1. GRAND与GCD解码算法概述
在5G/6G超可靠低时延通信(URLLC)场景中,短码解码技术面临三大核心挑战:解码延迟需控制在0.1-1ms量级、误块率要求达到10^-5至10^-7、同时需要支持从Tbps级高速率到海量物联网节点的多样化需求。传统解码算法如Chase解码和有序统计解码(OSD)虽然成熟,但在通用性和复杂度方面存在明显局限。
GRAND(Guessing Random Additive Noise Decoding)和GCD(Guessing Codeword Decoding)作为新一代通用解码框架,通过创新的"猜测-验证"机制突破了这些限制。这两种算法的核心思想可以类比为"破译密码"的过程:GRAND相当于尝试各种可能的干扰模式来还原原始信息,而GCD则是直接猜测可能的有效密码组合。这种根本理念的差异导致它们在实现路径上各具特色:
-
GRAND工作流程:
- 对接收信号进行硬判决得到初始序列
- 按可靠性排序生成噪声模式候选
- 依次验证噪声模式是否满足校验方程
- 首个通过校验的结果即为解码输出
-
GCD工作流程:
- 将接收信号分为信息位和校验位
- 对信息位生成候选翻转模式
- 通过重新编码计算对应校验位
- 选择最可能有效的完整码字作为输出
关键提示:GRAND的独特优势在于完全不依赖特定码结构,而GCD则通过系统码的编码特性减少搜索空间。实际选择时需要权衡码率、延迟预算和硬件资源。
2. 算法实现细节与最大似然特性证明
2.1 GRAND的完整实现架构
GRAND算法的核心在于噪声模式的生成策略,目前主流有三种排序方法:
-
汉明权重排序:
- 按翻转比特总数升序生成模式
- 实现简单但未充分利用软信息
- 复杂度:O(n^2)查询次数
-
软权重排序:
- 按Σ|λ_i|e_i值升序生成(e_i为翻转指示)
- 理论最优但硬件实现复杂
- 需要构建翻转模式树(FPT)管理偏序关系
-
ORB(Ordered Reliability Bits)排序:
- 将LLR幅值映射为整数秩次 </


3656

被折叠的 条评论
为什么被折叠?



