CA-SCL译码实战：从polar.zip到误块率曲线-开发者社区

简介：这份资源围绕极化码（Polar Code）与CA-SCL解码器展开，面向无线通信、信道编码方向的学习者与研究人员，帮助理解从信道极化理论到级联SCL解码的完整实现思路。压缩包共16个文件，约19KB，以12个MATLAB脚本（.m）为核心，涵盖极化编码、SCL/CA-SCL解码、CRC校验、路径度量与AWGN信道仿真等模块；另有2个C++源文件及配套mexw64动态库，用于加速似然率计算，并附一份运行日志便于排查环境问题。已有216人学习下载。读者可据此复现极化码编码、冻结位构造、列表解码与回溯判决等关键流程，对照代码理解列表大小与回溯深度对性能的影响，并借助CRC辅助机制观察误码率变化，适合作为5G NR极化码入门实践与算法验证的参考素材。

1. 从 polar.zip 说起：CA-SCL 译码为什么值得你花一个周末跑通

如果你最近在搜polar.zip_CA SCL_polar code，大概率是手里已经有一份 Polar 码的仿真工程，或者正准备从 SC 译码往 CA-SCL 方向迁移。Polar 码在 5G 控制信道里被采用之后，SC（Successive Cancellation）译码的短板就暴露得很明显：码长一长、信噪比一低，误块率曲线掉得不够快。CA-SCL（CRC-Aided Successive Cancellation List）就是在这个背景下成为工程默认选项的——它把 CRC 校验位当作“后悔药”，在列表里保留多条候选路径，最后用 CRC 挑出最像的那条。

这个标题对应的不是一篇论文，而是一类可复现的工程包：一个能跑通 Polar 编码、AWGN 信道、SC/SCL/CA-SCL 译码对比的仿真目录。适合谁？适合正在做链路级仿真、需要给 Polar 码选译码方案、或者要复现 CA-SCL 性能曲线的工程师和学生。它解决的核心问题是：让你在本地用几十行 Python 或 C 代码，把 CA-SCL 相对 SCL 的增益跑出来，而不是只停留在公式推导。下面我按“先立住原理、再动手复现、最后避坑”的顺序，把这条路走一遍。

2. CA-SCL 译码的工程拆解：从 SC 到列表再到 CRC 筛选

2.1 SC 译码的递归结构决定了后面所有优化

SC 译码的本质是按比特逐个判决，每个比特的判决依赖前面所有已判决比特。工程上通常用递归的 f 和 g 函数在因子图上做软信息传递。f 函数处理两个似然比的合并，g 函数在已知一个比特后修正另一个分支的软信息。这个结构决定了 SC 的复杂度是 O(N log N)，也决定了它一旦前面判错，后面无法回退。

我一般会先写一个最朴素的 SC 递归版本，确认因子图索引和冻结位位置没错，再往上叠列表。因为 SCL 的所有路径扩展都建立在 SC 的软信息计算之上，SC 写错，SCL 的曲线会整体偏移，后面调参数就是玄学。

import numpy as np def f_func(a, b): # 两个似然比的 f 合并，对应因子图上半部分 return np.sign(a) * np.sign(b) * min(abs(a), abs(b)) def g_func(a, b, u): # u 为已判决比特，对下分支做修正 return b + (1 - 2 * u) * a def sc_decode(llr, frozen_pos): # llr: 信道对数似然比，frozen_pos: 冻结位索引集合 N = len(llr) u_hat = np.zeros(N, dtype=int) # 这里省略递归展开，实际工程用迭代或递归树实现 # 关键点：冻结位强制判 0，信息位按 llr 符号判 for i in range(N): if i in frozen_pos: u_hat[i] = 0 else: u_hat[i] = 0 if llr[i] >= 0 else 1 return u_hat

上面这段是骨架，真实工程里 llr 会随递归层级更新，不能直接用信道 llr 判所有位。参数说明：frozen_pos来自 Polar 码构造，常用高斯近似或巴氏参数法生成；llr的符号约定要统一，我习惯正数判 0、负数判 1，换约定会让曲线完全对不上。

2.2 SCL 的列表扩展：路径数 L 不是越大越好

SCL 在每个信息位同时保留 0 和 1 两个分支，路径数翻倍，然后按路径度量（PM）排序，保留最好的 L 条。PM 的更新和 llr 的绝对值有关：判决与 llr 符号一致时 PM 不变，不一致时 PM 增加 |llr|。这个设计让 PM 越小路径越可靠。

L 的选取是工程折中。L=1 退化成 SC；L=4 或 8 在短码下已经能拿到大部分增益；L=32 以上收益递减，但内存和排序开销线性涨。我一般先在 L=8 上把曲线跑通，再扫 L=1/2/4/8/16/32 看拐点。

def scl_decode(llr, frozen_pos, L=8): # 路径用 (pm, u_hat, llr_state) 表示，pm 越小越好 paths = [(0.0, [], llr.copy())] N = len(llr) for i in range(N): new_paths = [] for pm, u_hat, state in paths: if i in frozen_pos: # 冻结位只扩展 0 分支 new_paths.append((pm, u_hat + [0], state)) else: # 信息位扩展 0 和 1 两个分支 for bit in (0, 1): # 简化 PM 更新：按 llr 符号与 bit 是否一致累加 penalty = 0 if (state[i] >= 0) == (bit == 0) else abs(state[i]) new_paths.append((pm + penalty, u_hat + [bit], state)) # 按 PM 升序保留前 L 条 new_paths.sort(key=lambda x: x[0]) paths = new_paths[:L] return min(paths, key=lambda x: x[0])[1]

这段代码把路径扩展和排序逻辑写清楚了，但真实工程里state要随递归更新，不能一直用初始 llr。参数说明：L是列表宽度，直接决定复杂度和内存；penalty的计算依赖 llr 的数值尺度，如果信道 llr 做了归一化，PM 的绝对值会变，但排序相对关系不变。

2.3 CRC 辅助：把列表里的候选路径用校验位筛一遍

CA-SCL 的关键增量是在信息位后面附上 CRC 校验位，译码结束后对每条候选路径做 CRC 校验，第一条通过校验的路径就是输出。如果所有路径都没通过，通常回退到 PM 最小的那条。CRC 长度常见 6、11、16、24 位，长度越长虚警概率越低，但占用的信息位也越多。

工程上要注意：CRC 校验的是译码后的信息比特，不是编码前的。所以路径的u_hat里要先把信息位提取出来，再做 CRC。我见过有人直接对全零填充后的码字做校验，曲线看着对，实际误块率偏高，这就是黑匣子没打开。

def crc_check(u_hat, info_pos, crc_len, poly=0x1021): # 提取信息位和 CRC 位，做模 2 除法校验 info_bits = [u_hat[i] for i in info_pos] msg = info_bits[:-crc_len] crc_recv = info_bits[-crc_len:] # 简化 CRC 计算，实际用查表或位运算 crc_calc = 0 for bit in msg: crc_calc = ((crc_calc << 1) | bit) & ((1 << crc_len) - 1) return crc_calc == int(''.join(map(str, crc_recv)), 2) def ca_scl_decode(llr, frozen_pos, info_pos, L=8, crc_len=16): paths = scl_decode(llr, frozen_pos, L) # 这里应返回多条路径 # 实际工程中 scl_decode 要返回排序后的路径列表 for u_hat in paths: if crc_check(u_hat, info_pos, crc_len): return u_hat return paths[0] # 全部失败则回退 PM 最小

参数说明：poly是 CRC 生成多项式，不同标准用的不一样，选错会导致校验永远失败；info_pos是信息位索引，必须和冻结位集合互补且不重叠。这段代码的scl_decode需要改成返回多条路径，否则 CA-SCL 没有意义。

3. 在本地跑通 CA-SCL：从 polar.zip 到误块率曲线

3.1 目录结构和依赖：先把环境钉死

拿到一个polar.zip类似的工程包，我第一件事不是跑主程序，而是看依赖和目录。常见结构是src/放编码译码，sim/放仿真脚本，config/放码长、码率、信噪比扫描配置。依赖通常只有 numpy 和 matplotlib，少数用 C 加速的会带 pybind11 或 ctypes。

我一般会建一个干净的虚拟环境，把 numpy 版本钉在 1.24 左右，避免新版本 API 变动导致np.sign行为差异。然后先跑一个最小用例：N=64，K=32，SNR=2dB，L=8，看能不能出比特。这一步过了，再上误块率扫描。

python -m venv polar_env source polar_env/bin/activate # Windows 用 polar_env\Scripts\activate pip install numpy==1.24.3 matplotlib==3.7.1 python -c "import numpy; print(numpy.__version__)"

逻辑说明：虚拟环境隔离系统包，避免和已有工程冲突；版本钉死是为了复现曲线，numpy 大版本升级有时会改随机数生成器默认行为，导致 SNR 扫描结果不可比。

3.2 编码和构造：冻结位位置决定性能上限

Polar 编码本身很简单：把信息位放在可靠度高的位置，冻结位放 0，然后做比特反转和异或。难点在构造——怎么知道哪些位置可靠。工程上常用高斯近似（GA）或巴氏参数法。GA 在 AWGN 下更准，但计算量大；巴氏参数法快，短码下够用。

我一般先用巴氏参数法生成冻结位，跑通后再换 GA 对比。构造错了，SCL 的曲线会整体差 1dB 以上，而且 L 越大差距越明显，因为列表在错误的位置上扩展。

def construct_frozen(N, K, design_snr=2.0): # 巴氏参数法简化版：按信道容量排序，选 K 个最可靠的位置 # 实际工程用递归计算巴氏参数或高斯近似 reliabilities = np.zeros(N) for i in range(N): # 这里用索引的二进制表示近似可靠度，仅作示例 reliabilities[i] = bin(i).count('1') # 占位逻辑，真实实现需替换 order = np.argsort(reliabilities)[::-1] info_pos = set(order[:K]) frozen_pos = set(range(N)) - info_pos return frozen_pos, info_pos

参数说明：design_snr是构造时假设的信噪比，设高了会偏向高可靠位置，设低了会保守；K是信息位数量，包括 CRC 位。这段的可靠度计算是占位，真实工程必须用 GA 或巴氏参数递推，否则曲线不可信。

3.3 误块率扫描：SNR 点怎么取、多少帧才够

跑误块率曲线，SNR 点一般从 0dB 到 4dB，步长 0.5dB。每个点至少 1000 个块，误块率到 1e-3 以下要 10000 块以上。我习惯先跑 200 块看趋势，曲线形状对了再补帧数。帧数不够时曲线会抖，尤其是 CA-SCL 在低误块率区，CRC 筛选让有效样本变少。

def simulate_fer(N, K, snr_db, L, crc_len, frames=1000): frozen_pos, info_pos = construct_frozen(N, K) errors = 0 for _ in range(frames): msg = np.random.randint(0, 2, K - crc_len) # 编码、加噪、译码流程省略，核心是调用 ca_scl_decode # 比较译码结果和原始 msg，统计误块 pass return errors / frames

逻辑说明：frames是每个 SNR 点的块数，直接决定曲线平滑度；snr_db是符号信噪比，换算成 llr 时要乘 2/方差。这段没写完整编码，是因为编码部分和构造强相关，建议先单独验证编码器输出和标准一致。

4. CA-SCL 调参和排错：那些让曲线对不上的坑

4.1 现象：CA-SCL 曲线和 SCL 完全重合

原因通常是 CRC 校验没生效。检查info_pos是否包含了 CRC 位，crc_check是否真的在筛选路径。如果scl_decode只返回一条路径，CA-SCL 就退化成 SCL。解决：让scl_decode返回排序后的路径列表，逐条做 CRC，打印通过校验的路径索引。

4.2 现象：L 增大后误块率反而变差

一般是 PM 更新符号反了。PM 应该越小越好，如果排序时取了降序，保留的是最差路径。检查new_paths.sort(key=lambda x: x[0])是否升序，以及penalty是否在判决与 llr 不一致时增加。另一个可能是 llr 符号约定和 PM 更新不匹配。

4.3 现象：高 SNR 下曲线出现错误平台

CRC 长度不够或生成多项式选错。CRC-16 在块长 64 时虚警概率约 1/65536，如果曲线在 1e-4 附近压不下去，先换 CRC-24 试试。另外检查 CRC 计算是否覆盖了所有信息位，漏掉最后几位会导致校验形同虚设。

4.4 现象：仿真速度慢到跑不完

Python 递归实现 SCL 在 N=1024、L=32 时每帧要几百毫秒。常见优化是把递归改成迭代，用 numpy 向量化路径扩展，或者把译码核心用 C 重写。我一般先用 N=256 跑通逻辑，再上大码长。如果只是验证算法，不必一上来就 N=1024。

5. 把 CA-SCL 用对：从仿真到链路级验证的几个习惯

CA-SCL 的仿真跑通只是第一步，真正要用到链路里，我习惯做三件事。第一，固定随机种子，把编码、加噪、译码的随机源分开，这样换 L 或 CRC 长度时曲线可比。第二，单独验证编码器：全零信息位编码后应该得到全零码字，全一信息位编码后和标准表对一遍。第三，画曲线时同时画 SC、SCL、CA-SCL 三条，确认增益方向符合预期——CA-SCL 应该在 SCL 基础上再降，而不是重合或更差。

进阶用法上，可以试 CRC 长度和 L 的联合扫描。我一般列一个表，行是 L=4/8/16/32，列是 CRC=6/11/16/24，每个格子跑 2000 帧，看哪个组合在目标误块率下复杂度最低。常见结论是 L=8、CRC=16 在短码下性价比最高，但码长到 512 以上时 L=16 开始有优势。