简介这是一份基于MATLAB实现的编码识别与仿真代码包面向通信、信号处理及数据存储领域的学习者和研究人员重点覆盖卷积码、RS码、LDPC码和Turbo码的生成、识别与译码流程。包内共47个文件以33个m脚本为主配合8个mat数据文件、5个dll动态库及1个mexw64编译组件可分别用于算法演示、数据加载和高速运算加速整体大小约11.81MB结构紧凑便于按模块调用。已有385人学习下载。代码中既包含RS秩识别、码类决策树等判断逻辑也提供汉明码、卷积码、Turbo码等编码实现适合算法对比、课程实验或项目原型验证mat数据文件还能直接用于仿真验证降低复现门槛。通过运行这些脚本可以直观理解不同编码方式的识别特征与性能差异应用于卫星通信、无线通信、硬盘存储等场景的仿真分析是一份兼顾理论学习和工程实践的MATLAB编码识别资源。1. 编码识别到底在识别什么先给结论做编码识别不要一上来就上最大似然译码。你手里只有一段解调硬判决或软判决LLR没有协议栈不知道码长、码率、交织器甚至不知道数据帧的对齐位置。编码识别要回答三个问题这是什么类型的纠错码参数是什么置信度有多高RS、Turbo、LDPC虽然纠错能力侧重点不同但它们的代数结构差异足够明显RS码是伽罗华域上的非二进制校验LDPC码是GF(2)上的稀疏奇偶校验Turbo码内部是递归卷积码和交织器留下的软信息特征完全不同。下面用MATLAB把这三类识别拆成可复现的步骤所有代码都以20180111作为随机种子方便复现同一组数据。适合频谱监测、协议逆向和智能雷达成像等非合作信息处理的工程师参考。2. 粗分类矩阵秩、软信息分布和码率扫描2.1 为什么先做粗分类三种编码在硬判决比特上的线性代数特征差别很大。RS码在二进制层面看码元跨越多个比特很难直接找到GF(2)上的校验关系LDPC码本身就是GF(2)上的线性分组码任意码字满足一堆稀疏校验方程Turbo码因为交织器引入了长程置换短窗口内的比特关系被随机化二进制秩法往往找不到稳定秩亏。这意味着先用一个低复杂度特征把“有没有GF(2)校验关系”判断出来可以快速排除一半候选。另外软信息也很关键。LDPC的LLR在AWGN信道下与校验关系相关会呈现出比较对称的双峰Turbo码经过迭代译码后外信息的分布会明显偏斜。这些特征可以汇总成一张粗分类表。特征RS码LDPC码Turbo码二进制秩法秩亏不明显明显不明显交织器打散GF(2^m)秩法秩亏明显无无硬判决0/1比例可能偏移接近1/2接近1/2LLR偏度绝对值小小较大帧尾冲零比例很低很低较高存在尾比特粗分类的核心不是追求100%准确而是先用两三个计算量小的指标缩小范围。比如用二进制秩法扫描时如果连续几个候选码长都出现低秩比优先考虑LDPC如果二进制秩法找不到秩亏但GF(2^m)上能找到就进入RS识别流程如果两者都没有明显秩亏同时帧尾冲零比例高则把Turbo纳入候选。2.2 用矩阵秩法估计分组码码长的MATLAB实现矩阵秩法的基本原理是将比特流切成长度为n的块如果n是真实码长则每个块是码字或码字的一部分所有块在GF(2)上张成的空间维数会明显小于块数。扫描不同n记录秩与行数的比值最小值对应的n就是码长估计。MATLAB实现如下function [n_est, rank_ratio] estimate_block_length(bits, n_min, n_max) % estimate_block_length - 用GF(2)矩阵秩扫描估计线性分组码码长 % bits : 硬判决后的0/1列向量 % n_min,n_max : 候选码长范围 best_ratio 1; n_est n_min; for n n_min:n_max total_len floor(length(bits) / n) * n; if total_len 0 continue; end M reshape(bits(1:total_len), [], n); rows size(M, 1); if rows 4 continue; end % 使用通信工具箱的gf对象在GF(2)上做秩计算 r rank(gf(M, 1)); ratio r / rows; if ratio best_ratio best_ratio ratio; n_est n; end end rank_ratio best_ratio; end这段代码里的关键参数是n_min和n_max。通常不知道码长量级可以先做跨度较大的扫描比如50到512步长1锁定一个低比值区域后再到该区域前后精扫。rank(gf(M,1))返回的是GF(2)中行空间的秩它比直接用MATLAB内置rank可靠因为内置rank会把0/1矩阵当作实数域矩阵线性相关性判断完全不同。注意当n是真实码长的整数倍时也可能出现秩亏。例如真实码长n0切成2n0的块时每行是两个码字的拼接行空间维数也可能是2k比值同样低。因此识别时要在找到候选n后检查n/2是否也存在秩亏如果存在优先选更短的候选。这是分组码识别中最容易被忽略的一个点。2.3 LLR统计特征区分迭代译码的粗筛如果系统能拿到软信息LLR的一阶和二阶形状特征对Turbo识别很有用。Turbo编码后经过多次迭代译码输出LLR在正负两侧不再对称LDPC在没有迭代统计前LLR通常更接近对称分布。用直方统计可以快速计算偏度和峰度。function feat llr_shape_feature(llr, bin_edges) % llr_shape_feature - 计算LLR分布形状特征 % llr : 软判决对数似然比向量 % bin_edges : 直方图边界如 -3:0.2:3 h histcounts(llr, bin_edges, Normalization, pdf); centers (bin_edges(1:end-1) bin_edges(2:end)) / 2; mu sum(centers .* h); sigma2 sum((centers - mu).^2 .* h); skew sum(((centers - mu).^3) .* h) / sigma2^1.5; kurt sum(((centers - mu).^4) .* h) / sigma2^2; feat [skew, kurt]; end偏度是feat(1)峰度是feat(2)。Turbo码的偏度绝对值一般会大于LDPC但这不是绝对判据因为信噪比过低时两种码都会接近高斯分布。更稳的做法是把该特征与2.2节的秩法结合先根据秩法判断是否是线性分组码如果是就进入LDPC校验矩阵解析如果不是再结合偏度决定是否走Turbo识别流程。3. RS码识别从码长、符号宽度到生成多项式3.1 确定符号宽度m和码长nRS码是定义在GF(2^m)上的非二进制BCH码典型码长n2^m-1。因此RS识别有一个独有的步骤先把二进制比特流按候选m比特一组映射为符号再在GF(2^m)上做矩阵秩扫描。问题是如果m取错后续所有GF(2^m)运算都发生在错误的域上不会得到稳定的低秩。所以m和本原多项式都要尝试。在MATLAB中可以用通信工具箱的gf对象创建伽罗华域。下面函数对候选m和n扫描返回秩比最小的组合function [m_est, n_est, rank_ratio] rs_block_scan(bits, m_set, n_set) % rs_block_scan - 在GF(2^m)上扫描RS码的符号宽度和码长 % bits : 硬判决0/1比特流 % m_set : 候选符号宽度通常[6 7 8] % n_set : 候选码长例如整段扫描时用240:255 best_ratio 1; m_est m_set(1); n_est n_set(1); for m m_set sym_len floor(length(bits) / m) * m; bit_mat reshape(bits(1:sym_len), m, []); % 按高位在前映射为GF(2^m)整数注意与生成多项式定义一致 syms bi2de(bit_mat, left-msb); for n n_set rows floor(length(syms) / n); if rows 3 continue; end M reshape(syms(1:rows*n), rows, n); G gf(M, m); r rank(G); ratio r / rows; if ratio best_ratio best_ratio ratio; m_est m; n_est n; end end end rank_ratio best_ratio; end这里有个重要参数bi2de(bit_mat, left-msb)。RS生成多项式里的α幂次通常把最高位放在左侧但如果你手头的数据来自其他定义也可能用right-msb。识别时可以把两种映射都试一次因为秩法只关心是否存在线性关系映射方向不对会导致所有码字向量都不是码字显然不会出现稳定秩亏。另一个参数是rows至少要有3个码字才能体现出秩亏但推荐不少于n-k1行行数太少时即使n正确也可能因为行随机组合导致秩等于行数漏检。3.2 识别生成多项式的根集合找到m和n后我们有了对齐的GF(2^m)码字矩阵。下一步是识别生成多项式。RS生成多项式g(x)是一组连续幂次α^b,...,α^{bd-2}为根的因式乘积。对每个候选根α^j把所有码字多项式在该点求值如果值全部为0则α^j是根。求值用霍纳法function roots find_rs_roots(code_matrix, m, prim_poly) % find_rs_roots - 查找RS码生成多项式的根 % code_matrix : rows x n 的GF(2^m)码字矩阵 % m : 符号位宽 % prim_poly : 本原多项式十进制表示例如gfprimdf(8) [rows, n] size(code_matrix); roots []; for j 0:2^m-2 a gf(2, m, prim_poly)^j; % α^j is_root true; for r 1:rows val gf(0, m); % 霍纳法计算多项式值 for i n:-1:1 val val * a code_matrix(r, i); end if val.x ~ 0 is_root false; break; end end if is_root roots(end1) j; %#okAGROW end end end这段代码的核心是内层霍纳循环。code_matrix(r,i)是第r个码字的第i个符号作为多项式系数c_{i-1}。需要注意RS码符号的最高幂次与队列顺序要一致如果前面的bi2de用了left-msb这里就保持同样的约定。val.x拿到GF元素的整数值如果它不是0说明该候选根不满足所有码字求值为0不是生成多项式的根。得到roots序列后连续的一段就是生成多项式的根区间。例如roots [0 1 2 ... 31]则g(x)∏_{j0}^{31}(x-α^j)对应的RS(255,223)码。如果roots只有部分连续说明可能出现了缩短码或删余。此时可以再缩小候选n通常缩短码的根集合仍然是连续段但码长n小于2^m-1。3.3 RS识别中的两个常见坑第一个坑是本原多项式不一致。GF(2^m)有多种本原多项式通信工具箱默认使用本原多项式列表中的第一个如果实际信号用了另一个本原多项式你在默认域上做的所有求值结果都是错的。解决方法是把常用本原多项式都扫描一遍例如对m8候选prim_poly[285, 301, 333, 351,...]分别执行rs_block_scan和find_rs_roots取秩比最低且根集合连续的那组。第二个坑是帧头未对齐。RS识别前的帧同步没有做码长扫描会失效。常见做法是在0到n-1的偏移范围内循环调用rs_block_scan记录每个偏移下的最小秩比真正的码字起点对应的偏移会显著低于其他偏移。这个逻辑也适用于第2章的LDPC码长估计具体验证流程放在第5章。4. Turbo与LDPC识别软信息熵和稀疏校验矩阵重建4.1 Turbo码的帧尾冲零特征Turbo码由两个递归系统卷积码RSC构成每个分量编码器在完成一帧编码后会从最后状态回到全0状态因此帧尾会出现一段连续0。这个特性在未交织支路中尤其明显可以作为Turbo码粗识别的依据。给定硬判决比特流对候选帧长L扫描统计每帧末尾连续0的比例function [L_est, zero_profile] detect_turbo_zero(bits, L_set, tail_len) % detect_turbo_zero - 基于帧尾冲零比例估计Turbo帧长 % bits : 0/1硬判决比特流 % L_set : 候选帧长集合 % tail_len : 考察的末尾比特数通常设为4~8 score zeros(size(L_set)); for idx 1:length(L_set) L L_set(idx); rows floor(length(bits) / L); if rows 2 continue; end frames reshape(bits(1:rows*L), rows, L); tail frames(:, end-tail_len1:end); score(idx) mean(tail(:) 0); end [~, best_idx] max(score); L_est L_set(best_idx); zero_profile score; end这个方法对含有帧同步前导、删除或交错的数据不理想但作为候选筛序足够。Turbo码还有另一个特征它的有效码率与交织器长度有关但盲交织器重建复杂度很高超出常见工程预算。若用软信息可以用一个更简单的统计量计算局部LLR窗内符号的平均绝对值Turbo在分量码RSC的尾比特位置因为状态强制归零LLR绝对值会比数据位大很多这比硬判决冲零更抗噪。4.2 LDPC码稀疏校验矩阵的提取LDPC码是一种GF(2)上的线性分组码区别在于校验矩阵H非常稀疏。识别到码长n后收集足够多码字构成一个行数为R的码字矩阵M。如果R大于码字空间维度k那么M在GF(2)上的零空间就是校验空间。用MATLAB的gf对象可以直接取零空间。function [H, sparse_ratio] extract_ldpc_parity(M) % extract_ldpc_parity - 从码字矩阵中提取稀疏校验矩阵 % M : rows x n 的0/1码字矩阵至少需要 rows n - k G gf(M, 1); H_null full(null(G)); % 每列是一个校验向量 H H_null; % 转换成校验矩阵行形式 sparse_ratio mean(sum(H, 2) 5); % 行重5的比例 end这里null(G)返回零空间的一组基例如对码率1/2、码长100的LDPC码零空间维数是50H的大小是50×100。稀疏性通过sparse_ratio衡量设计良好的LDPC码这个比例通常接近1如果是随机线性分组码校验矩阵行重会集中在50左右sparse_ratio接近0。注意提取出的H可能只是原校验矩阵的线性组合不一定与编码端完全一致但行重分布和Tanner图结构等价不影响识别结论。4.3 用LLR自相关区分Turbo与LDPC当硬判决秩法和冲零比例同时不理想时软信息的自相关函数可以补一刀。LDPC码的每个码字都满足若干个稀疏校验方程因此LLR序列中相距校验方程位置的点会出现相关峰Turbo码因交织器不同相关峰不明显但在帧长位置会有一个由于交织器长度带来的周期性波动。实现很简单function peak_val llr_framing_corr(llr, frame_len) % llr_framing_corr - 软信息自相关在帧长处的值 % llr : 对数似然比向量 % frame_len : 候选帧长 l llr - mean(llr); ac xcorr(l, frame_len, normalized); peak_val ac(frame_len 1); % xcorr中心偏移为0所以帧长处索引是n1 end如果峰值明显高于相邻时延的均值说明候选帧长有实际意义。这个特征可以与detect_turbo_zero的估计结果取交集两个方法都支持的帧长就是Turbo识别的最优候选。5. 让识别结果可信置信度、帧同步和蒙特卡洛验证5.1 帧同步扫描与置信度差距所有秩法和冲零检测都强依赖于帧同步。建议把第2、3、4章的核心函数包在一个统一的“多偏移扫描”外壳里遍历0到n_max-1每次把比特流右移一位计算最小秩比得到一条秩比曲线。真正的起点处会出现一个明显的低谷。用低谷深度与第二低谷的比值作为置信度比值越大越可信。这个步骤不能省否则可能把一个稍短的子块误认为码长。5.2 用20180111做随机种子复现实验MATLAB里用rng(20180111)可以固定随机数生成器让每次蒙特卡洛实验的码字、噪声都一致。下面是一个300次重复的验证骨架每次随机选一种编码类型做编码、加噪、识别并统计正确率rng(20180111); num_trials 300; results zeros(num_trials, 2); % 第一列真值类型第二列估计类型 for trial 1:num_trials % 随机选择RS / Turbo / LDPC之一 type_true randi(3); % 根据类型生成码字RS(255,223)、LDPC(576,288)、Turbo(长度512) % ... 这里放具体编码和加噪逻辑 ... % 调用粗分类和参数识别函数 % 得到估计类型 type_est results(trial, 1) type_true; results(trial, 2) type_est; end confusion_matrix zeros(3,3); for i 1:num_trials confusion_matrix(results(i,1), results(i,2)) ... confusion_matrix(results(i,1), results(i,2)) 1; end这里的空洞需要自己补上编码生成和加噪。把随机种子固定在20180111一方面能复现另一方面也方便调试识别程序时对比不同参数下的输出。如果识别结果置信度不高可以输出中间变量rank_ratio、零空间行重等。5.3 参数选择速查编码类型第一优先特征关键参数常见误判RSGF(2^m)秩亏m、本原多项式本原多项式不匹配LDPC二进制秩亏行重码长n、行重阈值把随机码误识别为高行重分组码Turbo帧尾冲零软信息偏度帧长L、tail_len删余不均匀时冲零比例下降实际调试时把5.2节的蒙特卡洛结果按信噪比分段统计观察在哪一段开始产生混淆。若RS和LDPC混淆通常是m8的二进制映射恰好与LDPC校验矩阵兼容可以改用3.2节的根集合验证来淘汰LDPC。若Turbo漏检优先调整tail_len到8以上并配合软信息自相关峰做二次确认0.3这个冲零比例阈值可视实际信号动态调整。本文还有配套的精品资源点击获取