[论文解读] Min-Max decoding for non binary LDPC codes

Valentin Savin|ArXiv.org|Mar 7, 2008

Error Correcting Code Techniques参考文献 6被引用 6

一句话总结

本文提出了一种用于非二进制LDPC码的最小-最大解码算法，作为和积（Sum-Product）与最小-最小（Min-Sum）解码的低复杂度、准最优替代方案。该方法引入了一种选择性实现方式，通过聚焦于高指标符号来降低计算复杂度，在GF(16)上实现了与和积解码仅0.2 dB差距的近最优性能，且复杂度相比标准最小-最大解码降低了最多4倍。

ABSTRACT

Iterative decoding of non-binary LDPC codes is currently performed using either the Sum-Product or the Min-Sum algorithms or slightly different versions of them. In this paper, several low-complexity quasi-optimal iterative algorithms are proposed for decoding non-binary codes. The Min-Max algorithm is one of them and it has the benefit of two possible LLR domain implementations: a standard implementation, whose complexity scales as the square of the Galois field's cardinality and a reduced complexity implementation called selective implementation, which makes the Min-Max decoding very attractive for practical purposes.

研究动机与目标

• 解决非二进制LDPC码的高解码复杂度问题，尽管其具有优异的纠错性能，但高复杂度限制了其实际部署。
• 通过提出一种新算法，减少最小-最小解码的次优性，降低外信息估计的过度放大。
• 开发一种低复杂度、准最优的解码方法，在保持接近和积算法性能的同时，避免对噪声估计的依赖。
• 引入最小-最大解码的选择性实现方式，显著降低计算负载，且不造成性能损失。
• 通过平衡性能、复杂度与数值稳定性，实现非二进制LDPC码的实际部署。

提出的方法

• 在对数似然比（LLR）域中，提出最小-最大算法作为非二进制LDPC码的准最优迭代解码方法。
• 采用两种变体实现最小-最大算法：一种为标准版本，每个校验节点的复杂度为O(q²)；另一种为选择性实现方式，以降低复杂度。
• 采用基于阈值的剪枝策略（cot），限制参与最小-最大计算的符号数量，仅聚焦于最可靠的符号。
• 通过归一化先验信息（ai）来增强符号分离效果，提升选择性实现中符号选择的准确性。
• 基于先验值的整数部分，定义集合Δ′和Δ′′，用于对符号进行分组，减少冗余的最大值计算。
• 通过仅在相同索引组内的符号之间计算最大值，优化算法，使大多数最大值运算变得不再必要。

实验结果

研究问题

• RQ1 能否设计一种低复杂度的迭代解码算法，用于非二进制LDPC码，使其性能接近最优的和积算法？
• RQ2 如何在保持计算效率的同时，减少最小-最小算法的次优性？
• RQ3 何种选择性剪枝策略能有效降低最小-最大解码的复杂度，且不降低性能？
• RQ4 通过符号分组与阈值化处理，检查节点处理中的运算次数最多可降低多少？
• RQ5 选择性最小-最大实现是否能以远低于标准最小-最大解码的复杂度，实现近最优性能？

主要发现

• 最小-最大解码算法在AWGN信道下，对GF(16) LDPC码与16-QAM调制的系统中，与最优和积解码的性能差距仅为0.2 dB。
• 在GF(16)上，最小-最大解码的选择性实现方式相比标准最小-最大实现，计算复杂度降低了4倍。
• 选择性最小-最大解码器在收敛行为和性能上与标准版本完全一致，未造成任何性能损失。
• 采用预设的平均先验信息（ai = 12）与截止阈值（cot = 31），可有效实现符号剪枝与复杂度降低。
• 该算法具备计算稳定性，且不依赖于信道噪声估计，与和积算法不同。
• 选择性实现方式在解码后期最为有效，此时仅有少数符号仍不确定，从而实现显著的复杂度节省。