信号处理三剑客：FFT、LDPC与Polar码原理全图解

如果把5G无线通信比作一条高速公路，那么FFT就是铺路的压路机，LDPC码是运货卡车的安全气囊，Polar码则是交通信号灯的防呆设计。三者各司其职，缺一不可。

一、为什么通信工程师必须理解信号处理？

很多1-3年经验的通信工程师，日常工作可能都在配置参数、抓包分析、处理工单。但当你遇到这些问题时：

• 为什么OFDM子载波数必须是2的幂次（512、1024、2048）？
• 为什么5G数据信道用LDPC，控制信道用Polar，不能反过来？
• 为什么接收端信号处理后BLER居高不下，调了半天参数也没用？

答案都藏在信号处理的基本原理里。理解了底层逻辑，调试时才能有的放矢，而不是靠"经验值"盲调。

本文将从三个核心模块展开：

二、FFT/IFFT：通信系统中最频繁的数学运算

2.1 从一个生活类比说起

想象你走进一家冰淇淋店，面前有100种口味。老板需要知道每种口味还剩多少库存。

笨办法（DFT）：每种口味逐一清点，100种口味需要检查100×100=10000次——因为每种口味的库存可能和所有其他口味有关联。

聪明办法（FFT）：老板发现口味有规律——水果类、巧克力类、坚果类各自独立。先按大类分组清点，再逐层细化。利用这种结构，100种口味只需要约100×6.6=660次操作就能完成。

这就是FFT的核心思想：利用数据的内在结构（周期性、对称性），把计算量从O(N²)降到O(N log N)。

2.2 DFT的数学定义与直觉

离散傅里叶变换（DFT）的公式：

$$X[k] = \sum_{n=0}^{N-1} x[n] \cdot e^{-j\frac{2\pi}{N}nk}, \quad k = 0, 1, \ldots, N-1$$

逆变换（IDFT）：

$$x[n] = \frac{1}{N}\sum_{k=0}^{N-1} X[k] \cdot e^{j\frac{2\pi}{N}nk}, \quad n = 0, 1, \ldots, N-1$$

直觉解读： - DFT是在问："我这个时域信号x[n]里，含有多少频率为k的分量？" - 每一个X[k]就是一个频率分量的"身份证"，包含幅度和相位信息 - $e^{-j\frac{2\pi}{N}nk}$ 就是那个"探测探针"，在不同的时间点n去"感受"频率k的存在

2.3 蝶形运算：FFT的灵魂

FFT之所以快，靠的是蝶形运算（Butterfly Operation）。这是整个算法的最小计算单元。

一个基本的2点蝶形运算：

输入A ──────┬────── 输出: A + W·B
             │
            ×W（旋转因子）
             │
输入B ──────┴────── 输出: A - W·B

其中旋转因子 $W_N^k = e^{-j2\pi k/N}$。

为什么叫"蝶形"？ 因为在信号流图中，两条线交叉后又分开，形状像蝴蝶展翅。

graph LR
    subgraph "蝶形运算基本单元"
        A["输入 A"] --> ADD["⊕"]
        A --> SUB["⊖"]
        B["输入 B"] --> MUL["× W_N^k"]
        MUL --> ADD
        MUL --> SUB
        ADD --> OUT1["输出: A + W·B"]
        SUB --> OUT2["输出: A - W·B"]
    end

    style A fill:#e1f5fe
    style B fill:#e1f5fe
    style OUT1 fill:#c8e6c9
    style OUT2 fill:#c8e6c9
    style MUL fill:#fff9c4

蝶形运算的关键性质： - 每个蝶形只需要1次复数乘法和2次复数加法 - 可以原地计算（In-place）：输出直接覆盖输入，不需要额外存储空间 - 多级蝶形串联，级联完成全部N点变换

2.4 FFT的完整计算流程（以N=8为例）

N=8的FFT需要 $\log_2(8) = 3$ 级蝶形运算，每级4个蝶形：

graph TD
    subgraph "第1级"
        x0["x(0)"] --> b1a["蝶形"]
        x4["x(4)"] --> b1a
        x2["x(2)"] --> b1b["蝶形"]
        x6["x(6)"] --> b1b
        x1["x(1)"] --> b1c["蝶形"]
        x5["x(5)"] --> b1c
        x3["x(3)"] --> b1d["蝶形"]
        x7["x(7)"] --> b1d
    end

    subgraph "第2级"
        b1a --> b2a["蝶形"]
        b1b --> b2a
        b1c --> b2b["蝶形"]
        b1d --> b2b
        b1a --> b2c["蝶形"]
        b1b --> b2c
        b1c --> b2d["蝶形"]
        b1d --> b2d
    end

    subgraph "第3级"
        b2a --> b3a["蝶形 → X(0)"]
        b2b --> b3a
        b2a --> b3b["蝶形 → X(4)"]
        b2b --> b3b
        b2c --> b3c["蝶形 → X(2)"]
        b2d --> b3c
        b2c --> b3d["蝶形 → X(6)"]
        b2d --> b3d
    end

    style x0 fill:#bbdefb
    style x4 fill:#bbdefb
    style x2 fill:#bbdefb
    style x6 fill:#bbdefb
    style x1 fill:#bbdefb
    style x5 fill:#bbdefb
    style x3 fill:#bbdefb
    style x7 fill:#bbdefb

注意：输入序列需要先做比特逆序（Bit Reversal）排列。比如x(0)→位置0(000)，x(4)→位置1(100→001)，x(2)→位置2(010)，x(6)→位置3(110→011)……

2.5 计算量对比：为什么FFT是革命性的

在5G NR中，一个OFDM符号的子载波数可达4096个（FR1最大FFT size），如果用DFT，每次变换需要1600万次乘法；用FFT只需要约5万次。这就是为什么OFDM在4G时代之前不敢用，直到DSP芯片能快速做FFT后才大规模商用。

2.6 FFT/IFFT在OFDM中的角色

flowchart TD
    subgraph "发送端"
        BITS["数据比特"] --> QAM["QAM映射"]
        QAM --> S2P["串并转换\nN路并行"]
        S2P --> IFFT["IFFT\nN点逆FFT"]
        IFFT --> ADDCP["加循环前缀CP"]
        ADDCP --> DAC["DAC → 射频发射"]
    end

    subgraph "无线信道"
        CHANNEL["多径衰落\n噪声干扰"]
    end

    subgraph "接收端"
        ADC["射频 → ADC"] --> REMCP["去循环前缀CP"]
        REMCP --> FFT["FFT\nN点FFT"]
        FFT --> P2S["并串转换"]
        P2S --> DEMAP["QAM解映射"]
        DEMAP --> DECODE["信道解码"]
        DECODE --> RBITS["恢复数据比特"]
    end

    DAC --> CHANNEL
    CHANNEL --> ADC

    style IFFT fill:#ffcdd2
    style FFT fill:#c8e6c9

关键理解： - 发送端用IFFT：把频域的N个QAM符号"合成"成一个时域OFDM符号。一个IFFT运算替代了N个独立振荡器——用数学运算取代了硬件。 - 接收端用FFT：把收到的时域OFDM符号"分解"回N个频域子载波数据。 - 之所以用IFFT发射、FFT接收，是因为IFFT把频域→时域（合成波形），FFT把时域→频域（分析频率成分），方向恰好相反。

2.7 实战连接

调试OFDM信号时： - 如果在频域看到某些子载波功率异常偏低，可能是FFT窗口偏移导致采样点对不齐 - 如果时域波形PAPR（峰均比）过高，IFFT输出会出现大幅度的峰值——这是OFDM的固有缺陷 - 5G NR FR1常用FFT size：4096（最大带宽100MHz），FR2可达8192

三、LDPC码：数据信道的守护者

3.1 为什么要信道编码？

无线信道不靠谱——噪声、干扰、衰落随时可能把你的"0"翻成"1"。信道编码的本质就是给数据加冗余，让接收端即使收到部分错误，也能纠正回来。

打个比方：你口述一个电话号码"13812345678"，怕对方听错，你会说"138，一二三八的1三八，12345678"。这个重复和强调就是"冗余"。信道编码做的就是这件事，只不过用数学方法更高效。

3.2 LDPC码的核心思想

LDPC（Low-Density Parity-Check，低密度奇偶校验码）由Robert Gallager在1962年提出，但直到1990年代才被"重新发现"并广泛应用。

"低密度"是什么意思？ 校验矩阵H中绝大多数元素是0，只有极少数是1。

举个4×8的小例子：

$$H = \begin{bmatrix} 1 & 1 & 0 & 1 & 0 & 0 & 0 & 0 \ 0 & 1 & 1 & 0 & 1 & 0 & 0 & 0 \ 0 & 0 & 0 & 1 & 0 & 1 & 1 & 0 \ 1 & 0 & 1 & 0 & 0 & 0 & 0 & 1 \end{bmatrix}$$

这个矩阵中，32个元素只有10个是1——密度很低。正是这种稀疏性让LDPC可以高效解码。

3.3 Tanner图：LDPC的可视化表示

LDPC码最直观的理解方式是通过Tanner图——一种二分图，左边是变量节点（数据位），右边是校验节点（约束方程），边连接参与同一校验的数据位。

graph LR
    subgraph "变量节点（数据位）"
        v1["v₁"]
        v2["v₂"]
        v3["v₃"]
        v4["v₄"]
        v5["v₅"]
        v6["v₆"]
        v7["v₇"]
        v8["v₈"]
    end

    subgraph "校验节点（约束方程）"
        c1["c₁"]
        c2["c₂"]
        c3["c₃"]
        c4["c₄"]
    end

    v1 --- c1
    v2 --- c1
    v4 --- c1
    v2 --- c2
    v3 --- c2
    v5 --- c2
    v4 --- c3
    v6 --- c3
    v7 --- c3
    v1 --- c4
    v3 --- c4
    v8 --- c4

    style v1 fill:#bbdefb
    style v2 fill:#bbdefb
    style v3 fill:#bbdefb
    style v4 fill:#bbdefb
    style v5 fill:#bbdefb
    style v6 fill:#bbdefb
    style v7 fill:#bbdefb
    style v8 fill:#bbdefb
    style c1 fill:#ffcdd2
    style c2 fill:#ffcdd2
    style c3 fill:#ffcdd2
    style c4 fill:#ffcdd2

3.4 LDPC解码：消息传递算法

LDPC的解码不像传统编码那样"解方程"，而是在Tanner图上做消息传递（Message Passing）——也叫置信传播（Belief Propagation）算法。

通俗类比：想象一个侦探团队在破案。每个变量节点是一个"嫌疑人"（不确定自己是否有罪），每个校验节点是一个"侦探"（根据线索判断嫌疑人是否有罪）。他们反复交换信息：

1. 变量→校验："根据信道接收值，我有多大概率是0或1？"
2. 校验→变量："根据其他嫌疑人的状态，你这个位置应该是0还是1？"
3. 反复迭代几次，最终大家的判断趋于一致

这个过程在数学上是迭代计算每个比特的后验概率，直到收敛或达到最大迭代次数。

3.5 5G NR中LDPC的设计特点

5G NR采用了准循环LDPC（QC-LDPC）编码，具有以下特点：

为什么LDPC适合数据信道？ - 数据信道传输的是大块数据（几十到几千字节），LDPC在长码块时性能极佳 - LDPC解码器天然支持高度并行化，能满足5G eMBB场景多Gbps吞吐量需求 - 错误平层（Error Floor）极低，可达 $10^{-15}$ 级别

四、Polar码：控制信道的精准守护

4.1 Polar码的诞生——一个优雅的理论突破

2009年，土耳其裔学者Erdal Arıkan发表了论文《Channel Polarization》，证明了一种全新的编码方法可以达到信道容量极限——这是信息论领域几十年来追求的圣杯。

什么是信道容量？ 香农在1948年指出：任何信道都有一个最大传输速率，超过这个速率就无法可靠通信。但香农只证明了这个极限存在，没有给出具体怎么构造编码来达到它。Polar码是第一种被严格证明能达到信道容量的编码方案。

4.2 信道极化：Polar码的核心原理

极化（Polarization） 是理解Polar码的关键。想象你有一组N个质量相同的信道。通过一种特定的变换，这些信道会发生"极化"——有的变成完美信道（容量→1，几乎不犯错），有的变成完全无用信道（容量→0，信息全丢）。

极化前：  [0.5] [0.5] [0.5] [0.5] [0.5] [0.5] [0.5] [0.5]
          ↓ 信道极化变换 ↓
极化后：  [1.0] [1.0] [0.9] [0.95] [0.2] [0.1] [0.0] [0.0]
           ↑好信道↑          ↑还行↑     ↑差信道↑    ↑废了↑

核心策略：把真正要传的信息放在好信道上，把固定的已知比特（冻结位，通常是0）放在差信道上。

4.3 Polar编码的数学描述

Polar码的核心是生成矩阵，通过Kronecker积构造：

$$G_N = \begin{bmatrix} 1 & 0 \ 1 & 1 \end{bmatrix}^{\otimes n}$$

其中 $\otimes n$ 表示n次Kronecker积，$N = 2^n$。

以N=4（n=2）为例：

$$G_4 = \begin{bmatrix} 1 & 0 \ 1 & 1 \end{bmatrix}^{\otimes 2} = \begin{bmatrix} 1 & 0 & 0 & 0 \ 1 & 1 & 0 & 0 \ 1 & 0 & 1 & 0 \ 1 & 1 & 1 & 1 \end{bmatrix}$$

编码过程就是简单的矩阵乘法：$x = u \cdot G_N$

其中 $u$ 是输入向量，前 $K$ 位放信息比特，后 $N-K$ 位放冻结比特（0）。

4.4 极化的可视化（N=8的例子）

graph TD
    subgraph "极化前：8个等质量信道"
        ch1["信道1\n容量≈0.5"]
        ch2["信道2\n容量≈0.5"]
        ch3["信道3\n容量≈0.5"]
        ch4["信道4\n容量≈0.5"]
        ch5["信道5\n容量≈0.5"]
        ch6["信道6\n容量≈0.5"]
        ch7["信道7\n容量≈0.5"]
        ch8["信道8\n容量≈0.5"]
    end

    subgraph "极化变换"
        POLAR["信道极化\nG_N = F⊗n"]
    end

    subgraph "极化后：信道分化"
        good1["信道1\n容量≈1.0 ✅"]
        good2["信道2\n容量≈1.0 ✅"]
        good3["信道3\n容量≈0.9 ✅"]
        mid["信道4\n容量≈0.7 ⚠️"]
        bad1["信道5\n容量≈0.3 ⚠️"]
        bad2["信道6\n容量≈0.1 ❌"]
        bad3["信道7\n容量≈0.0 ❌"]
        bad4["信道8\n容量≈0.0 ❌"]
    end

    ch1 --> POLAR
    ch2 --> POLAR
    ch3 --> POLAR
    ch4 --> POLAR
    ch5 --> POLAR
    ch6 --> POLAR
    ch7 --> POLAR
    ch8 --> POLAR

    POLAR --> good1
    POLAR --> good2
    POLAR --> good3
    POLAR --> mid
    POLAR --> bad1
    POLAR --> bad2
    POLAR --> bad3
    POLAR --> bad4

    good1 -.- info1["→ 放信息比特"]
    good2 -.- info2["→ 放信息比特"]
    good3 -.- info3["→ 放信息比特"]
    bad2 -.- frozen1["→ 放冻结比特(0)"]
    bad3 -.- frozen2["→ 放冻结比特(0)"]
    bad4 -.- frozen3["→ 放冻结比特(0)"]

    style good1 fill:#c8e6c9
    style good2 fill:#c8e6c9
    style good3 fill:#c8e6c9
    style bad2 fill:#ffcdd2
    style bad3 fill:#ffcdd2
    style bad4 fill:#ffcdd2
    style mid fill:#fff9c4
    style bad1 fill:#fff9c4

4.5 Polar解码算法

Polar码的解码主要有以下几种：

CA-SCL解码的巧妙之处：先用CRC校验码对信息比特做一次"封印"，解码时从L条候选路径中选CRC校验通过的那条。这相当于给Polar码加了一层"保底机制"——即使Polar码本身性能有波动，CRC也能帮你选出正确答案。

4.6 为什么5G控制信道选Polar码？

flowchart TD
    Q["5G控制信道特点"] --> A["短块长\n(20-140 bits)"]
    Q --> B["低码率\n(1/8 ~ 1/2)"]
    Q --> C["极低BLER要求\n(<1%)"]

    A --> D{哪种编码最适合？}
    B --> D
    C --> D

    D -->|"短块长表现"| E["Polar码 ✅\n短块长时BLER最优"]
    D -->|"短块长表现"| F["LDPC码 ❌\n短块长性能下降明显"]
    D -->|"短块长表现"| G["Turbo码 ❌\n复杂度高且性能不如Polar"]

    E --> H["5G NR决策：\nPolar码 → 控制信道\nLDPC码 → 数据信道"]

    style E fill:#c8e6c9
    style F fill:#ffcdd2
    style G fill:#ffcdd2
    style H fill:#e1f5fe

核心原因： - 控制信息（DCI/UCI）通常只有20-140比特，Polar码在短码块时性能明显优于LDPC - Polar码的编码复杂度只有O(N log N)，非常适合控制信道频繁的编解码需求 - Polar码的理论最优性（可达信道容量）给系统设计提供了性能保证

五、三大技术的协同：5G物理层信号处理全流程

5.1 完整发送链路

flowchart TD
    subgraph "1. 信道编码"
        INFO["原始信息比特"] --> CRC_ADD["加CRC校验"]
        CRC_ADD --> CODE_SEL{"信道类型？"}
        CODE_SEL -->|"数据信道"| LDPC_ENC["LDPC编码\n(BG1/BG2)"]
        CODE_SEL -->|"控制信道"| POLAR_ENC["Polar编码\n(CA-SCL)"]
    end

    subgraph "2. 速率匹配与调制"
        LDPC_ENC --> RM1["速率匹配"]
        POLAR_ENC --> RM2["速率匹配"]
        RM1 --> QAM["QAM映射\n(QPSK/16QAM/64QAM/256QAM)"]
        RM2 --> QAM
    end

    subgraph "3. OFDM调制"
        QAM --> S2P["串并转换\n分到N个子载波"]
        S2P --> RE_MAP["资源映射\n(频域RE映射)"]
        RE_MAP --> IFFT_MOD["IFFT\n生成时域OFDM符号"]
        IFFT_MOD --> CP["加循环前缀CP"]
        CP --> TX["射频发射"]
    end

    style LDPC_ENC fill:#ffcdd2
    style POLAR_ENC fill:#c8e6c9
    style IFFT_MOD fill:#bbdefb

5.2 三者的分工逻辑

5.3 5G NR vs 4G LTE 编码方案对比

为什么4G的Turbo码被淘汰了？ - Turbo码在高吞吐量下解码复杂度太高，难以满足5G eMBB的10Gbps需求 - Turbo码存在"水床效应"——性能优化到一个点后很难再提升 - LDPC和Polar的组合在各个方面都优于Turbo+卷积码的组合

六、实战调试指南

6.1 FFT/IFFT相关调试场景

场景1：OFDM频偏补偿 - 现象：频域子载波上出现"倾斜"的幅度谱 - 原因：FFT窗口起点偏移，等效于时域引入了相位旋转 - 解决：利用CP做 fine timing adjustment，或利用导频做频偏估计和补偿

场景2：PAPR过高导致功放非线性 - 现象：EVM（误差矢量幅度）恶化，频域出现带外辐射 - 原因：IFFT后多个子载波同相叠加产生高峰值 - 解决：5G NR支持DMRS和PTRS（相位跟踪参考信号）来辅助补偿

6.2 LDPC相关调试场景

场景3：高码率下BLER偏高 - 检查BG选择：码块>3824 bits时必须用BG1，否则性能下降 - 检查速率匹配参数：打孔过多会导致解码失败 - 检查迭代次数：LDPC通常8-20次迭代，太少会性能差，太多会增加时延

场景4：解码不收敛 - 检查信道估计质量：LDPC解码对信道估计误差很敏感 - 检查量化精度：硬件实现中，消息传递的定点量化位宽不足会导致性能劣化

6.3 Polar码相关调试场景

场景5：DCI解码失败 - 检查列表大小L：5G NR终端通常支持L=8的CA-SCL，确保参数配置正确 - 检查冻结位集合：冻结位位置由信道质量决定（通过信令或预定义表），配置错误会全盘失败 - 检查CRC：CA-SCL依赖CRC做最终路径选择，CRC多项式必须与标准一致

常见问题

Q1: FFT和IFFT有什么区别？发送端为什么用IFFT而不是FFT？ A: FFT是时域→频域（分析），IFFT是频域→时域（合成）。在OFDM系统中，发送端需要把频域的多个QAM符号合成一个时域波形发射出去，所以用IFFT（频域→时域）。接收端需要把时域波形分解回各子载波的频域数据，所以用FFT（时域→频域）。记住口诀："IFFT发、FFT收"。

Q2: LDPC码和Polar码能不能互换使用？ A: 理论上可以，但性能会很差。LDPC在短码块（<200 bits）时错误平层较高，不适合控制信道；Polar码在长码块时解码复杂度急剧上升，不适合高速数据信道。5G NR的分工是经过大量仿真评估后的最优选择。

Q3: 为什么5G不用Turbo码了？ A: 三个原因：(1) Turbo码的串行解码结构难以并行化，达不到5G的吞吐量要求；(2) LDPC在长码、Polar在短码上分别优于Turbo码；(3) Turbo码的解码复杂度约为O(N·iter·states)，随块长增长更快。LDPC的并行解码架构更适合硬件实现。

Q4: Polar码的"极化"是物理过程还是数学变换？ A: 纯数学变换。通过对输入比特做特定的线性变换（Kronecker积），使得等效的"子信道"出现容量分化。好的子信道传输信息比特，差的子信道传固定的冻结比特。这个过程完全在编解码器内部完成，与物理信道无关。

Q5: 实际基带芯片中FFT点数是多少？ A: 5G NR FR1（Sub-6GHz）典型FFT size为4096（支持100MHz带宽，子载波间隔30kHz时）；FR2（毫米波）可达8192。但实际使用时，并非所有子载波都承载数据——边缘子载波作为保护带留空，中间部分用于数据和控制。有效子载波数通常为FFT size的60%-80%。

参考来源

1. LDPC与Polar码在5G中的关键角色与实战对比 - CSDN博客 — 详细对比两种编码方案在5G NR中的应用
2. 彻底搞懂快速傅里叶变换FFT--蝴蝶操作 - 知乎 — 蝶形运算的通俗图解
3. 5G技术详解：LDPC与Polar码编码、多址与调制方法 - CSDN博客 — 5G NR编码技术的工程实践角度解析

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。