想象一个场景：你对着手机说了一句"你好"，几毫秒后，千里之外的朋友听到了。这中间发生了什么？你的声音先变成了一串0和1，然后这些比特经过傅里叶变换被"翻译"成电磁波的形态，再通过信道编码穿上"防弹衣"抵御噪声干扰，最后以光速飞向远方。
这三件事——信号的频域转换（FFT/IFFT）和纠错保护（LDPC/Polar码）——构成了现代通信最底层的信号处理基石。今天我们不讲公式推导，而是用直觉和图解，搞清楚这些技术为什么这样设计。
你听到一段交响乐，里面有提琴、长笛、鼓声混在一起。傅里叶变换就像一个超级耳朵，能告诉你：这段音乐里有440Hz的提琴声（强度0.8）、880Hz的长笛声（强度0.3）、220Hz的大鼓声（强度0.5）。
时域看到的是波形随时间的变化，频域看到的是每个频率成分的强度。两者描述的是同一个信号，只是视角不同。
离散傅里叶变换（DFT）的公式为：
$$X[k] = \sum_{n=0}^{N-1} x[n] \cdot e^{-j\frac{2\pi}{N}kn}, \quad k = 0, 1, \ldots, N-1$$
其中 $x[n]$ 是时域的第 $n$ 个采样点，$X[k]$ 是频域的第 $k$ 个频率分量，$j$ 是虚数单位。
直觉上理解：每个 $X[k]$ 就是把信号 $x[n]$ 和一个频率为 $k$ 的"标准正弦波"做点积。点积越大，说明信号中包含该频率成分越多。这就是"投影"的思想——把信号投影到一组正交基底上。
直接计算DFT需要 $O(N^2)$ 次运算——对 $N$ 个输出，每个输出需要 $N$ 次乘加。当 $N=1024$ 时，需要约100万次运算。
1965年，Cooley和Tukey提出了快速傅里叶变换（FFT）算法，把复杂度降到 $O(N \log_2 N)$。对 $N=1024$，只需要约1万次运算——提速100倍。
FFT的核心思想是分治：把一个 $N$ 点DFT拆成两个 $N/2$ 点DFT，再拆成四个 $N/4$ 点DFT……直到只剩2点DFT。这个过程不断递归，形成标志性的蝶形运算（Butterfly Operation）。
graph TD
subgraph "8点FFT蝶形图"
X0["x[0]"] --> B1["蝶形<br/>+W⁰"]
X4["x[4]"] --> B1
X1["x[1]"] --> B2["蝶形<br/>+W⁰"]
X5["x[5]"] --> B2
X2["x[2]"] --> B3["蝶形<br/>+W⁰"]
X6["x[6]"] --> B3
X3["x[3]"] --> B4["蝶形<br/>+W⁰"]
X7["x[7]"] --> B4
B1 --> S1["Stage 2<br/>蝶形"]
B2 --> S1
B3 --> S2["Stage 2<br/>蝶形"]
B4 --> S2
S1 --> F1["Stage 3<br/>蝶形"]
S2 --> F1
F1 --> OUT["X[0]~X[7]<br/>频域输出"]
end
style X0 fill:#e1f5fe
style X4 fill:#e1f5fe
style OUT fill:#c8e6c9
每个蝶形运算做两件事：
$$A_{out} = A_{in} + W_N^k \cdot B_{in}$$ $$B_{out} = A_{in} - W_N^k \cdot B_{in}$$
其中 $W_N^k = e^{-j\frac{2\pi k}{N}}$ 称为旋转因子（Twiddle Factor），本质上是一个复数旋转操作。
IFFT（逆FFT）是FFT的逆运算，把频域信号变回时域：
$$x[n] = \frac{1}{N} \sum_{k=0}^{N-1} X[k] \cdot e^{j\frac{2\pi}{N}kn}$$
区别只在指数符号（正号）和前面的 $1/N$ 系数。在硬件实现中，FFT和IFFT可以用同一个电路，只改变旋转因子的符号即可——这就是为什么通信芯片里通常只有一个FFT/IFFT复用模块。
| 特性 | DFT | FFT | IFFT |
|---|---|---|---|
| 功能 | 时域→频域 | 时域→频域（高效） | 频域→时域（高效） |
| 复杂度 | $O(N^2)$ | $O(N \log_2 N)$ | $O(N \log_2 N)$ |
| N=1024运算量 | ~1,048,576 | ~10,240 | ~10,240 |
| 旋转因子 | $e^{-j2\pi kn/N}$ | $e^{-j2\pi kn/N}$ | $e^{+j2\pi kn/N}$ |
| 硬件复用 | - | 同一电路可复用为IFFT | 同一电路可复用为FFT |
OFDM（正交频分复用）是4G/5G的核心多载波技术。它的想法很简单：把高速数据流分成很多低速数据流，分别调制到不同的子载波上并行传输。
如果没有FFT，实现OFDM需要一个子载波配一个振荡器（混频器）。5G的FFT Size可达4096，意味着需要4096个振荡器——完全不可行。
FFT/IFFT的妙处在于：用数学运算代替了大量硬件振荡器。IFFT一次性把所有子载波的频域数据"合成"成一个时域波形，FFT一次性把接收到的时域波形"拆解"回各个子载波的数据。
graph TD
subgraph "发射端"
Bits["输入比特流"] --> Mod["QAM映射"]
Mod --> SC["子载波映射<br/>频域数据X[0]...X[N-1]"]
SC --> IFFT["IFFT<br/>频域→时域"]
IFFT --> CP["加循环前缀CP"]
CP --> DAC["DAC+射频发送"]
end
subgraph "接收端"
ADC["射频接收+ADC"] --> RCP["去循环前缀CP"]
RCP --> FFT_B["FFT<br/>时域→频域"]
FFT_B --> EQ["信道均衡"]
EQ --> Demod["QAM解映射"]
Demod --> OutBits["输出比特流"]
end
DAC -->|无线信道| ADC
style IFFT fill:#ffecb3
style FFT_B fill:#ffecb3
假设5G NR的参数： - 信道带宽：100 MHz - 子载波间隔：30 kHz - FFT Size：$N = 4096$ - 有效子载波数：约3276个（其余为保护带）
发射端流程： 1. 待发送的比特经过QAM映射（如256-QAM，每符号8比特） 2. QAM符号被映射到4096个频域子载波上 3. 对4096点频域数据做IFFT，得到4096个时域采样点（一个OFDM符号） 4. 复制尾部若干采样到头部，形成循环前缀（CP） 5. 通过DAC变成模拟信号，调制到射频发送
接收端流程： 1. 接收、采样、去掉CP 2. 对4096点时域数据做FFT，恢复出各子载波的频域数据 3. 信道均衡（补偿无线信道的衰落） 4. QAM解映射，恢复比特
关键洞察：OFDM中，IFFT就是"调制器"，FFT就是"解调器"。这不是巧合——IFFT的数学定义恰好等价于把多个正弦波叠加在一起，这正是OFDM发送端要做的事。
无线信道充满噪声、干扰和衰落。你发送的"1"，接收端可能误判为"0"。信道编码的思路是：发送前给数据加上冗余比特，接收端利用冗余信息发现和纠正错误。
这就像你寄快递时在箱子里塞泡沫——泡沫本身不是货物，但它保护货物不被损坏。代价是：箱子变大了（需要更多带宽）。
香农定理告诉我们：只要编码速率 $R$ 不超过信道容量 $C$，就存在一种编码方案可以实现无差错传输：
$$C = B \cdot \log_2(1 + \text{SNR})$$
其中 $B$ 是带宽，SNR 是信噪比。信道编码技术的发展史，就是不断逼近香农极限的历史。
graph TD
subgraph "信道编码发展历程"
T1["1950s<br/>汉明码<br/>Hamming Code<br/>~香农限3dB"]
T2["1960s<br/>Reed-Solomon码<br/>RS码<br/>~香农限2.5dB"]
T3["1993<br/>Turbo码<br/>逼近香农限0.5dB<br/>3G/4G使用"]
T4["1996重发现<br/>LDPC码<br/>逼近香农限0.0045dB<br/>5G数据信道"]
T5["2009<br/>Polar码<br/>达到香农极限<br/>5G控制信道"]
T1 --> T2 --> T3 --> T4 --> T5
end
style T4 fill:#ffecb3
style T5 fill:#c8e6c9
| 概念 | 含义 | 通俗类比 |
|---|---|---|
| 信息比特 | 原始要发送的数据 | 快递中的货物 |
| 冗余比特 | 为纠错添加的额外比特 | 箱子里的泡沫 |
| 码率 R | 信息比特数 / 总比特数 | 货物占总重量的比例 |
| 编码增益 | 为达到同样误码率，编码后可容忍的SNR降低量 | 泡沫的抗冲击效果 |
| 码字 | 编码后的完整比特序列 | 封装好的快递箱 |
LDPC（Low-Density Parity-Check，低密度奇偶校验码）最早由Gallager在1962年提出，但因为计算复杂度太高，被遗忘了30多年。直到1996年，MacKay和Neal重新发现它，证明其性能可以极其接近香农极限。
"低密度"指的是什么？——LDPC码的校验矩阵 $H$ 中，1的个数非常稀疏。比如一个1000×2000的矩阵，可能只有几千个1（密度不到1%）。这种稀疏性使得译码可以在Tanner图上用消息传递算法高效实现。
假设一个简单的(6,3) LDPC码，信息位3比特，码长6比特，校验矩阵为：
$$H = \begin{bmatrix} 1 & 1 & 0 & 1 & 0 & 0 \ 0 & 1 & 1 & 0 & 1 & 0 \ 1 & 0 & 1 & 0 & 0 & 1 \end{bmatrix}$$
对应的Tanner图如下：
graph LR
subgraph "变量节点（比特位）"
V1["c₁"]
V2["c₂"]
V3["c₃"]
V4["c₄"]
V5["c₅"]
V6["c₆"]
end
subgraph "校验节点（校验方程）"
C1["f₁: c₁⊕c₂⊕c₄=0"]
C2["f₂: c₂⊕c₃⊕c₅=0"]
C3["f₃: c₁⊕c₃⊕c₆=0"]
end
V1 --- C1
V2 --- C1
V4 --- C1
V2 --- C2
V3 --- C2
V5 --- C2
V1 --- C3
V3 --- C3
V6 --- C3
style V1 fill:#e3f2fd
style V2 fill:#e3f2fd
style V3 fill:#e3f2fd
style V4 fill:#fff3e0
style V5 fill:#fff3e0
style V6 fill:#fff3e0
style C1 fill:#fce4ec
style C2 fill:#fce4ec
style C3 fill:#fce4ec
Tanner图中的两种节点： - 变量节点（Variable Node）：对应码字中的每个比特 - 校验节点（Check Node）：对应每个校验方程
边连接了参与该校验方程的比特。低密度意味着每个节点连接的边数很少。
LDPC的译码过程是一个"投票协商"的过程：
直觉理解：就像一群人投票决定答案，每个人都先根据自己掌握的信息给出判断，然后互相讨论、修正意见，最终达成共识。迭代越多，共识越准确。
5G NR为LDPC码设计了两个基础图（Base Graph）：
| 参数 | BG1（大数据） | BG2（小数据） |
|---|---|---|
| 适用场景 | eMBB大包传输 | URLLC/小包传输 |
| 最大码长 | 8448比特 | 3840比特 |
| 支持码率 | 1/3 ~ 8/9 | 1/5 ~ 5/6 |
| 典型信道 | PDSCH/PUSCH | PDSCH/PUSCH（小包） |
| 结构特点 | 更大的矩阵，更精细的调控 | 更紧凑，适合短码 |
为什么5G选LDPC而不是继续用Turbo码？
2009年，土耳其科学家Erdal Arıkan发表了一篇论文，提出了信道极化（Channel Polarization）理论，并据此构造了Polar码。这是历史上第一个被严格证明可以达到香农极限的编码方案。
信道极化的核心思想：通过递归的信道变换，把N个相同质量的"中等"信道，变成一部分"完美"信道和一部分"无用"信道。
graph TD
subgraph "信道极化过程（N=8）"
W["W: 8个相同质量的信道<br/>（容量≈0.5）"]
W --> S1["第一级变换<br/>4个稍好 + 4个稍差"]
S1 --> S2["第二级变换<br/>2个更好 + 2个好 + 2个差 + 2个更差"]
S2 --> S3["第三级变换<br/>完全极化"]
S3 --> G["✓ 完美信道<br/>容量≈1.0<br/>放信息比特"]
S3 --> B["✗ 无用信道<br/>容量≈0.0<br/>放固定比特（冻结）"]
end
style W fill:#fff9c4
style G fill:#c8e6c9
style B fill:#ffcdd2
类比：想象8个水桶，初始水位一样（都是半满）。通过一种特殊的"搬水"操作：把相邻两个桶的水重新分配——一个多给点，一个少给点。经过几轮操作后，有些桶满了，有些桶空了。你当然会把珍贵的货物（信息）放在满桶里。
Polar码的编码过程基于一个核心矩阵：
$$G_N = B_N F^{\otimes n}$$
其中 $F = \begin{bmatrix} 1 & 0 \ 1 & 1 \end{bmatrix}$，$F^{\otimes n}$ 表示 $F$ 的 $n$ 次Kronecker积，$B_N$ 是比特反转置换矩阵。
编码步骤： 1. 信道排序：根据信道可靠性排序，确定哪些位置"好"、哪些"差" 2. 比特放置：把 $K$ 个信息比特放在最可靠的 $K$ 个位置上 3. 冻结比特：其余 $N-K$ 个位置填充固定值（通常为0） 4. 矩阵乘法：用生成矩阵 $G_N$ 编码
Polar码最基本的译码算法是逐次消除（SC, Successive Cancellation）译码：
按顺序逐个估计每个比特——对信息比特位，根据接收信号和已译出的前序比特，计算该比特最可能是0还是1；对冻结比特位，直接输出0。
SC译码的问题是错误传播：如果第3个比特译错了，后面所有依赖第3个比特的译码都会受影响。
5G NR实际使用的是增强版——CRC辅助的列表译码（CA-SCL）： - CRC：在编码前先加循环冗余校验 - 列表（List）：同时保留 $L$ 条最可能的译码路径（如 $L=8$） - 路径选择：最后用CRC校验，选出通过CRC校验的那条路径
| 译码算法 | 复杂度 | 性能 | 5G是否使用 |
|---|---|---|---|
| SC（逐次消除） | $O(N \log N)$ | 中等，短码表现一般 | 基础算法 |
| SCL（列表译码，L=8） | $O(LN \log N)$ | 优秀，接近ML译码 | 实际使用 |
| CA-SCL（CRC+SCL） | $O(LN \log N)$ | 非常优秀 | 5G NR标准 |
控制信道的特点：传输的DCI/UCI信息通常很短（几十比特），但对可靠性要求极高——一条控制信令如果出错，可能导致整个调度失败。
| 特性 | LDPC码 | Polar码 |
|---|---|---|
| 最佳码长 | 中长码（>200比特） | 短码（<200比特） |
| 短码性能 | 较差 | 优异 |
| 译码延迟 | 较高（需多次迭代） | 较低（顺序译码） |
| 实现复杂度 | 中等 | 较低 |
| 5G用途 | 数据信道（PDSCH/PUSCH） | 控制信道（PDCCH/PUCCH/PBCH） |
| HARQ支持 | 天然支持 | 不典型使用 |
简单说：LDPC擅长扛大包（大数据吞吐），Polar擅长送急件（短而可靠的控制信令）。两者分工明确，互补搭配。
把FFT/IFFT和信道编码放在一起，看看5G信号处理的完整链路：
graph TD
subgraph "发射端处理链"
A["源比特"] --> B["信道编码<br/>LDPC/Polar"]
B --> C["比特交织"]
C --> D["QAM调制<br/>比特→符号"]
D --> E["子载波映射<br/>RE映射"]
E --> F["IFFT<br/>频域→时域"]
F --> G["加CP"]
G --> H["DAC+上变频<br/>→天线发射"]
end
subgraph "接收端处理链"
I["天线接收<br/>+下变频+ADC"] --> J["去CP"]
J --> K["FFT<br/>时域→频域"]
K --> L["信道估计<br/>&均衡"]
L --> M["QAM解调<br/>符号→LLR软信息"]
M --> N["解交织"]
N --> O["信道译码<br/>LDPC/Polar译码"]
O --> P["恢复比特"]
end
H -->|无线信道| I
style B fill:#ffecb3
style F fill:#c8e6c9
style K fill:#c8e6c9
style O fill:#ffecb3
这个链路中每个模块的职责： - 信道编码：加冗余，抵抗信道错误（黄色模块） - IFFT/FFT：实现OFDM调制/解调（绿色模块） - QAM调制：把比特映射成复数符号 - 信道估计与均衡：估计无线信道的衰落并补偿
常见问题1：CP长度不够导致ISI
当多径时延扩展超过CP长度时，FFT窗口内会混入前一个符号的干扰（码间干扰ISI）。表现为： - 频域上某些子载波的信号"旋转"失真 - 信道均衡无法完全补偿 - 误码率在特定时延条件下突增
排查方法：用信道冲激响应（CIR）工具观察多径时延分布，确认最大时延是否超过CP长度。5G NR的可扩展CP就是为了应对不同时延扩展场景。
常见问题2：FFT Size选择影响系统性能
FFT Size决定了OFDM的基本参数： - FFT Size越大 → 子载波越密集 → 频谱效率越高 → 但对多普勒频移越敏感 - FFT Size越小 → 符号越短 → 时延容忍度越低 → 但适合高速移动
5G NR定义了多种 numerology（子载波间隔），本质上就是在不同的FFT Size和CP之间权衡。
Q1: FFT和DFT有什么区别？为什么通信系统都用FFT？
A: DFT是数学定义，FFT是计算DFT的高效算法。区别就像"计算1+2+3+...+100"和"用公式(100×101)/2"的区别——结果一样，但FFT快得多（$O(N \log N)$ vs $O(N^2)$）。通信系统对实时性要求极高，所以必须用FFT。实际上，今天说到"做傅里叶变换"，几乎都是指FFT。
Q2: LDPC和Polar码可以互换使用吗？为什么5G不统一用一种？
A: 理论上可以，但不合理。LDPC在长码（几百到几千比特）场景性能优异，且天然支持并行译码和增量冗余HARQ，适合高速数据传输。Polar码在短码（几十到两百比特）场景性能更优，译码延迟更低，适合对可靠性要求极高的控制信令。5G让两者各司其职，是工程上的最优解。
Q3: 为什么OFDM发送端用IFFT而不是FFT？
A: 这是很多人的困惑。记住：IFFT把频域变时域，FFT把时域变频域。发送端有频域的子载波数据，需要变成时域波形才能通过天线发射，所以用IFFT。接收端收到时域波形，需要恢复出频域子载波数据，所以用FFT。
Q4: Polar码"达到香农极限"和LDPC"逼近香农极限"有什么区别？
A: 这是一个理论深度的问题。Polar码在码长 $N \to \infty$ 时，被严格数学证明可以达到香农极限——这是确定性保证。LDPC码虽然也能非常接近香农极限（差距可以小于0.01dB），但理论上始终是"逼近"而非"达到"。不过在实际有限码长下，LDPC和Polar的性能差异很小，工程选择更多考虑实现复杂度、吞吐率和灵活性。
Q5: 基站和手机的FFT模块一样吗？
A: 数学原理完全相同，但规模和实现不同。基站的FFT Size通常更大（如4096点，支持更大带宽），且需要同时处理多路信号（多用户MIMO），因此FFT引擎需要更强的并行处理能力。手机的FFT Size根据当前工作带宽确定（如100MHz用4096点，20MHz用1024点），功耗和面积是关键约束。但核心的蝶形运算电路是一样的。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。