BSC信道下重复码纠错性能仿真 P124302178 李云徽

BSC信道下重复码纠错性能仿真 P124302178 李云徽摘要本实验通过Python仿真实现了二进制对称信道BSC下重复码的纠错性能分析。重复码是一种简单的纠错编码方案其基本思想是将每个信息比特重复nnn次发送接收端通过大数判决来纠正错误。实验对比了不同重复次数3次、5次、7次的误码率性能并与理论值进行了比较。结果表明重复码在信道误码率较低时能够显著降低解码后的误码率且重复次数越多纠错能力越强但编码效率越低。仿真结果与理论值高度吻合验证了理论分析的正确性和仿真实现的准确性。一、基本原理1.1 二进制对称信道BSC二进制对称信道是一种离散无记忆信道其特点是输入符号0 或 1输出符号0 或 1错误概率P(0∣1)P(1∣0)pP(0|1) P(1|0) pP(0∣1)P(1∣0)p即每个比特独立地以概率ppp发生翻转1.2 重复码编码原理对于(n,1)(n,1)(n,1)重复码每个信息比特被重复nnn次发送输入d∈{0,1}d \in \{0, 1\}d∈{0,1}编码输出d,d,...,d⏟n次\underbrace{d, d, ..., d}_{n \text{次}}n次d,d,...,d​​例如对于3次重复码输入 0 → 编码输出 000输入 1 → 编码输出 1111.3 大数判决解码原理接收端对每个码组进行大数判决统计码组中0和1的个数如果1的个数多于0则判决为1如果0的个数多于1则判决为0对于奇数n2t1n 2t 1n2t1重复码可以纠正最多ttt个错误。1.4 理论误码率公式(n,1)(n,1)(n,1)重复码的理论误码率为Pe∑kt1n(nk)pk(1−p)n−k P_e \sum_{kt1}^{n} \binom{n}{k} p^k (1-p)^{n-k}Pe​kt1∑n​(kn​)pk(1−p)n−k其中t⌊(n−1)/2⌋t \lfloor (n-1)/2 \rfloort⌊(n−1)/2⌋是最大可纠正错误数。二、代码实现2.1 整体结构├── generate_binary_data()# 生成随机二进制数据├── repetition_encode()# 重复码编码├── bsc_channel()# BSC信道模型├── majority_decode()# 大数判决解码├── calculate_bit_error_rate()# 计算误码率├── simulate_bsc_repetition_code()# 仿真主函数├── theoretical_ber()# 理论误码率计算└── plot_ber_curves()# 绘制BER曲线2.2 核心函数详解2.2.1 BSC信道模型defbsc_channel(encoded_data,p_error):noisenp.random.rand(len(encoded_data))p_error receivednp.logical_xor(encoded_data,noise).astype(int)returnreceived该函数通过生成均匀分布的随机数来模拟信道噪声当随机数小于错误概率ppp时对应比特发生翻转。2.2.2 大数判决解码defmajority_decode(received_data,n_repeats):data_lengthlen(received_data)//n_repeats decodednp.zeros(data_length,dtypeint)foriinrange(data_length):starti*n_repeats endstartn_repeats chunkreceived_data[start:end]decoded[i]1ifnp.sum(chunk)n_repeats//2else0returndecoded该函数将接收数据按码组分割对每个码组统计1的个数通过比较1的个数是否超过半数来进行判决。2.2.3 理论误码率计算deftheoretical_ber(n_repeats,p_error):t(n_repeats-1)//2ber0forkinrange(t1,n_repeats1):bermath.comb(n_repeats,k)*(p_error**k)*((1-p_error)**(n_repeats-k))returnber该函数根据二项分布计算超过纠错能力的错误概率之和。三、仿真结果3.1 仿真参数参数值重复次数3, 5, 7信道误码率范围0.0001 ~ 1.0数据长度100000 bit信道误码率采样点数203.2 仿真数据信道误码率ppp3次重复码BER5次重复码BER7次重复码BER0.00010.0000e000.0000e000.0000e000.00040.0000e000.0000e000.0000e000.00181.0000e-050.0000e000.0000e000.00781.7000e-041.0000e-050.0000e000.03363.3900e-034.3000e-045.0000e-050.14385.6130e-022.3510e-021.0500e-020.61586.7102e-017.0943e-017.3995e-013.3 BER曲线四、结果分析4.1 纠错性能对比从仿真结果可以看出低误码率区域p0.1p 0.1p0.1重复码表现出显著的纠错效果误码率相比未编码情况降低了几个数量级。重复次数越多纠错效果越好。中等误码率区域0.1p0.50.1 p 0.50.1p0.5重复码仍然有效但优势逐渐减小。此时7次重复码的优势最为明显。高误码率区域p0.5p 0.5p0.5当信道误码率超过0.5时重复码的性能反而恶化误码率超过0.5。这是因为此时噪声占主导大数判决反而更容易出错。4.2 仿真与理论对比仿真结果与理论曲线几乎完全重合验证了仿真实现的正确性。这表明BSC信道模型的实现是准确的大数判决解码算法是正确的理论公式的推导是正确的4.3 复杂度与性能权衡重复次数编码效率最大纠错能力适用场景31/31 bit信道质量较好51/52 bits信道质量一般71/73 bits信道质量较差重复码的缺点是编码效率较低随着重复次数增加传输效率线性下降。因此在实际应用中需要在纠错能力和传输效率之间进行权衡。五、结论本实验通过Python仿真实现了BSC信道下重复码的纠错性能分析得出以下结论重复码是有效的纠错编码方案在信道误码率较低时能够显著降低解码后的误码率。重复次数与纠错能力正相关重复次数越多纠错能力越强但编码效率越低。仿真结果与理论值高度吻合验证了理论分析的正确性和仿真实现的准确性。适用范围有限重复码仅在信道误码率低于0.5时有效且编码效率较低实际应用中通常采用更高效的编码方案如汉明码、卷积码等。六、源码importnumpyasnpimportmatplotlib.pyplotaspltimportmathdefgenerate_binary_data(length):returnnp.random.randint(0,2,length)defrepetition_encode(data,n_repeats):encodednp.repeat(data,n_repeats)returnencodeddefbsc_channel(encoded_data,p_error):noisenp.random.rand(len(encoded_data))p_error receivednp.logical_xor(encoded_data,noise).astype(int)returnreceiveddefmajority_decode(received_data,n_repeats):data_lengthlen(received_data)//n_repeats decodednp.zeros(data_length,dtypeint)foriinrange(data_length):starti*n_repeats endstartn_repeats chunkreceived_data[start:end]decoded[i]1ifnp.sum(chunk)n_repeats//2else0returndecodeddefcalculate_bit_error_rate(original,decoded):errorsnp.sum(original!decoded)returnerrors/len(original)defsimulate_bsc_repetition_code(n_repeats_list,p_error_list,data_length100000):ber_results{}forn_repeatsinn_repeats_list:ber_values[]forp_errorinp_error_list:datagenerate_binary_data(data_length)encodedrepetition_encode(data,n_repeats)receivedbsc_channel(encoded,p_error)decodedmajority_decode(received,n_repeats)bercalculate_bit_error_rate(data,decoded)ber_values.append(ber)ber_results[n_repeats]ber_valuesreturnber_resultsdeftheoretical_ber(n_repeats,p_error):t(n_repeats-1)//2ber0forkinrange(t1,n_repeats1):bermath.comb(n_repeats,k)*(p_error**k)*((1-p_error)**(n_repeats-k))returnberdefplot_ber_curves(p_error_list,ber_results,n_repeats_list):plt.rcParams[font.sans-serif][SimHei,Microsoft YaHei,DejaVu Sans]plt.rcParams[axes.unicode_minus]Falseplt.figure(figsize(10,6))colors[blue,red,green,orange,purple]markers[o,s,^,D,v]foridx,n_repeatsinenumerate(n_repeats_list):plt.semilogy(p_error_list,ber_results[n_repeats],colorcolors[idx],markermarkers[idx],linestyle-,linewidth2,markersize6,labelf{n_repeats}次重复码(仿真))theoretical_values[theoretical_ber(n_repeats,p)forpinp_error_list]plt.semilogy(p_error_list,theoretical_values,colorcolors[idx],linestyle--,linewidth1.5,labelf{n_repeats}次重复码(理论))plt.semilogy(p_error_list,p_error_list,k--,linewidth2,label未编码(理论))plt.xlabel(信道误码率 $p$,fontsize12)plt.ylabel(解码后误码率 BER,fontsize12)plt.title(BSC信道下重复码纠错性能仿真,fontsize14,fontweightbold)plt.grid(True,whichboth,linestyle--,alpha0.7)plt.legend(fontsize10,locupper left)plt.xlim([min(p_error_list),max(p_error_list)])plt.ylim([1e-10,1])plt.tight_layout()plt.savefig(ber_curves.png,dpi300,bbox_inchestight)plt.show()defmain():np.random.seed(42)n_repeats_list[3,5,7]p_error_listnp.logspace(-4,0,20)print(*60)print(BSC信道下重复码纠错性能仿真)print(*60)print(f\n仿真参数)print(f 重复次数{n_repeats_list})print(f 信道误码率范围{p_error_list[0]:.4f}~{p_error_list[-1]:.4f})print(f 数据长度100000 bit)print(f\n正在进行仿真...)ber_resultssimulate_bsc_repetition_code(n_repeats_list,p_error_list)print(f\n仿真结果)print(f{信道误码率:15},end)forninn_repeats_list:print(f|{n}次重复码BER,end)print()print(-*60)fori,pinenumerate(p_error_list[::3]):print(f{p:15.4f},end)forninn_repeats_list:print(f|{ber_results[n][i*3]:15.4e},end)print()print(f\n绘制BER曲线...)plot_ber_curves(p_error_list,ber_results,n_repeats_list)print(f\n仿真完成结果图已保存为 ber_curves.png)print(*60)if__name____main__:main()