1.本LDPC采用的量化方案
改进方案如下所示：
是由一个统计范围得到的，但是在实际中，根据信道的不同，可能存在多种可能，这里，我们的考虑的方案是自适应的调整Ymax和Ymin，根据信道的大概估计结果对Ymax和Ymin进行调整，
方案如下所示：
k1为0~1之间的值。在实际中，可以加入一个噪声估计模块，对难以确定的信道白噪声进行估计。
这种改进方案的思路是，当噪声越大的时候，接收到信号的幅度波动范围也就越大，因此，其置信区间并不是一个固定的范围。对于第二个量化公式，采用的改进方案如下所示：
2.核心源码
function Q = func_QX(x);
q = 2;
s = 2;
s1= 1.7;
s2= 2;
d = 0.5;
N = 2^(q-1)-1;
r = 4;
Q = x;
tmp1=0;
for i = 1:N
tmp1(i) = d*s1^(i-1);
end
X_= -sum(tmp1) + d/2;
X = sum(tmp1) + d/2;
if x >= s^(2^q-1)*X
Q = s2^(2^q-1)*X;
end
if x > s^(r+1)*X & x <= s^(r)*X
Q = s2^(r)*X;
end
if x >= X & x <= s^(r+1)*X
Q = X;
end
if x > X_ & x < X
Q = QN(x,q,d,s1,N);
end
if x >= s^(r)*X_ & x < X_
Q = X_;
end
if x >= s^(r+1)*X_ & x < s^(r)*X_
Q = s2^(r)*X_;
end
if x <= s^(2^q-1)*X_
Q = s2^(2^q-1)*X_;
end
end
function y = QN(x,q,d,s1,N);
tmp1=0;
for i = 1:N
tmp1(i) = d*s1^(i-1);
end
tmp2=0;
for i = 1:N
tmp2(i) = d*s1^(i-1);
end
A1 = sum(tmp1) - d/2;
B1 = sum(tmp2) - d/2;
A2 = -sum(tmp1) + d/2;
B2 = -sum(tmp2) + d/2;
y = x;
if x >= A1 & x <= B1
y = sum(tmp2);
end
if x >= -d/2 & x <= d/2
y = 0;
end
if x >= B2 & x <= A2
y = -sum(tmp2);
end
end
clc;
clear;
close all;
warning off;
addpath 'func\'
rng(1);
%码率
Rate = 13/24; %码率大于0.5，注意，码率不能任意设置的，这里可以设置为12/24~23/24
Lens = 2400;%码长大于1000
%量化位宽
WB = 6;%WB:1
%迭代次数
iter = 5;
%基于IEEE802.16E的QC-LDPC构造
[Qc_H,Hb] = func_H(Lens,Rate);
k = Rate*log2(2);
[RR,CC] = size(Hb);
block = Lens/CC;
SNRs = [0.5:0.5:4];
Err = [];
% [cycle6num,cycle8num] = func_loop_check(Qc_H);
for kj = 1:length(SNRs)
kj
SNR = SNRs(kj)/k;
sigma = sqrt(1/(2*SNR));
Ng = 0.1;
ofdm_N = 256;
Lf = 8;
Tx_dat = round(rand(100000,1));
%导频
PN_train= [1 1 0 1 0 1 1 1 0 0];
Nfft = 8*ofdm_N;
%cyclic prefix
Np = round(Ng*Nfft);
%LDPC
Tx_dat_ldpc = [];
for i = 1:floor(length(Tx_dat)/(Rate*Lens))+1
i
if i <= floor(length(Tx_dat)/(Rate*Lens))
tmps = Tx_dat((i-1)*(Rate*Lens)+1:(i)*(Rate*Lens));
else
tmps = [Tx_dat((i-1)*(Rate*Lens)+1:end);zeros(Lens*Rate-length(Tx_dat((i-1)*(Rate*Lens)+1:end)),1)];
end
tmps_ldpc = func_ldpc_encode(tmps',Qc_H,Hb);
Tx_dat_ldpc = [Tx_dat_ldpc,tmps_ldpc];
end
%QPSK
[mods,demods] = func_MPSK(ofdm_N,'M',4,'SymbolOrder','Gray');
%OFMD调制
y_Tx_mod = func_OFDM_mod(Tx_dat_ldpc,mods,Np,Lf,PN_train,Nfft);
%发送，高斯白噪声
y_Rx = func_TRANSMITTER(y_Tx_mod,SNR);
%OFMD解调
[Rx_dat,Rx_dat2] = func_OFDM_demod(y_Rx,demods,Np,Lf,PN_train,Nfft);
%LDPC译码
Rx_dat_ldpc = [];
for i = 1:floor(length(Rx_dat)/(Lens))
i
tmps = Rx_dat((i-1)*(Lens)+1:(i)*(Lens));
tmps_deldpc = func_ldpc_decodenew([2*tmps-1]',RR,CC,block,Qc_H,sigma,iter,WB);
Rx_dat_ldpc = [Rx_dat_ldpc,abs(tmps_deldpc(1:Rate*Lens)-1)];
end
%计算误码率
Rx_dat_ldpcs = Rx_dat_ldpc';
bit_errors = length(find(Tx_dat(1:length(Rx_dat_ldpcs)) ~=Rx_dat_ldpcs))/length(Tx_dat);
bit_errors
Err = [Err,bit_errors];
clear bit_errors Rx_dat_ldpcs Rx_dat_ldpc tmps_deldpc tmps Rx_dat_ldpc Rx_dat Rx_dat2 y_Rx y_Tx_mod mods demods Tx_dat_ldpc tmps_ldpc Tx_dat_ldpc Tx_dat
end
figure;
semilogy(SNRs,Err,'b-o');
grid on
xlabel('SNR');
ylabel('Error');
save R.mat SNRs Err
3.仿真结果效果
A14-36