简介面向无线通信与信道编码研究者的Turbo码EXIT迭代分析工具包围绕EXIT图与迭代译码展开提供从编码器搭建、软信息生成到互信息度量、迭代轨迹追踪的完整MATLAB仿真环境。压缩包共43个文件以15个m脚本和14个mat数据文件为主另含10篇相关经典PDF文献与4个fig性能图整体大小3.89MB。代码涵盖RSC编码、交织、BCJR/Log-MAP译码、LLR生成及EXIT曲线绘制等核心模块适用于理解Turbo码交织器设计、迭代译码原理以及不同信噪比和码率下的收敛行为。包内fig图展示了典型生成多项式下的性能结果PDF文献为理论推导提供支撑MAT文件保存了不同参数组合下的仿真数据便于对比分析。资源目前已有253人学习适合通信工程专业学生、科研人员以及希望借助仿真实验优化Turbo码设计的工程师使用。通过运行主程序并复现文献结果可快速掌握EXIT图在迭代处理中的应用方法。1. EXIT 图与 Turbo 迭代一个被 .rar 名字耽误的收敛性分析工具很多同学手里都有一份EXIT_TURBO.rar里面装的大半是画 EXIT 图的 MATLAB 脚本。这里的 EXIT 是 Extrinsic Information Transfer外部信息转移的缩写不是进程退出函数exit()也不是路由器固件里的什么 exit 选项——它是分析 Turbo 码迭代译码行为的一整套可视化方法。Turbo 码靠两个分量译码器互相交换软信息每轮迭代误码率都在掉但掉到第几轮就不动了、为什么会出现误码平台、该换哪种分量码这些问题用 BER 仿真只能试出来用 EXIT 图一眼就能看懂。这篇笔记把原理、手写脚本的步骤、参数设定和坑位一次讲完适合刚接触 Turbo 迭代译码、想把“能跑通”变成“能看懂收敛”的研究生和做信道编码的工程师。2. Turbo 迭代译码的软信息交换EXIT 图要分析的对象Turbo 码的本质是两个分量译码器通过交织器接成一个反馈环路。发端把信息序列送进两个并联的递归系统卷积码RSC编码器一个直接编码另一个交织后编码收端则在两个分量译码器之间来回传递软信息。这里的“软信息”指对数似然比LLR不是 0/1 硬判决。硬判决在交换时会丢掉译码器对每个比特的置信度迭代就没有增量可言只有 LLR 能保留完整的后验分布让下一轮译码器知道“上一轮已经确认了什么、还剩什么不确定”。EXIT 图的全部目的就是定量描述这种软信息在每一轮迭代中到底增加了多少。2.1 两个分量译码器交换的不是判决是软信息一轮迭代的动作是固定的分量译码器 1 读入两路输入——信道对系统位和校验位的观测 LLR以及来自分量译码器 2 的先验 LLR第一轮置零输出外部 LLR这个外部 LLR 经过交织器变成分量译码器 2 的先验输入分量译码器 2 用同样的流程输出自己的外部 LLR解交织后回给分量译码器 1如此往复。所谓“外部信息”在 Log-MAP 译码器里的定义是L_ext L_posterior − L_a − L_ch其中 L_posterior 是后验 LLRL_a 是来自另一个译码器的先验 LLRL_ch 是信道对系统位的观测 LLR。为什么要做这个减法因为后验里已经包含了上一轮传过来的信息和信道本身的观测直接把它传给下一个译码器等于让同一个猜测被反复强调信息被重复使用误码平台反而下不去。真正值得传递的只有减掉旧信息之后的那部分“新增信息”。交换方式每轮携带的信息迭代后的典型表现硬判决只有符号置信度信息清零两三轮后停滞误码平台很高软信息 LLR后验分布的全部信息十轮以上误码率仍在下降外部 LLR扣除先验与信道后的新信息迭代增益最干净收敛轨迹可预测从这张表能看出EXIT 图量测的对象必须是外部 LLR而不是后验 LLR。这是后面所有仿真代码里最容易出错、又最不容易被发现的一步后文会单独讲。2.2 迭代增益为什么会饱和从互信息角度看误码平台一个很自然的疑问是两个译码器来回传信息为什么不无限迭代下去答案是每轮新增的外部信息量在衰减。用互信息的语言说第一轮迭代把译码器对信息位的知识从 Ia≈0 推到 Ie≈0.60.8第二轮从 0.6 推到 0.9再往后每轮增量越来越小最后趋近某个上限。如果两条 EXIT 曲线在 Ie0.82 处相交迭代就卡在交点附近BER 曲线出现一段平坦的“误码平台”这是 Turbo 码工程化时最头疼的现象之一。EXIT 图的价值就在于它把这种“迭代到哪一步推不动了”的空间结构画出来。两条分量译码器的曲线之间如果有开口隧道迭代轨迹就能沿着阶梯一路爬到顶部如果两条曲线相交轨迹就停在交点对应的就是误码平台。你不用跑满 100 帧 BER 仿真光看曲线交不交就能判断这个码在某个信噪比下能不能收敛。2.3 为什么分量码必须用递归系统卷积码Turbo 码的分量码几乎总是选递归系统卷积码RSC而不是普通的前馈卷积码。原因可以直接从 EXIT 曲线看懂非递归卷积码的 EXIT 曲线在先验互信息很低时输出也很低曲线起点贴着横轴两条曲线之间几乎没有开口而 RSC 因为内部有反馈寄存器即便先验质量很差也能借助记忆结构输出相当的外部信息曲线起点明显抬高尾部也更陡。常用的 4 状态 RSC 生成多项式是八进制的 5/7即反馈多项式 1DD²、前向多项式 1D²。块长方面EXIT 仿真的帧长至少要 5000 比特起步短了先验 LLR 的高斯近似崩掉曲线毛刺会大到看不出交点。这两个约束在第三章会反复出现。3. EXIT 曲线的核心定义先验互信息 Ia、外部互信息 Ie 与 J 函数EXIT 曲线要回答的问题是给定一个质量为 Ia 的先验软信息分量译码器能输出质量为多少的外部软信息 Ie。这里的“质量”不是信噪比而是软信息与发送比特之间的互信息。定量手段是假设先验 LLR 服从对称高斯分布再用 J 函数在互信息和分布参数之间换算。这一章把这三个概念讲透因为后面所有代码都是在实现它们。3.1 用互信息给软信息“称重”Ia 和 Ie 的定义对任意一个软信息序列 L 和对应的发送比特 b∈{±1}软信息携带的信息量定义为互信息 I(b; L)。I0 表示软信息与发送比特无关I1 表示完全确定。EXIT 曲线就是把这个互信息画成一条转移曲线横轴是先验 LLR 的互信息 Ia I(b; L_a)纵轴是外部 LLR 的互信息 Ie I(b; L_e)。仿真的难点在于真实的先验 LLR 来自另一个译码器它的统计特性随迭代轮次不断变化没法直接采样。EXIT 方法做了一个工程上非常好用的替换——人工生成先验 LLR让它服从对称高斯分布并用 Ia 控制它的质量。对称高斯分布的含义是给定 b1 时 L_a 服从 N(μ, σ²)给定 b−1 时服从 N(−μ, σ²)且 μσ²/2。这个关系叫一致性条件它保证 LLR 的统计特性和真实译码器输出的软信息在分布形状上匹配。3.2 蒙特卡洛量测外部互信息一个公式和一种验证方法当外部 LLR 的分布满足对称性时互信息有一个非常简洁的蒙特卡洛估计式Ie ≈ 1 − (1/N) Σ log2(1 exp(−b_i · L_e,i))其中 b_i 是发送比特±1L_e,i 是第 i 个比特的外部 LLR。这个式子不需要先估计分布再积分O(N) 扫一遍就能算出 Ie是画 EXIT 曲线最常用的量测方法。但它对分布对称性的要求很高如果这个假设破裂估计值会系统性偏大或偏小。验证方法我一般用直方图交叉验证把 L_e 按照 b1 和 b−1 分成两组分别画条件直方图检查两条直方图是否关于原点镜像对称再用直方图的数值积分重算一遍互信息和上面的公式对比。两者差距超过 0.05 就说明分布假设有问题要么帧长不够要么交织器引入了相关性。3.3 J 函数在互信息 Ia 和高斯分布参数 σ 之间换算生成指定 Ia 的先验 LLR 需要知道对应的 σ这就是 J 函数的用武之地。J 函数定义为对称高斯分布下互信息与 σ 的关系I J(σ)。反过来给一个目标 Ia用逆 J 函数 J^{-1}(Ia) 就能得到 σ再按 μσ²/2 生成先验 LLR。J 函数本身没有闭式解工程上有两种做法一是用数值积分直接算二是用查表加插值。手写脚本时用二分法加数值积分最稳后面直接给出代码。两条 EXIT 曲线画在一张图里时第二个分量译码器的曲线要把坐标轴对调以 Ie2 为横轴、Ia2 为纵轴绘制。因为第二个译码器的输入是第一个译码器的输出画在同一个坐标平面里正好构成迭代轨迹的“左右墙”。轨迹从 (0, Ie1(0)) 出发水平移到第二译码器的曲线再垂直移到第一译码器的曲线每走一个台阶相当于一轮迭代。台阶能爬到 Ie≈1译码收敛台阶在中途撞上两线交点就对应误码平台。两条曲线之间的最小竖直间隙俗称“隧道宽度”是判断收敛门限的直接指标。4. 手写一份 EXIT_TURBO 脚本J 函数、先验 LLR 与 Log-MAP 三块积木有了前面的理论画 EXIT 图只剩三块积木J 函数及其逆、人工先验 LLR 生成器、能输出外部 LLR 的 Log-MAP 译码器。下面的代码用 Python 实现一个最小可用框架帧长 4000 起步分量码用 RSC(1, 5/7)。教学版故意把 4 状态转移展开写方便对照教材公式。4.1 J 函数和它的逆控制先验互信息 Iaimport numpy as np from scipy.integrate import quad from scipy.special import logsumexp def j_func(sigma): # J(sigma) I(b; L)L 服从对称高斯分布mu sigma^2 / 2 if sigma 1e-6: return 0.0 mu 0.5 * sigma * sigma # 用蒙特卡洛积分的期望形式I 1 - E[log2(1 exp(-b*L))]取 b1 f lambda x: np.log2(1.0 np.exp(-x)) * np.exp(-(x - mu)**2 / (2.0 * sigma * sigma)) val, _ quad(f, -60.0, 60.0, limit200) return 1.0 - val / (np.sqrt(2.0 * np.pi) * sigma) def inv_j_func(ia): # 二分搜索求 sigma J^{-1}(ia)ia 在 (0, 1) 区间 lo, hi 1e-4, 40.0 for _ in range(80): mid 0.5 * (lo hi) if j_func(mid) ia: lo mid else: hi mid return 0.5 * (lo hi)逻辑说明j_func计算的是一致性条件下的互信息积分范围取 ±60 倍标准差quad自适应积分足够精确。inv_j_func利用 J 函数单调递增的性质做二分80 次迭代后 σ 的误差在 1e-4 量级完全够用。这里有个易错点σ 不是信噪比它只是先验 LLR 条件分布的标准差σ 越大 Ie 越接近 1但 σ0 时 J(σ)0σ→∞ 时 J(σ)→1。拿到代码后先打印j_func([0.2, 0.5, 1.0, 2.0, 4.0])验证曲线形状再继续往下写。4.2 人工先验 LLR 与 4 状态 RSC 编码器def gen_prior_llr(bits, ia): # 按目标互信息 ia 生成先验 LLRbits 是 ±1 序列 sigma inv_j_func(ia) mu sigma * sigma / 2.0 return mu * bits sigma * np.random.randn(len(bits)) def rsc_encode_57(bits): # 4 状态 RSC(1, 5/7)八进制 5/7LLR 约定 log(P(0)/P(1)) # 状态 s d1*2 d0d1 是高位寄存器 n len(bits) par np.zeros(n) d1 d0 0 for k in range(n): u 1 if bits[k] 0 else 0 fb u ^ d1 ^ d0 # 反馈多项式 1 D D^2 p fb ^ d0 # 前向多项式 1 D^2 par[k] 1.0 if p 0 else -1.0 d1, d0 fb, d1 # 移位 return bits.copy(), par逻辑说明gen_prior_llr先把目标 Ia 换算成 σ再用一致性条件 μσ²/2 构造均值最后叠加高斯噪声。这个 μ 和 σ 的关系不能随意改改成 μσ 会破坏一致性条件导致 EXIT 曲线和真实迭代轨迹对不上。编码器的反馈和前向多项式由八进制 5/7 展开得到反馈位 fb 进入移位寄存器校验位取 fb 与最右寄存器 d0 的异或。注意这里的 bits 以 ±1 表示LLR 正方向约定为比特 0。4.3 Log-MAP 取出外部 LLR蒙特卡洛量测 Iedef logmap_s4(sys_llr, par_llr, la): # 4 状态 Log-MAPRSC(1, 5/7)返回外部 LLR 后验 - 先验 - 系统信道 LLR n len(sys_llr) alpha np.full((n 1, 4), -np.inf); alpha[0, 0] 0.0 beta np.full((n 1, 4), -np.inf); beta[n, 0] 0.0 gamma np.zeros((n, 2, 4)) for k in range(n): hs 0.5 * (la[k] sys_llr[k]) for s in range(4): d1 s 1; d0 s 1 for u in (0, 1): fb u ^ d1 ^ d0 p 1.0 if (fb ^ d0) 0 else -1.0 # u0 对应发送 1分支度量取 hsu1 取 -hs gamma[k, u, s] (hs if u 0 else -hs) 0.5 * p * par_llr[k] for k in range(n): for ns in range(4): vals [] for s in range(4): d1 s 1; d0 s 1 for u in (0, 1): fb u ^ d1 ^ d0 if ((fb 1) | d1) ns: vals.append(alpha[k, s] gamma[k, u, s]) alpha[k 1, ns] logsumexp(np.array(vals)) for k in range(n - 1, -1, -1): for s in range(4): d1 s 1; d0 s 1 vals [] for u in (0, 1): fb u ^ d1 ^ d0 ns (fb 1) | d1 if beta[k 1, ns] -np.inf: vals.append(gamma[k, u, s] beta[k 1, ns]) beta[k, s] logsumexp(np.array(vals)) Lp np.zeros(n) for k in range(n): num, den [], [] for s in range(4): d1 s 1; d0 s 1 for u in (0, 1): fb u ^ d1 ^ d0 ns (fb 1) | d1 v alpha[k, s] gamma[k, u, s] beta[k 1, ns] (num if u 0 else den).append(v) Lp[k] logsumexp(np.array(num)) - logsumexp(np.array(den)) return Lp - la - sys_llr逻辑说明这是最核心的一段。gamma[k, u, s]表示从状态 s 出发、输入比特 u 的分支度量其中hs 0.5*(la sys_llr)只在 u0 时取正号这是由 LLRlog(P(0)/P(1)) 的约定决定的。符号一旦取反外部 LLR 会变成负相关画出来的 Ie 几乎为 0。前向和后向递推用logsumexp实现避免了数值溢出。最后一行Lp - la - sys_llr就是外部 LLR 的标准提取式后验减去先验、减去系统位信道 LLR。这个教学版用 Python 直接跑会偏慢帧长 4000、9 个 Ia 点、每点 16 帧大概要等几分钟。工程上我会把状态转移表预计算成两个数组前向和后向用 numpy 向量化或者直接换成 Max-Log-MAP 提速——但注意那会带来近似损失避坑章节再讲。4.4 扫 Ia 画两条 EXIT 曲线和迭代轨迹def measure_I(bits, Le): # 外部 LLR 的互信息量测要求分布满足对称性 return 1.0 - np.mean(np.log2(1.0 np.exp(-bits * Le))) def scan_exit(sigma_n, n4000, frames16, ia_gridNone): # sigma_n 是 AWGN 噪声标准差BPSK 单位能量 ia_grid ia_grid if ia_grid is not None else np.linspace(0.0, 0.95, 9) rng np.random.RandomState(7) inter rng.permutation(n) # 固定交织器保证两曲线可比 c1, c2 [], [] for ia in ia_grid: E1 E2 0.0 for _ in range(frames): bits np.random.choice([1.0, -1.0], sizen) bits_i bits[inter] _, par1 rsc_encode_57(bits) _, par2 rsc_encode_57(bits_i) ys bits sigma_n * np.random.randn(n) yp1 par1 sigma_n * np.random.randn(n) yp2 par2 sigma_n * np.random.randn(n) lsys 2.0 * ys / (sigma_n ** 2) lpar1 2.0 * yp1 / (sigma_n ** 2) lpar2 2.0 * yp2 / (sigma_n ** 2) la1 gen_prior_llr(bits, ia) Le1 logmap_s4(lsys, lpar1, la1) E1 measure_I(bits, Le1) la2 gen_prior_llr(bits_i, ia) Le2 logmap_s4(lsys[inter], lpar2, la2) E2 measure_I(bits_i, Le2) c1.append(E1 / frames) c2.append(E2 / frames) return ia_grid, np.array(c1), np.array(c2)逻辑说明每一帧都重新抽信息比特、编码、过 AWGN 信道然后把译码器 1 和译码器 2 的 EXIT 点分别测出来。交织器固定一次避免因交织器不同导致两条曲线没有可比性。信道 LLR 按 BPSK 公式 2y/σ_n² 计算如果换成 QPSK 或更高阶调制要相应地改 LLR 映射。参数上sigma_n越小曲线越高两条曲线的交点位置也随之移动这是后面找收敛门限的旋钮。参数建议取值作用n400010000帧长决定高斯近似和曲线平滑度短于 2000 会出毛刺frames1650每个 Ia 点的平均帧数越大曲线越稳定sigma_n0.50.9信道噪声标准差直接控制曲线高低和交点位置ia_grid00.95步长 0.1扫描分辨率找交点时加密到 0.02迭代轨迹可以在拿到两条曲线后单独画不需要重新跑译码def trace_iteration(ia_grid, c1, c2, max_iter15): pts [] ia1 0.0 for _ in range(max_iter): ie1 np.interp(ia1, ia_grid, c1) pts.append((ie1, ia1)) # 垂直段起点 ia2 ie1 ie2 np.interp(ia2, ia_grid, c2) pts.append((ia1, ia2)) # 水平段在反转坐标系里 ia1 ie2 pts.append((ia1, ia1)) if ia1 0.999: break return pts轨迹的画法是先从第二译码器的曲线水平读出输出再垂直映射回第一译码器的曲线每一次“水平垂直”对应一轮 turbo 迭代。如果轨迹在某个中间值绕圈说明两条曲线在那里相交这就是误码平台的位置。np.interp只在ia_grid范围内可靠扫描上限设 0.95 就够了逼近 1.0 的区域数值上不稳定。5. EXIT 图的常见翻车现场外部信息算错、分布假设破裂与轨迹失真EXIT 图画不出来、画出来不对九成问题不在绘图代码而在上游的仿真设置。这里列出我踩过和帮别人排查过的五个高频坑每一条都按现象、原因、解决写清楚。5.1 把后验 LLR 当成外部 LLR曲线虚高现象EXIT 曲线开口特别大预测“这个码在很低信噪比下就能收敛”但实际 BER 仿真在同样的信噪比下出现明显平台理论和实测对不上。原因代码里直接把译码器输出的后验 LLR 交给下一个分量译码器没有做Lp - la - sys_llr的减法。后验里含着本轮先验和信道信息信息被重复统计Ie 自然虚高隧道看起来永远敞开。解决严格按外部 LLR 的定义提取并用一个自检判断——给定相同的先验质量Ie 应该比后验的互信息低一截如果两者几乎相等说明减法没做。5.2 先验 LLR 生成时破坏了一致性条件现象EXIT 曲线和真实迭代轨迹对不上——轨迹在某几轮跳跃明显偏离曲线或者轨迹卡住的位置和曲线交点不一致。原因生成先验 LLR 时图省事直接用sigma * randn生成零均值噪声或者均值取了sigma而不是sigma^2/2。破坏一致性条件后人工先验的统计特性和真实译码器输出的软信息不一样EXIT 曲线测的就不是实际系统要经历的路径。解决严格使用 μσ²/2并像 3.2 节那样做直方图对称性验证。这个坑特别隐蔽因为零均值高斯先验画出来的曲线也有模有样只有和轨迹对比才会露馅。5.3 帧长太短或平均帧数不够曲线毛刺大到无法判断交点现象同一组参数多跑几次曲线来回抖动两条曲线的交点在 0.10.2 的范围内漂移。原因块长只有几百比特时LLR 分布不满足高斯近似每点只跑几帧时蒙特卡洛估计量的方差太大。解决帧长提到 5000 以上、每点 16 帧以上。判断曲线是否够稳可以把同一个ia点的Ie重复测三次看标准差是否小于 0.01。教学脚本用 4000 帧长加 16 帧平均能看趋势发论文或做工程判断建议 10000 帧长加 50 帧平均。5.4 Max-Log-MAP 近似让 EXIT 曲线整体偏低现象用 Max-Log-MAP 实现的译码器画出的 EXIT 曲线比 Log-MAP 曲线矮一截收敛门限预测值比实际仿真差 0.30.5 dB。原因Max-Log-MAP 用 max 代替 logsumexp丢失了校正项输出 LLR 偏小外部互信息被系统性低估。解决做门限预测时用 Log-MAP如果工程实现就是 Max-Log-MAPEXIT 仿真也要用同样的算法保持仿真与实现的自洽。最忌讳的是用 Log-MAP 画曲线、用 Max-Log-MAP 做产品最后留的余量完全靠猜。5.5 交织器长度不足或随机性差轨迹在曲线下方打转现象两条 EXIT 曲线明明有开口迭代轨迹却走不上去或者轨迹比曲线预测的收敛速度慢很多。原因交织器太短几百比特时两个分量译码器的外部信息没有完全去相关违反了 EXIT 图的独立假设某些劣质交织器还会引入结构化相关性让轨迹偏离理想曲线。解决用随机交织器或 S-random 交织器块长不低于 2000更严格的做法是把交织器固定下来在同一个交织器上同时跑 EXIT 和 BER 验证看轨迹是否贴着曲线走。6. 拿 EXIT 图当设计工具收敛门限搜索与分量码参数验证EXIT 图不只是用来“看看收敛”工程上最实用的动作是用它来找收敛门限、对比分量码多项式。找门限的做法是固定帧长和交织器逐个 Eb/N0 扫描对每个点算出两条 EXIT 曲线求两线之间的最小竖直间隙隧道宽度间隙刚好大于零的那个 Eb/N0 就是 EXIT 预测的收敛门限。这个过程可以完全数值化不用人眼盯着图猜交点。def tunnel_width(ia_grid, c1, c2): # 两条曲线在反转坐标系里的最小竖直间隙 width np.inf for i, x in enumerate(ia_grid): y1 np.interp(x, ia_grid, c1) # 第一译码器曲线 y2 np.interp(y1, ia_grid, c2) # 第二译码器在 Ia2y1 时的输出 width min(width, y1 - np.interp(y1, np.flip(ia_grid), np.flip(c2))) return width实际的隧道宽度算法可以更精细在两条曲线之间做逐点插值后取全程最小间隙间隙大于 0 则“有隧道”间隙小于 0 则在对应位置相交。有了这个数值换分量码生成多项式就变得很快把 RSC(1, 5/7) 换成 (1, 7/5)、甚至 8 状态的 (1, 13/15)重新跑一遍扫描对比三个指标——曲线起点高度、隧道宽度、以及高 Ia 区域的尾部走向。选多项式的经验法则是曲线起点越高低信噪比下第一轮迭代的增益越大尾部越陡高互信息区域收敛越快中间腰部越宽越不容易在中途被交点卡住。这三个指标往往互相牵制没有一条曲线在所有指标上都最好所以最终要用 BER 仿真验证在 EXIT 预测的门限附近跑瀑布曲线如果实际误码率开始断崖式下降的 Eb/N0 与预测偏差在 0.20.3 dB 以内说明 EXIT 模型和实现是自洽的偏差过大回头检查 5.1 和 5.2 两个坑。我做这类分析时吃过一次亏第一次画曲线把后验 LLR 当外部信息预测某个迭代译码方案在 0.4 dB 就能收敛BER 仿真却卡在 0.9 dB 的平台下不去。后来把外部信息提取修正、重新画图两条曲线的交点位置正好落在 0.85 dB和仿真完全吻合。那次之后我养成了一个习惯拿到任何 EXIT_TURBO 脚本先检查返回的到底是后验还是外部 LLR再谈曲线形状和门限。这个检查几分钟就能完成能省掉后面一整天的排错——希望帮到你。本文还有配套的精品资源点击获取
