Wi-Fi/5G信号解码背后的数学：深入浅出图解LLR软解调原理
在数字通信的世界里，信号从发射端到接收端的旅程就像一场充满干扰的马拉松。当你的手机接收Wi-Fi或5G信号时，它获取的并不是完美的0和1序列，而是被噪声扭曲的"模糊版本"。传统硬判决解调像非黑即白的裁判，而LLR（对数似然比）软解调则更像一位深思熟虑的法官，不仅给出判决结果，还附上"可信度评分"。这种"软信息"正是现代高效纠错码（如LDPC、Turbo码）的秘密武器。
1. 从星座图到比特可信度：LLR的视觉化理解
想象夜空中的星座，通信中的星座图同样由离散的点组成，每个点代表一个特定符号。以最简单的QPSK调制为例，四个星座点均匀分布在复平面上，每个点携带2比特信息。当信号经过嘈杂信道后，接收到的点往往会偏离理想位置。
关键突破点在于：LLR不直接判断"这个点属于哪个星座"，而是计算"这个点对应的每个比特是0或1的可能性有多大"。具体表现为：
- 距离即证据：计算接收点到所有"比特为0"星座点的最小距离（d₀），以及到所有"比特为1"星座点的最小距离（d₁）
- 近似公式的物理意义：LLR ≈ (d₁² - d₀²)/N₀，其中N₀是噪声功率
- 分子(d₁² - d₀²)本质是"支持比特为0的证据强度"减去"支持比特为1的证据强度"
- 分母N₀实现噪声归一化，使结果反映信噪比
提示：LLR的正负直接对应硬判决结果，而绝对值大小则反映判决的可靠程度。这种"软信息"让后续解码器能更聪明地纠正错误。
2. 调制方式实战：从QPSK到16QAM的LLR计算
不同调制方式就像不同密度的星座图，LLR计算方法也需相应调整。下面通过具体案例揭示其中的规律：
2.1 QPSK：对称性带来的简化
QPSK星座图的完美对称性让计算大幅简化。以I路为例：
% QPSK的LLR计算示例（MATLAB伪代码） function llr = qpsk_llr(y_received, noise_power) d0 = abs(y_received - (-1/sqrt(2))); % 比特0最近距离 d1 = abs(y_received - (1/sqrt(2))); % 比特1最近距离 llr = (d1^2 - d0^2) / noise_power; end关键观察：
- 由于QPSK的I/Q路完全对称，只需计算一路即可得到两个比特的LLR
- 实际实现时可通过简单的线性运算加速，避免重复距离计算
2.2 16QAM：分层判决的智慧
16QAM的星座点分布更密集，但仍有规律可循。其LLR计算可采用分层近似：
| 比特位置 | 判决边界 | 简化计算策略 |
|---|---|---|
| 高位比特 | 实轴零点 | 直接比较I路符号 |
| 低位比特 | ±2/√10 | 计算内层/外层距离差 |
# 16QAM的简化LLR计算（Python示例） def qam16_llr(y, N0): re, im = y.real, y.imag # 高位比特LLR（更可靠） llr_high = 4/np.sqrt(10) * re / N0 # 低位比特LLR（需精确计算） d_inner = min(abs(re - 1/np.sqrt(10)), abs(re + 1/np.sqrt(10))) d_outer = min(abs(re - 3/np.sqrt(10)), abs(re + 3/np.sqrt(10))) llr_low = (d_outer**2 - d_inner**2) / N0 return [llr_high, llr_low]这种分层处理既保证精度，又显著降低计算复杂度——实际芯片设计中的典型优化策略。
3. 软解调 vs 硬判决：性能提升的数学本质
为什么LLR软解调能带来显著的解码性能提升？通过对比实验可直观展示：
测试场景：AWGN信道下，采用1/2码率LDPC编码的16QAM系统
| 解调方式 | 所需Eb/N0 @BER=1e-5 | 计算复杂度 |
|---|---|---|
| 硬判决 | 9.2 dB | O(M) |
| 精确LLR | 6.8 dB | O(M logM) |
| 近似LLR | 7.1 dB | O(M) |
数据说明：
- 软解调带来约2.4dB的增益，相当于发射功率降低近一半
- 近似LLR几乎不损失性能，却保持与硬判决相当的计算量
工程启示：在5G等实时系统中，采用(d₁² - d₀²)近似既能获得软解调的主要增益，又避免指数运算的开销。这种平衡正是通信算法设计的艺术。
4. MATLAB/HDL实现技巧：从理论到芯片
将LLR理论转化为可执行代码时，需要考虑数值精度、计算效率等实际问题。以下是两种典型实现路径：
4.1 MATLAB参考实现
function llrs = demod_llr(y, constell, bitmap, N0) % y: 接收符号向量 % constell: 星座点数组 % bitmap: 每个星座点的比特映射（M×log2M矩阵） % N0: 噪声功率估计 M = length(constell); nBits = size(bitmap, 2); llrs = zeros(length(y), nBits); for k = 1:nBits % 找出比特k为0和1的星座点子集 idx0 = find(bitmap(:,k) == 0); idx1 = find(bitmap(:,k) == 1); % 计算最小距离 dist0 = min(abs(y - constell(idx0)).^2, [], 2); dist1 = min(abs(y - constell(idx1)).^2, [], 2); % LLR近似计算 llrs(:,k) = (dist1 - dist0) / N0; end end4.2 硬件优化方向
在ASIC/FPGA实现时，重点优化：
- 并行距离计算：同时处理多个比特的LLR
- 查找表(LUT)：预存常见调制方式的距离差
- 定点量化：通常8-10位精度即可满足需求
典型流水线设计：
- 符号缓存 → 2. 距离计算单元 → 3. 最小值选择 → 4. LLR计算 → 5. 输出缓冲
实际5G基站芯片中，LLR解调模块的延迟通常控制在几十个时钟周期内，吞吐量可达每秒数十亿次计算。
