：

原始数据 1011 → 加冗余 → 发送 1011 0110 → 噪声 → 接收 1011 0010 ↓ 译码 恢复 1011 ✓

从 4G 到 5G，数据信道编码经历了一次换代：LTE 用Turbo 码，5G NR 换LDPC 码；控制信道引入全新的Polar 码[1]。这次换代背后，是一场持续半个多世纪的"容量可达"竞赛。

二、LDPC 码：从 1962 到 5G 数据信道

2.1 历史三幕

LDPC（Low-Density Parity-Check，低密度奇偶校验）码的故事，像一部被埋没又翻红的电影[3][4]：

2.2 原理：稀疏校验矩阵与 Tanner 图

LDPC 定义很朴素：校验矩阵 H 中 1 的密度极低。编码输出 n 比特（含 k 个信息比特），H 是 (n-k)×n 矩阵，满足任意合法码字 c：H·c^T = 0（模 2）[3]。

"低密度"为什么重要？因为稀疏性让迭代译码可行。H 可画成 Tanner 图：左边变量节点（比特），右边校验节点（方程）：

每个校验节点对应一个校验方程（若干比特异或为 0）。译码时消息在图上反复传递，这就是置信传播（Belief Propagation, BP）。

2.3 5G NR 的 LDPC：从概念到工程

5G 用的是精心设计的准循环 LDPC（QC-LDPC）：先定义一张小的基图（Base Graph），再用循环移位（提升，Lifting 参数 Z）扩展成大矩阵[5][6]。5G 定义了两张基图[7]：

数据信道块长可达8448 比特，大块长下 LDPC 的高吞吐、强并行、低时延优势发挥得淋漓尽致[1]。

2.4 译码：min-sum 置信传播

LDPC 译码是迭代消息传递。假设接收端每个比特得到对数似然比（LLR）：

变量节点：Mvc[i,j] = Lc[i] + Σ_{t≠j} Mcv[i,t] 校验节点：Mcv[i,j] = (∏_{t≠i} sign(Mvc[t,j])) · min_{t≠i} |Mvc[t,j]|

min-sum 是标准 BP 的简化近似，牺牲一点性能换实现简单，是硬件主流选择。实战部分用代码完整复现。

三、Polar 码：信道极化的奇迹

3.1 Arikan 2009：第一个"显式"容量可达的码

如果说 LDPC 是"靠系综平均好"，Polar 码就是"我构造的每一个码都好"。

2009 年 Erdal Arikan 提出信道极化方法，构造出第一类显式构造、低复杂度、可证明容量可达的编码[8][9]。这是编码理论史上里程碑式的突破。

3.2 信道极化：把"平均水平"变成"两极分化"

对 N 个独立信道副本做递归变换（极化核 F = [[1,0],[1,1]]），合成 N 个"合成比特信道"：

总体能力守恒，但分布极化：一半信道更好，一半更差。在"好信道"上传信息，"坏信道"上放已知冻结位——整码性能逼近容量[8]。

3.3 Bhattacharyya 参数：怎么选信息位

用Bhattacharyya 参数 Z(W)度量信道可靠度（Z 越小越可靠）。对二进制擦除信道（BEC），有漂亮的递归[8][10]：

坏信道 W^-：Z(W^-) = 2Z - Z² 好信道 W^+：Z(W^+) = Z²

选 Z 最小的 K 个信道传信息位，其余传冻结位。

3.4 编码与 SC 译码

• 编码：信息位向量 u × 生成矩阵 G_N = F^⊗n（Kronecker 幂）

• 译码：SC（连续消除），复杂度 O(N log N)，逐个判决、前面结果作为后续条件

• 5G 实际用CA-SCL（CRC 辅助 + 列表译码）进一步提升短码性能[11]

2016 年 3GPP 正式选定 Polar 作为 5G 控制信道编码（PDCCH/PUCCH/PBCH）[11]。

四、为什么 5G 用 LDPC 做数据、Polar 做控制

这是很多人最想知道的"工程题"。答案是块长、时延、硬件实现综合权衡的结果，不是简单的好坏之分[1][7]。

4.1 数据信道：大块长 → LDPC

• 高吞吐：BP 译码天然可并行

• 低时延：并行度高，时延可控

• 逼近容量：大块长下容量逼近能力完全释放

4.2 控制信道：短块 → Polar

• 块很短（几十到几百比特）：Polar 短码场景优势明显

• 零错误平层：Polar 无错误平层问题

• 结构简单：SC 译码器结构规整，硬件友好

4.3 一句话对比

五、实战：用 Python 复现两种编码

理论说得再多，不如跑一段代码。以下代码全部本地运行验证（Python + numpy），输出真实，可复现。

5.1 Polar 信道极化仿真

BEC（ε=0.3）、N=16 各比特信道 Bhattacharyya 参数（真实输出）：

自然序 Z = [0.997, 0.888, 0.821, 0.333, 0.700, 0.205, 0.131, 0.005, 0.530, 0.099, 0.058, 0.001, 0.032, 0.0003, 0.0001, 0.0000]

部分 Z→1（不可靠），部分 Z→0（可靠）——信道极化。选 Z 最小的 K 个信道传信息位：

import numpy as np def z_concat(N, eps): """BEC 下 Bhattacharyya 参数递归：前半坏 W^-（2z-z²），后半好 W^+（z²）。""" z = np.array([eps]) for _ in range(int(np.log2(N))): z = np.concatenate([2*z - z*z, z*z]) return z z = z_concat(16, 0.3) print(np.round(z, 4))

工程细节：若编码用 G=F^⊗n（无位反转），可靠度需对 Z 做位反转置换再选信息位——仿真中容易踩的坑。

5.2 Polar SC 译码：块错误率随码长下降

编码 + BEC 擦除 + SC 译码，块错误率随 N 变化（码率 1/2，ε=0.2，真实输出）：

核心结论：整体趋势 N 越大错误率越低——极化越充分越接近容量。N=16 的小幅回升是有限长极化码的真实特性（极小 N 下 Bhattacharyya 构造并非严格最优），恰恰说明"容量可达"需要足够大的 N。

核心 SC 译码代码（BEC 原生实现，规避浮点 LLR 的 ±∞ 抵消）：

def sc_decode_bec(y, n, info_mask, gens): """y: -1=擦除。返回译码 u。""" E = -1 def node(nl, yv, mask, gidx): if nl == 1: if not mask[0]: return np.array([0]) # 冻结位=0 return np.array([0 if yv[0] == E else yv[0]]) # 信息位 half = nl // 2 y1, y2 = yv[:half], yv[half:] f = np.where((y1 == E) | (y2 == E), E, (y1 ^ y2)) # u1·G = x1⊕x2 u1 = node(half, f, mask[:half], gidx-1) u1_enc = (u1 @ gens[gidx-1]) % 2 g = np.where(y2 != E, y2, np.where(y1 != E, (y1 ^ u1_enc), E)) # u2·G u2 = node(half, g, mask[half:], gidx-1) return np.concatenate([u1, u2]) return node(1 << n, np.array(y, dtype=int), info_mask, n)

5.3 Hamming(7,4)：伴随式译码（LDPC 雏形）

汉明码 (7,4) 是最小的"类 LDPC"码。伴随式译码：算 s = r·H^T，查表定位单错，翻转。

误码率显著下降，单错全部纠正——"加冗余换可靠性"的直接证据。

def syndrome_decode(r, H): """伴随式译码：s=r·H^T → 查表定位单错 → 翻转。""" table = {tuple(H[:, e] % 2): e for e in range(H.shape[1])} s = (r @ H.T) % 2 if tuple(s) in table: r = r.copy() r[table[tuple(s)]] ^= 1 return r

5.4 min-sum vs 和积：汉明码 4-环教训（原创实验）

这是我最想分享的仿真发现。把两种 BP 译码——min-sum与和积（tanh 规则）——用在汉明码上，逐一翻转单比特看能否纠正（真实输出）：

翻转bit0: min-sum=OK 和积=OK 翻转bit1: min-sum=OK 和积=OK 翻转bit2: min-sum=OK 和积=OK 翻转bit3: min-sum=FAIL 和积=OK 翻转bit4: min-sum=OK 和积=FAIL 翻转bit5: min-sum=OK 和积=FAIL 翻转bit6: min-sum=OK 和积=FAIL

两种"标准"BP 译码器，各有 1 个单错纠不回来！原因：汉明码 Tanner 图存在4-环——两个校验节点与两个变量节点围成环，消息在环里打转，无法传播足够外部信息，陷入局部最优。

这个"失败"是全文最重要的工程结论：这就是为什么真实 LDPC 要避免短环（围长 ≥ 6）。5G 的 QC-LDPC 基图设计时严格规避 4-环[6]。汉明码作为"LDPC 雏形"能用（配合随式译码完美工作），但图结构不适合纯粹迭代译码——一个 60 年前的码，教会了我们 21 世纪的 LDPC 设计原则。

def min_sum_bp(y_llr, H, iters=20): """min-sum 置信传播。H: m×n 校验矩阵。""" m, n = H.shape Lc = np.array(y_llr, dtype=float) Mvc = np.zeros((n, m), dtype=float) for i in range(n): Mvc[i, H[:, i] == 1] = Lc[i] for _ in range(iters): Mcv = np.zeros((n, m), dtype=float) for j in range(m): # 校验节点：min-sum idx = np.where(H[j] == 1)[0] for i in idx: others = [t for t in idx if t != i] sp = 1.0; ma = np.inf for t in others: sp *= np.sign(Mvc[t, j]); ma = min(ma, abs(Mvc[t, j])) Mcv[i, j] = sp * ma if ma != np.inf else 0.0 for i in range(n): # 变量节点 idx = np.where(H[:, i] == 1)[0] for j in idx: others = [t for t in idx if t != j] Mvc[i, j] = Lc[i] + sum(Mcv[i, t] for t in others) return ((Lc + Mcv.sum(axis=1)) < 0).astype(int)

六、总结与我的观点

6.1 三条心得

心得一：容量可达 ≠ 工程可用。LDPC 1962 年就发明，却等了 30 年才有硬件能跑；Polar 理论漂亮，落地也要靠 CA-SCL 和精心的速率匹配。理论边界和工程落地之间，隔着"硬件成本、时延、复杂度"这座大山。

心得二：5G 的编码抉择是"分场景优化"。不是 LDPC 全面碾压 Polar，而是"数据大块长用 LDPC 吃吞吐、控制短块用 Polar 吃短码性能"。理解了这个，才算理解 5G 物理层为什么是今天这个样子。

心得三：亲手仿真才叫"真懂"。这次实验最意外的收获是 4-环教训——不跑代码，我永远不会直观理解"为什么 LDPC 要避免短环"。理论告诉你结论，仿真让你"看见"结论。

6.2 展望

面向 6G，信道编码探索仍在继续：更高速率的新构造、与 AI 结合的译码器（神经网络 BP）、面向新信道的编码……但无论怎么演进，LDPC 与 Polar 在 5G 确立的"迭代译码 + 显式构造"两大范式，仍是所有新编码的地基。

建议：先把本文仿真代码跑一遍，改参数看现象，再读 Arikan 2009 原文与 ETSI 138 212 规范——从"会跑"到"懂原理"，中间只差"亲手改一改"。

参考资料

• [1] Cambridge《An overview of channel coding for 5G NR cellular communications》（二级）2019

• [2] ETSI TS 138 212 V15.12.0（5G NR 复用与信道编码规范）（一级）2021-10

• [3] Gallager, Low-Density Parity-Check Codes, IRE Trans. IT-8:21-28（一级）1962

• [4] 清华大学《Introduction to LDPC Codes》课件（LDPC 历史三幕）（三级）2018

• [5] 3GPP Spec Explorer：LDPC（QC-LDPC、基图+提升）（三级）2026-08

• [6] nxgconnect：LDPC Coding in 5G NR（BG1/BG2 分工）（三级）2026-01

• [7] arXiv 2502.11053《Demystifying 5G Polar and LDPC Codes》（二级）2025-02

• [8] Arikan, Channel Polarization, IEEE TIT 55(7):3051-3073（一级）2009

• [9] IEEE TechNav：Polar Codes（二级）2026-07

• [10] 仿真本地验证：BEC 下 Z 参数递归式（见 polar_ldpc_sim.py）

• [11] arXiv 2506.04163（3GPP 2016 选定 Polar 用于控制信道）（二级）2026-05

注：仿真数据来自文章配套脚本polar_ldpc_sim.py本地运行输出，可复现。