简介：一份围绕非二进制低密度奇偶校验码（LDPC）的MATLAB分析资源，核心聚焦外信息传递（EXIT）图的计算与迭代解码性能评估，适合通信工程、编码理论方向的研究生、科研人员，以及具备一定纠错编码基础的工程师使用。压缩包共包含34个文件，主体是30个m格式的脚本文件，覆盖非二进制互信息函数的计算、有限域GF(q)上的加法与乘法运算、稀疏校验矩阵的构造、消息传递与近似迭代解码算法、对数似然比计算、J函数以及校验节点和变量节点的经验曲线拟合，并实现了EXIT图绘制和完整的性能仿真流程；另有2个mat格式的数据文件，用于保存J函数与校验节点/变量节点曲线所需的系数数据；2个txt格式的文档则提供使用说明和参考信息，整体大小仅有362KB。目前已有227人学习或下载，代码模块划分清晰、注释完整，可直接运行或修改参数。结合具体信道条件，可复现非二进制LDPC码的外信息传递特性分析，直观理解译码过程中信息交互的规律，并为后续编码设计、参数优化和系统级仿真提供可扩展的MATLAB实现基础。
1. 非二进制LDPC的EXIT分析难在哪：一套MATLAB代码包能替你省掉的事
做非二进制LDPC的人大概都经历过这个时刻：二进制EXIT图查个J函数闭式就画出来了，换到GF(q)域却发现互信息是向量，校验节点是多元运算，连“信息量是多少”都没法用那个熟知的J函数直接算。这时候就需要一套能把非二进制EXIT完整跑通的代码包，而不只是零散的几个函数。这套nonbinary_EXIT资源正是干这件事的：它把GF(q)域上的加乘卷积、J函数的多项式拟合、变量节点和校验节点的经验互信息计算、以及最后的EXIT曲线交点定位，全部串成一条可复现的链路，适合正在做非二进制LDPC度数分布设计、或者需要预判某个码字在具体信噪比下能不能收敛的从业者。下面从原理、文件结构、复现步骤到踩坑记录逐一拆开讲。
2. 从二进制EXIT到nonbinary_EXIT：J函数、GF(q)运算与文件包分模块拆解
2.1 EXIT图为什么在非二进制域会“失真”：互信息的向量化与J函数闭式失效
二进制LDPC的EXIT分析之所以好用，是因为变量节点和校验节点的信息交换可以被两个标量互信息曲线刻画，且信道输出到互信息之间有近似的闭式J函数，比如BIAWGN信道下常用的J(σ)经验式。到了非二进制域，符号取自GF(2^m)，一个符号包含m个比特，译码器的消息不再是单个LLR标量，而是长度为q=2^m的LLR向量。于是“互信息”必须定义成“发送符号X与LLR向量L之间的互信息”，它依赖的不只是信噪比，还有符号星座映射和先验分布。直接套二进制的J函数闭式，画出来的曲线会整体偏离蒙特卡洛结果，在高信噪比区域尤其明显。这也是为什么这个代码包里大量使用J_Empirical.m、Calc_VND_Empirical.m这类经验估计函数：用样本统计去逼近真实互信息，而不是用近似公式。
理解这一点很关键，因为它决定了整个资源包的设计逻辑。你可以把非二进制EXIT分析拆成三个子问题：
- 给定校验节点输出消息的分布，变量节点输出端的互信息I_V是多少；
- 给定变量节点输出消息的分布，校验节点输出端的互信息I_C是多少；
- 找I_V与I_C两条曲线在给定信噪比下是否相交，以及交点位置。
第一和第二个子问题没有闭式解，只能靠蒙特卡洛统计。而第三个子问题在这个包里由Myfzero.m完成。所以你拿到的不是“一个画图的脚本”，而是一整条“非二进制互信息量化”的工具链。这套思路在学术论文里通常是几个月的实验量，压缩包里把这部分做成了可复现的模块，这是它最值得先理解的地方。
2.2 28个文件的模块地图：GFq工具、J函数多项式、VND/CND经验计算各管哪一段
解开压缩包后你会看到二十多个.m文件和两个.mat文件。第一次打开很容易懵，因为文件名里既有J_Pols又有CND_and_JR_Pols，还有Empirical和Approximation两套命名。我的建议是不要按字母序读，而是按功能分四组来理解。
| 功能分组 | 代表文件 | 作用 |
|---|---|---|
| GF(q)域运算 | GFqAdd.m、GFqMul.m、GFqConv.m | 定义伽罗华域上的加、乘、卷积，LDPC译码和EXIT分析的基础运算 |
| J函数与拟合多项式 | Calc_J.m、Calc_J_R.m、J_Empirical.m、JPols.mat | 计算互信息J值及其逆函数，JPols.mat存的是预拟合多项式系数 |
| 变量节点经验互信息 | Calc_VND_Empirical.m、Calc_VND_Minus_Empirical.m、GaussianSamples.m | 通过样本统计计算VND输出互信息，Minus版本对应带外部信息剥离的变体 |
| 校验节点经验互信息 | Calc_CND_Empirical.m、Compute_CND_Approximation.m、Store_CND_and_JR_Data_To_File.m、CND_and_JR_Pols.mat | 计算CND输出互信息，支持预计算存储和查表，避免每次重复跑大样本 |
GFqConv.m值得单独说一句。它在代码包里扮演的是非二进制域上的消息卷积角色，相当于二进制LDPC里对数似然比相加的推广。非二进制校验节点的更新本质上要做多个GF(q)符号先验向量的“折叠积”，如果直接做直积再归并，复杂度是O(q^2)甚至更高，而GFqConv.m用快速卷积的方式把这一步压下来了。如果你后续要改代码，这一组文件是最先需要读懂的地方。
JPols.mat和CND_and_JR_Pols.mat是预计算缓存。前者存J函数及其逆函数的拟合多项式系数，后者存的是校验节点在不同信噪比和不同消息分布参数下对应的经验互信息拟合系数。这两份mat文件是代码包能“跑得快”的原因：校验节点的经验计算非常吃样本量，预计算一次之后存成多项式，后续EXIT扫描直接查表。代价是你换了校验节点度数或换了信道后，缓存必须重建，否则结果全错。这一点到第五章避坑部分还会展开。
3. 把main.m跑通的完整路径：预计算、曲线扫描与EXIT交点定位
3.1 第一步：预计算CND数据并写入mat文件
这个代码包的主流程入口是main.m，但直接F5运行通常不会第一时间出EXIT图，因为校验节点侧的经验互信息需要先有数据支撑。跑之前先看两个函数：Store_CND_and_JR_Data_To_File.m负责把当前参数下的校验节点互信息统计数据写入mat文件，Load_CND_and_JR_Data_From_File.m负责把它读回来。第一次运行某个新的参数组合（比如从GF(4)换到GF(8)）时，需要显式执行一次存储过程。
% 典型调用序列：先预计算校验节点数据，再跑主线 q = 4; % 域大小 GF(4) dc = 6; % 校验节点度数 snr_list = 0:0.5:6; % 扫描的信噪比范围 trial_num = 2e4; % 每信噪比下的样本帧数 % 校验节点预计算：把经验互信息拟合成多项式并写入文件 Store_CND_and_JR_Data_To_File(q, dc, snr_list, trial_num); % 完成后会生成/更新 CND_and_JR_Pols.mat逻辑说明：Store_CND_and_JR_Data_To_File内部会调用Calc_CND_Empirical.m做蒙特卡洛统计，把不同信噪比下校验节点输入输出互信息的一组测量点记录成数据表，再用多项式拟合压缩成系数。trial_num决定了统计精度，越大的trial_num越能压住曲线毛刺，但耗时线性增长。2e4是一个经验值，可以跑通全流程，拟合结果在EXIT曲线上足够平滑；如果你只要看趋势，1e4也能接受。
参数说明：dc必须与你后面要分析的LDPC校验矩阵的行重一致，不一致时EXIT曲线会偏离真实码字。snr_list的步长决定了预计算拟合的覆盖范围，步长大于1dB时曲线的低谷区域可能拟合失真。我一般会用0.5dB步长，先跑一遍确定大致区域，再加密到0.25dB做最终版本。
3.2 第二步：按SNR扫描VND曲线并叠加CND反曲线
预计算完成后，main.m的主体逻辑就清晰了：在一个信噪比范围内，对每个SNR点分别计算变量节点输出互信息I_V和校验节点输出互信息I_C，然后把CND的结果画成以I_A为横轴、以I_E为纵轴的“反曲线”，与VND曲线放在同一张图里看交点和开口。
% main.m中VND计算部分的典型流程（摘取核心调用） for idx = 1:length(snr_list) snr = snr_list(idx); lambda = [0 0.25 0.35 0.4]; % 变量节点度数分布，对应dv=2,3,4,5 ia = 0:0.05:0.95; % 先验互信息扫描点 iv = Calc_VND_Empirical(q, dv, snr, ia, trial_num); ic = Calc_CND_Empirical(q, dc, snr, ia, trial_num); % 保存到数组，随后统一绘图 I_V(idx,:) = iv; I_C(idx,:) = ic; end逻辑说明：I_V和I_C都是“给一个先验互信息I_A，算输出互信息I_E”的映射。变量节点作为信息“收集方”，输入的先验互信息越高，输出的外信息也越高，所以I_V曲线是单调上升的；校验节点作为“校验方”，它的行为方向相反，在EXIT图中通常以反函数形式绘制，也就是把I_C的输入输出轴交换，画成随I_A增加而下降的曲线。两条曲线的开口位置决定了迭代译码能否在该信噪比下收敛：没有开口意味着I_A从低到高的整个区间上，I_E至少不低于I_A，信息就能逐轮增长到1。
参数说明：lambda是变量节点度数分布，长度必须与码字的最大变量节点度数对齐。上面示例里lambda=[0 0.25 0.35 0.4]的含义是：度数为2的变量节点占0.25、度数为3的占0.35、度数为4的占0.4，度数为1的系数为0表示不允许度数为1的节点存在。这个分布要按你实际分析的LDPC码的度数分布填，不能照抄。ia的扫描网格步长建议不小于0.05，太密会增加计算量，而EXIT曲线本身的分辨率一般不需要超过0.01。
3.3 第三步：用Myfzero定位EXIT开口与收敛阈值
曲线画出来之后，人眼能看出有没有开口，但“在哪一档信噪比刚好开口”需要一个数值结果，这就是Myfzero.m的角色。它的输入是一个“开口宽度”函数：对给定的SNR，计算I_V(I_A)与I_C^(-1)(I_A)之间的最小间隙，当最小间隙从负转正时，说明该SNR下两条曲线之间出现了可收敛的隧道。
% 定义开口宽度函数并求根 opening = @(snr) min_open_width(q, dv, dc, snr, ia, trial_num); snr_threshold = Myfzero(opening, [0 6]); % 在0~6dB区间找穿越零点 disp(['EXIT开口开启临界信噪比: ', num2str(snr_threshold), ' dB']);逻辑说明：min_open_width在你改写的场景里需要自己实现，本质是用与3.2节相同的VND/CND计算流程先算出I_V和I_C，再逐点求差取最小值。Myfzero.m是这个代码包里专门负责数值求根的工具，它不关心你求的是什么物理量，只负责在给定区间内找函数的零点。用它之前必须确认区间两端函数值异号，否则会报错或返回NaN。
参数说明：求根区间[0 6]要与前面预计算的snr_list覆盖范围匹配。如果你把求根区间扩到预计算范围之外，CND的数据只能外推，结果不可信。一个更稳妥的做法是：先按0.5dB步长扫一遍开口宽度，看到大致穿越区域后，把求根区间缩小到穿越点前后各0.5dB内，再跑Myfzero，这样能大幅减少重复的样本统计耗时。
4. 换码参数、换信道、换域：这套代码的复用边界与改法
4.1 从GF(4)换到GF(8)/GF(16)：q、域乘法和LLR映射一起改
这套代码在参数设计上是留了口子的，核心函数的输入参数里几乎都有q，意味着理论上可以直接把q从4改成8或16跑。但“能传参”不等于“能正确跑”，有三个地方是连带改动，漏一个就会得到完全错误的结果。
第一是GFqMul.m和GFqConv.m里的域乘法表。GF(4)的乘法规则来自本原多项式，GF(8)和GF(16)的乘法表完全不同。代码包里GFqMul.m读的乘法表通常按q的取值分case，在case里确认你的q用的是哪条本原多项式，比如GF(8)用x^3+x+1，GF(16)用x^4+x+1，不同本原多项式生成的乘法表不兼容。第二是LLR.m和unLLR.m要同步改，LLR.m负责把GF(q)符号映射成q维LLR向量，映射方式一旦变了，后续所有互信息统计的符号标签都会错位。第三是JPols.mat到底覆盖到哪个q，这个要去setup或初始化部分确认，如果JPols.mat只拟合了GF(4)的J函数，换成GF(8)后J_Empirical.m会静默地用错误的系数算，画出的EXIT曲线甚至“形状正常”但数值整体偏移，这种错误最难发现。
一个更稳妥的做法是：换q之后先做一次小规模验证，固定SNR，分别用Calc_J_Empirical跑5000帧样本，打印几个已知I_A点的I_E值，和论文里已有的非二进制EXIT结果比对。如果这个数值对不上，就停下来查乘法表和LLR映射，不要直接看整条曲线。
4.2 把BIAWGN换成Rayleigh信道：先验与样本生成部分怎么动
代码包里GaussianSamples.m和InitialSamples.m是信道的“输入侧”模块，它们负责生成译码器观测到的初始消息分布。BIAWGN信道下的初始LLR是高斯分布的，这个假设让J函数的经验拟合能收敛得比较稳定。换成Rayleigh衰落信道后，初始LLR不再是简单的高斯，而是“高斯乘以一个随机幅度”，这时候你需要在GaussianSamples.m里给每个符号乘上该帧的衰落系数。
% Rayleigh信道下对GaussianSamples.m的改造示意 % 原函数生成高斯观测，改造后按帧乘衰落幅度 function samples = GaussianSamples_Rayleigh(snr, q, frame_len) sigma2 = 1 / (2 * snr); % 噪声方差 h = sqrt(rand(1, frame_len) * 2); % 瑞利幅度, E[h^2]=1 x = randi([0 q-1], 1, frame_len); % 随机发送符号 n = sqrt(sigma2) * randn(1, frame_len); % 噪声 obs = h .* x + n; % 叠加衰落 L = LLR(obs, snr, q); % 生成初始LLR向量 samples = L; end逻辑说明：这里的关键是衰落系数的能量归一。EXIT分析假设信道在平均意义上为“单位容量”，所以h的平方均值必须等于1，否则整个EXIT曲线会整体偏移，与误码率仿真对不上。实际做的时候也别忘了把同一个h作用在发送符号上，而不是分别乘在符号和噪声上，那样会人为抬高信噪比。参数说明：frame_len对应一个VND节点接收的长度，或者按你对互信息统计的最小样本粒度来设，一般取几千到几万不等的符号数。
4.3 能用但别越界：这套代码在设计码率分布前需要什么前提
与二进制EXIT相比，非二进制EXIT最大的“边界”在于：它分析的是“给定度数分布和给定域大小下的平均行为”，而不是“某一个具体母矩阵H”。也就是说，代码包假设校验节点和变量节点的边互连在统计意义上满足随机置换。对于随机构造的LDPC码这是合理的，但是如果你拿着一个结构化设计的码字，比如基于原模图的或者有固定子矩阵结构的码字，EXIT曲线的预测会和实际误码率仿真差出0.2~0.5dB的偏差。
另外，这套代码默认使用最大后验（MAP）符号译码作为目标。许多工程系统用的是简化的最小和译码或盒加译码，那些近似译码的EXIT曲线会更低。代码包里Calc_CND_Empirical.m是基于理想的MAP校验节点更新做的统计，如果你直接拿它的结果去预测一个跑Min-Sum译码的系统，预测会比实际乐观。差别一般在低信噪比区比较小，但在曲线“刚好开口”的那个临界信噪比附近会被放大。注意：非二进制LDPC的真实误码率曲线存在错误平层，EXIT分析只能预测瀑布区的收敛位置，不能预测底层的错误地板。
5. 复现非二进制EXIT的排查手册：五个最常翻车的点
5.1 J函数外推区出现NaN与曲线断裂
现象：EXIT曲线在SNR较低或较高时出现NaN断点，图上有“开口”的区域突然消失。
原因：JPols.mat里存的多项式拟合系数只在有限的I_A范围内可靠。低信噪比时I_A接近0，高信噪比时I_A接近1，这两端的拟合多项式外推会发散，取对数时就会出现NaN。
解决：先确认snr_list的覆盖范围与JPols.mat的拟合范围一致。如果确实需要看低SNR区，在这个资源包的做法里应该用J_Empirical.m直接做蒙特卡洛统计，不要依赖近似多项式。把Calc_J_R.m里的调用切到J_Empirical.m，速度会慢一些，但数值可靠。
5.2 校验节点经验曲线毛刺严重，交点来回漂
现象：同一组参数连续跑两遍，I_C曲线的数据点差异在0.03以上，交点位置每次偏0.2dB。
原因：Calc_CND_Empirical.m的trial_num样本量不足以压低蒙特卡洛方差。非二进制校验节点的输入先验概率组合空间比二进制大得多，同样的样本量，二进制下足够平滑的统计在这里只够看趋势。这是这类经验型工具最常见的“玄学现场”。
解决：把样本量提到5e4以上，或者用多组随机种子取平均。另一个从工程角度更快的做法是使用Compute_CND_Approximation.m替代纯经验计算，这个函数用多项式近似来平滑经验点，代价是会在曲线陡变区域引入少量偏差，但能显著稳定交点定位。
5.3 先验概率直积组合爆炸，运行时间失控
现象：q=16时，一次预计算跑了半小时还没结束，CPU占用率接近100%，内存也一路涨。
原因：非二进制校验节点更新需要对多个输入LLR向量做直积组合再归并，q=16时组合数量是16的d_c次方，度数一高直接指数爆炸。GFqConv.m虽然能做折叠积，但如果不是每步都调用，中间向量的长度还是会失控。
解决：在每个校验节点更新步骤里显式调用GFqConv.m，不要在符号维度上先做全直积再压缩。实际经验是d_c=6、q=16时，保持全程卷积不展开矩阵直积，运行时间能控制在分钟级以内，而用直积的话基本跑不完。
5.4 EXIT交点不收敛：求根失败的三个真实案例
现象：Myfzero.m抛错或返回NaN，提示函数值在区间两端不异号。
原因：通常有三种。一是这个SNR下两条EXIT曲线根本不开口，函数在区间内没有零点；二是开口宽度函数在穿越点附近不够平滑，比如VND曲线和CND反曲线几乎相切，零点附近导数为零；三是ia网格太粗，把实际的穿越区间“跳”过去了。
解决：先做粗扫描确认开口确实存在，再把Myfzero区间缩短到穿越点前0.5dB到后0.5dB的窄带内；同时把ia的步长从0.05加密到0.01。这一条很大程度上是经验性的：EXIT临界点附近的数值行为极其敏感，网格粗一点就会把零点藏进区间缝隙里。
5.5 换了q之后缓存文件“张冠李戴”
现象：换到GF(8)后第一次预计算正常，但之后改回GF(4)，结果曲线和最初对不上了。
原因：Load_CND_and_JR_Data_From_File.m默认可能只按文件名装载CND_and_JR_Pols.mat，没有校验q、d_c和snr_list这些参数组合。不同参数组合写入同一个mat文件时，旧数据被覆盖，数据就乱了。这是我实际复现时踩过最隐蔽的坑，因为当时只改了q没注意缓存命名规则。
解决：把存储函数里的文件名加参数后缀，比如CND_and_JR_Pols_q4_dc6.mat、CND_and_JR_Pols_q8_dc6.mat，每次换参数先删掉对应的旧缓存。代码包里Store_CND_and_JR_Data_To_File.m里一般会有拼接文件名的逻辑，改后缀是最干净的办法，比每次手动清mat文件省心得多。
6. 用EXIT结果反哺码字设计：度数分布线性规划的最小可行闭环
EXIT分析不是画张图就算完。这套代码包里带了LambdaLinProgDesign.m和RhoLinProgDesign.m，这两兄弟的存在说明作者的意图是“分析完就去优化设计”。理解了这一点，复现这套代码的价值就能释放出来。
非二进制LDPC的度数分布设计，在EXIT框架下可以表述成一个线性规划问题：给定目标码率和信噪比，在EXIT曲线保持开口的条件下，找一个变量节点度数分布lambda，使得码率最大化。传统的做法是对每个候选度数分布重新做蒙特卡洛仿真，耗时惊人；而有了EXIT工具之后，约束函数可以直接用J函数和内插经验曲线来近似，线性规划的目标函数变成lambda的简单线性组合：
% 基于EXIT开口约束的度数分布优化示意（伪代码结构） f = -drift_rate(lambda); % 目标：码率取负求最大 A = []; b = []; Aeq = sum(lambda) - 1; % 分布总和归一 beq = 0; lb = zeros(1, length(lambda)); ub = ones(1, length(lambda)); % 关键约束：每个I_A点上的EXIT开口>0 for Ia = 0:0.05:0.95 A = [A; opening_constraint(q, dc, snr_target, Ia, lambda)]; b = [b; -1e-3]; % 允许极小反向间隙 end lambda_opt = linprog(f, A, b, Aeq, beq, lb, ub);逻辑说明：opening_constraint是你在第3章里实现的开口宽度函数在给定I_A点上的取值，它有正负号约定：开口宽度大于等于0表示该点收敛。把这组约束铺在I_A的网格上，线性规划就会在“保证开口”这个条件下去找码率最高的lambda组合。这一步把EXIT从“分析工具”变成“设计工具”的闭环，也是这套代码真正的价值所在。
参数说明：snr_target应取你希望工作的最低工作信噪比，比如目标BER 1e-6对应的SNR附近。太高的目标会把可行域压得很小，导致优化出的码率过低；太低则优化结果在高SNR区域虽然可用，但码率不是最优。约束间隙的阈值1e-3是工程妥协——数值计算上很难让开口恰好在零边界上命中的，给一个微小的反向容差能让线性规划有更宽的解空间。
跑通这个流程之后，你手里就有一套“从EXIT曲线到非二进制LDPC度数分布”的完整闭环了。在那之后我每次换信道或换域，都强制先走一遍预计算和EXIT曲线确认流程，确认曲线在目标SNR附近有窄而不过紧的开口，再动线性规划优化。这个习惯救过我不少次，因为省掉了大量盲目的蒙特卡洛试错。希望帮到你。
本文还有配套的精品资源，点击获取
