非正则LDPC码字的优化设计方法及系统与流程

本发明涉及通信技术领域，尤其涉及一种非正则ldpc码字的优化设计方法及系统。

背景技术：

目前，长距离、大容量无线数据传输需求日益增长。为获得尽量长的有效传输距离，恒模调制是一个有效的手段，能够使功放工作在饱和放大区而不产生信号畸变。相关文献指出，在变量节点和校验节点的度分布分别固定的情况下，可以优化另一个，并给出了校验节点度分布的近似的两项表示，称为“集中分布”。基于该集中分布，其他文献对非正则ldpc码字优化问题进行了进一步的研究。但显然，“集中分布”只是校验节点度分布的所有取值的一个很小的子集，难以得到最优解。

在级联ldpc-cpm系统优化设计方面，相关文献对ldpc与cpm级联的一种特殊情况，即msk进行了研究。另一文献对cpm与ldpc级联进行了研究，但该文献提出了“部分交织”的假设，即交织只能在度相同的变量节点之间进行，并基于此提出了线性的最优化度分布的方法。然而，该假设在实际的系统中难以实现。在得到最优的度分布后，还需要对校验矩阵进行设计，以达到期望的性能。其中，校验矩阵中的短环会严重影响ldpc码的纠错性能。

技术实现要素：

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一方面目的在于提出一种误码率低，系统稳定性高的非正则ldpc码字的优化设计方法。

本发明另一方面目的在于提出非正则ldpc码字的优化设计系统。

为达到上述目的，本发明一方面的实施例提出了一种非正则ldpc码字的优化设计方法，包括以下步骤：系统模型ldpc编码后的序列与连续相位调制器之间采用全局交织器进行建模，以得到非正则ldpc-cpm级联系统模型，并将校验节点的度分布扩展为在所有的度的取值点均可取值；应用鸡群优化算法对所述非正则ldpc-cpm级联系统模型进行度分布优化求解，以得到最优的度分布；在得到最优的度分布后，依次考虑每个变量节点vnj的第q条边，并以该变量节点为顶点，通过子图展开得到使当前子图的环长最长的校验节点集合pt，以及从所述pt中选择出当前度最小的节点构成集合pm，并从pm中选择使当前校验节点的度分布最接近最优度分布的校验节点并连入vnj，从而得到符合最优度分布的校验矩阵。

根据本发明实施例的非正则ldpc码字的优化设计方法，通过建立非正则ldpc-cpm级联系统模型，并扩展校验节点的度分布扩展成所有的度，应用鸡群优化算法对非正则ldpc-cpm级联系统模型进行度分布优化求解，然后依次考虑每个变量节点，得到当前子图的环长最长的校验节点，通过选择使当前校验节点的度分布最接近最优度分布的校验节点，得到符合最优度分布的校验矩阵。该方法具有在相同的信道条件下获得更低的误码率，更高的数据传输可靠性，在无线通信系统中有广阔的应用潜力等优点。

在一些示例中，所述非正则ldpc-cpm级联系统模型中，数据接收端采用软入软出的方式进行迭代解码。

在一些示例中，所述的非正则ldpc码字的优化设计方法，其特征在于，校验节点的度分布为多个非零取值。

在一些示例中，所述非正则ldpc-cpm级联系统模型的函数表达的最小化目标函数：

约束条件为：

在一些示例中，所述应用鸡群优化算法对所述非正则ldpc-cpm级联系统模型进行，度分布优化求解，以得到最优的度分布，包括：

设定参数；用蒙特卡洛法获得一系列的{ivm,imv},对其进行拟合；随机产生初始化参数向量；对每个个体的参数值，检查约束条件c0,c1,c2，直到符合约束条件为止；根据每个个体的适应值，确定其身份和跟随关系；根据每个个体当前的参数值和身份、跟随关系，更新每个个体的参数值；检查约束条件c0,c1,c2，如不符合，重新更新参数向量，直到符合约束条件为止；计算新的参数下个体的适应值，如比原适应值更优，则更新，并记录该参数；每隔g轮迭代，更新个体的身份和跟随关系；共进行n轮迭代后结束。

本发明的另一方面的实施例提出了一种非正则ldpc码字的优化设计系统，包括：建立模块，用于系统模型ldpc编码后的序列与连续相位调制器之间采用全局交织器进行建模，以得到非正则ldpc-cpm级联系统模型，并将校验节点的度分布扩展为在所有的度的取值点均可取值；求解模块，用于应用鸡群优化算法对所述非正则ldpc-cpm级联系统模型进行度分布优化求解，以得到最优的度分布；优化模块，用于在得到最优的度分布后，依次考虑每个变量节点vnj的第q条边，并以该变量节点为顶点，通过子图展开得到使当前子图的环长最长的校验节点集合pt，以及从所述pt中选择出当前度最小的节点构成集合pm，并从pm中选择使当前校验节点的度分布最接近最优度分布的校验节点并连入vnj，从而得到符合最优度分布的校验矩阵。

根据本发明实施例的非正则ldpc码字的优化设计系统，通过建立模块建立非正则ldpc-cpm级联系统模型，并扩展校验节点的度分布扩展成所有的度，求解模块应用鸡群优化算法对非正则ldpc-cpm级联系统模型进行度分布优化求解，然后优化模块通过依次考虑每个变量节点，得到当前子图的环长最长的校验节点，通过选择使当前校验节点的度分布最接近最优度分布的校验节点，得到符合最优度分布的校验矩阵。该系统具有在相同的信道条件下获得更低的误码率，更高的数据传输可靠性，在无线通信系统中有广阔的应用潜力等优点。

在一些示例中，所述非正则ldpc-cpm级联系统模型中，数据接收端采用软入软出的方式进行迭代解码。

在一些示例中，校验节点的度分布为多个非零取值。

在一些示例中，所述非正则ldpc-cpm级联系统模型的函数表达的最小化目标函数：

约束条件为：

在一些示例中，所述求解模块用于：设定参数；用蒙特卡洛法获得一系列的{ivm,imv},对其进行拟合；随机产生初始化参数向量；对每个个体的参数值，检查约束条件c0,c1,c2，直到符合约束条件为止；根据每个个体的适应值，确定其身份和跟随关系；根据每个个体当前的参数值和身份、跟随关系，更新每个个体的参数值；检查约束条件c0,c1,c2，如不符合，重新更新参数向量，直到符合约束条件为止；计算新的参数下个体的适应值，如比原适应值更优，则更新，并记录该参数；每隔g轮迭代，更新个体的身份和跟随关系共进行n轮迭代后结束。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本发明实施例的非正则ldpc码字的优化设计方法的流程图；

图2是根据本发明实施例的非正则ldpc码字的优化设计系统的结构示意图；

图3是本发明实施例的连续相位调制分解为连续相位编码与无记忆的相位调制的级联示意图；

图4是本发明实施例的ldpc-cpm级联系统的整体框图示意图；

图5是本发明实施例的ldpc-cpm级联系统接收端的联合译码器框图示意图；

图6是本发明实施例的ldpc-cpm级联系统联合译码器的外信息传递示意图；

图7根据本发明实施例的鸡群优化算法进行度分布优化设计流程图；

图8是具体实施例的改进的启发式搜索(peg)算法构造ldpc校验矩阵；

图9是根据本发明一个仿真实验的外信息迭代曲线；和

图10是根据本发明一个仿真实验的误码率对比图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

参见图1，为根据本发明实施例的非正则ldpc码字的优化设计方法的流程图，本发明一个实施例的非正则ldpc码字的优化设计方法，包括以下步骤：

s1，系统模型ldpc编码后的序列与连续相位调制器之间采用全局交织器进行建模，以得到非正则ldpc-cpm级联系统模型，并将校验节点的度分布扩展为在所有的度的取值点均可取值。

具体来说，首先，连续相位调制(cpm)首先将比特映射为符号ai∈{-(m-1)，-(m-3)，...(m-1)}，得到scpm(t，a)＝a·exp(2πfct+φ(t，a))，τ＝t-nt。令ui＝(ai+m-1)/2，即ui∈{0，1，...(m-1)}，得到cpm的倾斜相位表示为，

其中，倾斜相位表示表明，连续相位调制相当于一个卷积编码与相位调制的级联，如图3本发明实施例的连续相位调制分解为连续相位编码与无记忆的相位调制的级联示意图所示。因此可以采用bcjr算法进行软入软出(siso)解码。

在具体示例中，发送端对于信息比特流，首先进行ldpc编码，随后进行连续相位调制(cpm)，即将编码后的比特映射为符号ai∈{-(m-1)，-(m-3...(m-1)}，得到τ＝t-nt。进行载波调制后发出；接收端首先得到基带信号，随后采用bcjr算法进行cpm解调，得到软信息，送入ldpc解码器中，得到软信息后送回cpm解调，进行迭代解码。最终对软信息进行判决，得到解码比特。

可以理解的是，低密度奇偶校验(ldpc)码可以通过在变量节点和校验节点间置信度传播的方式进行迭代解码，具有极强的纠错能力。与某个节点直接相连的其他节点的个数，称为该节点的度。记与度为i的变量节点vn相连的边的数目占所有边的总数的比例为λi，与度为j的校验节点cn相连的边的数目占所有边的总数的比例为ρj，那么变量节点的度的均值校验节点的度的均值因此级联ldpc-cpm系统的码率为

可以理解的是，在给定的信噪比、cpm调制阶数m、变量节点和校验节点的度的最大、最小值，通过优化度分布序列{λi}和{ρj}来最大化rl。

结合图4本发明实施例的ldpc-cpm级联系统的整体框图示意图和图5本发明实施例的ldpc-cpm级联系统接收端的联合译码器框图示意图可以知道ldpc-cpm联合译码器可以划分为cpm-vn和cn两个部分，外信息在cpm的解调模块和ldpc的解码模块中进行循环迭代，其外信息传递的示意图如图6本发明实施例的ldpc-cpm级联系统联合译码器的外信息传递示意图所示。

进一步地，结合图1、图3、图4、图5和图6，分析外信息的迭代过程。

可以理解的是，变量节点到校验节点的外信息为度为i的变量节点到任意一个与之相连的校验节点的外信息按照边的比例λi的加权平均，

其中，l为迭代次数。而对于度为i的变量节点，其由之相连的第k条边输出的软信息(似然比)为：

其中，llrm,v为cpm模块到变量节点的软信息，为除第k条边外其他与该变量节点相连的校验节点到该变量节点的软信息。

进一步地，考虑awgn信道，则llr具有高斯分布从而得到：

σm,v,分别为似然比对应的高斯分布的标准差。与此对应的外信息为，i＝j(σllr)。j(·)函数没有准确的解析表达式，常用多项式近似形式，且j(.)和j^-1(.)均为单调增函数。从而得到，

为由cpm模块到变量节点的外信息，其表达为：

函数t(.)由cpm调制的参数和信道的条件(信噪比)共同决定，需要通过仿真求出。

进一步地，其求解算法如下：

给定信噪比、cpm的参数，取ia＝[0:t:1-t]，t为一个很小的常数，例如t＝0.001；随机生成发送长为lb的比特序列x；由计算得到先验信息的似然比的分布，σllr,a＝j-¹(ia)；用蒙特卡洛的方法模拟先验信息的似然比序列llra为生成调制后的序列，根据给定的信噪比添加高斯白噪声，模拟接收序列r，经过匹配滤波得到信道观测似然比序列llrc；联合llre，llra，llrc，经过一次bcjr算法，得到输出的似然比序列llre；采用histogram方法，求解x与llre的互信息ie；将所得的{ia,ie}序列进行拟合，即得到函数t(.)。

如图6所示，为由变量节点到cpm模块的外信息，由度为i的变量节点向cpm模块输出的外信息经过其占所有变量节点的数目的加权平均得到，

经过类似的过程可以推出，

为由校验节点到变量节点的外信息，由度为j的校验节点的外信息经边的比例ρj加权平均得到，

对于ldpc码，校验节点到变量节点的外信息icv(ia)为对应的先验信息ia的函数，

icv(ia)＝1-ivc(1-ia)，

所以对于度为j的校验节点，其外信息为，

由以上推导过程，我们得到了的更新公式，记为，

进一步地，对于cpm+vn部分，其外信息迭代过程为对于cn部分，其外信息迭代过程为即，

可以理解的，在该系统模型下，度分布优化的过程需要考虑三个约束条件，分别是归一化约束，外信息增长约束，稳定收敛约束。

其中，归一化约束：变量节点和校验节点的度分布值应为非负、归一化的取值，即，并且有0≤λi≤1，0≤ρj≤1；外信息增长约束：为了保证译码的成功(即译码通道存在)，每经过一次迭代，外信息应有所增长，即对应于以为纵坐标，以为横坐标的φv曲线应始终在以为纵坐标，以为横坐标的曲线的上方，即稳定收敛约束：在1附近时，能够通过迭代，稳定地收敛到1，这要求在1附近，外信息的更新函数的斜率小于1，即，近似解出，

至此，本发明非正则ldpc-cpm级联系统的模型下，最大化ldpc码率的问题完整表述如下：

给定参数：信噪比es/n0，调制阶数m，调制指数h，关联长度l，变量节点和校验节点度分布的取值范围(最大、最小值)dv,min,dc,min,dv,max,dc,max，

最小化目标函数：

约束条件：

以上步骤为本实施例非正则ldpc-cpm级联系统的模型下，最大化ldpc码率的问题的完整表述创建过程，其包括给定参数、最小化目标函数和约束条件。

s2，应用鸡群优化算法对非正则ldpc-cpm级联系统模型进行度分布优化求解，以得到最优的度分布。

首先，先介绍考虑应用鸡群优化算法对非正则ldpc-cpm级联系统模型进行度分布优化求解的原因。

本发明所归纳的最优化问题，为一个非线性的目标函数、带有非线性约束条件的最优化问题，因此需要采用非线性的最优化算法进行求解。本发明应用相关文献中所提出的鸡群优化算法，针对约束条件进行改进，能够在较低复杂度下得到最优解。

进一步地，简述该算法如下：构造一个规模为p，公鸡、母鸡、小鸡的比例为rp％、hp％、cp％的群体，他们觅食的能力依次减弱。母鸡中有mh％的群体能够喂养小鸡。将待优化的d个参量作为每个个体i的“位置”向量xi，将目标函数作为描述该个体觅食能力的“适应值”fi。初始化随机设定每个个体的位置，按照适应值从低到高将其标记为公鸡、母鸡、小鸡。每只母鸡会跟随一只公鸡觅食，每个公鸡可以带领多只母鸡；每个小鸡只跟随一只能够喂养小鸡的母鸡觅食。公鸡、母鸡、小鸡之间的跟随关系是随机选择的。每一次迭代，对每个个体位置按照下述的规则进行随机的调整。迭代共进行n次，每隔g次迭代，根据适应值更新每个个体的身份，并重新随机设定个体之间的跟随关系。

公鸡为：

xi(t+1)＝xi(t)(1+n(σ))，

其中，n(σ)为一个d维的随机变量，其每个维度都符合均值为0，方差为σ²的高斯分布。k为随机选择的某个公鸡的标号，k≠i；

母鸡为：

xi(t+1)＝xi(t)+s1u1(xr1(t)-xi(t))+s2u2(xr2(t)-xi(t))，

s2＝exp(fr2-fi)，

其中，u1和u2均为d维的随机变量，其每个维度都符合[0，1]上的均匀分布。r1为第母鸡i跟随的公鸡，r2为一个随机选择的公鸡或母鸡，且r2≠r1；

小鸡为：

xi(t+1)＝xi(t)+f(xm(t)-xi(t))，

其中，m是该小鸡i所跟随的母鸡，f∈(0，2)为一个常数。

具体的，在本实施例的优化问题中，需要对λi，ρi进行联合优化。由于归一化边界条件因此只需构造维度为d＝dv，max-dv，min+dc，max-dc，min的位置向量x＝[λv，min，...，λv，max-1，ρc，min，...，ρc，max-1]，而“适应值”即优化的目标函数为最小化

由于鸡群优化算法每次的迭代更新存在随机性，每只鸡每轮的迭代更新都需要检查边界条件，对于不符合边界条件的取值，应该重新按照算法的规则进行随机的更新，直到得到符合边界条件的解为止。

结合图7根据本发明实施例的鸡群优化算法进行度分布优化设计流程图，我们完整写出本文的度分布优化算法，如下：

a)设定参数。信道：eb/n0；cpm：m，h，l，q(t)；ldpc：dv，min，dc，min，dv，max，dc，max；cso：n，g，p，rp，hp，cp，mh，f；

b)用蒙特卡洛法获得一系列的{ivm，imv}，对其进行拟合，得到t(.)；

c)cso初始化：随机产生初始化参数向量，即分配每个个体体的“位置”；

d)对每个个体的参数值检查约束条件c0，c1，c2，如不符合，则返回c重新初始化；直到符合约束条件为止；

e)cso初始化：根据每个个体的适应值(目标函数值)确定其身份和跟随关系；

f)根据每个个体当前的参数值和身份、跟随关系，更新每个个体的参数值；

g)检查约束条件c0,c1,c2，如不符合，则返回f重新更新；直到符合约束条件为止；

h)计算新的参数下个体的适应值(目标函数值)，如比原适应值更优，则更新，并记录该参数；

i)每隔g轮迭代，更新个体的身份和跟随关系；

j)共进行n轮迭代，结束。

在具体示例中，应用鸡群优化算法(chickenswarmoptimization，cso)进行度分布优化求解为以下步骤：

a)设定参数。信道:eb/n0；cpm:m,h,l,q(t)；ldpc:dv,min,dc,min,dv,max,dc,max；cso:鸡群规模为p，公鸡、母鸡、小鸡的比例为rp％、hp％、cp％，母鸡中有mh％的群体能够喂养小鸡。总迭代次数n,每隔g次迭代更新身份和跟随关系，常数f；

b)用蒙特卡洛法获得一系列的{ivm,imv},对其进行拟合，得到t(.)；

c)cso初始化：随机产生初始化参数向量，即分配每个个体体的“位置”；由于归一化边界条件因此只需构造维度为d＝dv，max-dv，min+dc，max-dc，min的位置向量x＝[λv，min，…，λv，max-1，ρc，min，…，ρc，max-1]；

d)对每个个体的参数值检查约束条件c0,c1,c2，如不符合，则返回c重新初始化；直到符合约束条件为止；

e)cso初始化：根据每个个体的适应值(最小化目标函数值按照觅食的能力依次减弱(适应值从低到高)的原则和种群的比例将其标记为公鸡、母鸡、小鸡。跟随关系随机确定：每只母鸡会跟随一只公鸡觅食，每个公鸡可以带领多只母鸡；每个小鸡只跟随一只能够喂养小鸡的母鸡觅食；

f)根据每个个体当前的参数值和身份、跟随关系，更新每个个体的参数值；公鸡：

xi(t+1)＝xi(t)(1+n(σ))，

其中，n(σ)为一个d维的随机变量，其每个维度都符合均值为0，方差为σ²的高斯分布。k为随机选择的某个公鸡的标号，k≠i；

母鸡：

xi(t+1)＝xi(t)+s1u1(xr1(t)-xi(t))+s2u2(xr2(t)-xi(t))，

s2＝exp(fr2-fi)，

其中，u1和u2均为d维的随机变量，其每个维度都符合[0，1]上的均匀分布。r1为第母鸡i跟随的公鸡，r2为一个随机选择的公鸡或母鸡，且r2≠r1；

小鸡：

xi(t+1)＝xi(t)+f(xm(t)-xi(t))，

其中，m是该小鸡i所跟随的母鸡，f∈(0，2)为一个常数。接着，

g)检查约束条件c0，c1，c2，如不符合，则返回f重新更新；直到符合约束条件为止；

h)计算新的参数下个体的适应值(目标函数值)，如比原适应值更优，则更新，并记录该参数；

i)每隔g轮迭代，更新个体的身份和跟随关系；

j)共进行n轮迭代，结束。

以上为应用鸡群优化算法进行数值求解，完成最优化度分布。

s3，在得到最优的度分布后，依次考虑每个变量节点vnj的第q条边，并以该变量节点为顶点，通过子图展开得到使当前子图的环长最长的校验节点集合pt，以及从pt中选择出当前度最小的节点构成集合pm，并从pm中选择使当前校验节点的度分布最接近最优度分布的校验节点并连入vnj，从而得到符合最优度分布的校验矩阵。

在具体实施例中，结合图8具体实施例的改进的启发式搜索(peg)算法构造ldpc校验矩阵，在得到最优的度分布后，需要对校验矩阵进行设计，以达到期望的性能。其中，校验矩阵中的短环会严重影响ldpc码的纠错性能。因此本发明提出一种改进的启发式搜索(peg)算法，其基本思想是，依次考虑每个变量节点，每增加一条新的边，都使可能的环长尽量大，并使校验节点的分布尽量接近最优度分布。

在具体示例中，在得到最优的度分布后，依次考虑每个变量节点vnj的第q条边，并以该变量节点为顶点，通过子图展开得到使当前子图的环长最长的校验节点集合pt，以及从pt中选择出当前度最小的节点构成集合pm，并从pm中选择使当前校验节点的度分布最接近最优度分布的校验节点并连入vnj，从而得到符合最优度分布的校验矩阵。

以下结合实施例仿真实验1对本发明实施例的非正则ldpc码字的优化设计方法进行更加详细的描述。

首先，在不同的信噪比下，采用本发明所提系统模型，采用鸡群优化求解度分布序列以及最大可达码率，并计算理论上可达的最大码率。表1为此仿真实验的仿真参数，表2为其不同信噪比下最优度分布和码率结果。图9为根据本发明一个仿真实验的外信息迭代曲线，如图9所示，对于和对应的的外信息迭代曲线(以es/n0＝2db为例)，可见两条曲线均几乎相切，恒有从数值上看，所得结果与理论可达的最大码率接近，这说明采用本文非正则ldpc码字的优化设计方法能够正确地对度分布序列进行优化。对校验节点的度分布值而言，当信噪比较低时，最优的度分布序列不再满足只有两项非零的“集中分布”近似，而是趋向于平均分布，这表明本发明对于所有度分布取值进行统一的优化搜索是十分必要的。

表1

表2

在使用本发明的非正则ldpc码字的优化设计方法下得到最优度分布后，应用本发明所提出的码字构造方法，构造ldpc码字。具体的，码长为1024，编码效率为0.5289，其余参数与表1相同。在高斯白噪声的信道下，进行误码率仿真，在仿真中，保证每个信噪比点误字数>20，误比特数>1000。

误码率曲线如图10根据本发明一个仿真实验的误码率对比图所示，其中(a)曲线为本发明所得码字的误码率，(b)曲线为文献中线性近似模型下得出的码字的误码率。从图中可见，误码率在1db内由10^-1降到10^-5以下，表明本发明提出的启发式算法构造的码字具有良好的纠错性能。两曲线对比，本发明所得到的码字，其误码率性能较线性近似模型下提升0.4db。仿真实验验证了本发明的正确性，有效性和可靠性。

根据本实施例提出的非正则ldpc码字的优化设计方法，通过给出符合实际的基于“全局交织”的非正则ldpc-cpm级联系统模型，并将校验节点的度分布扩展为在所有的度的取值点均可取值，从而得到一个非线性的优化问题；应用鸡群优化算法，进行数值求解，然后基于本发明所得的最优化度分布依次考虑每个变量节点，得到当前子图的环长最长的校验节点，通过选择使当前校验节点的度分布最接近最优度分布的校验节点，得到符合最优度分布的校验矩阵。该方法具有在相同的信道条件下获得更低的误码率，更高的数据传输可靠性，在无线通信系统中有广阔的应用潜力等优点。

本发明的实施例公开了非正则ldpc码字的优化设计系统，如图2所示，为根据本发明实施例的非正则ldpc码字的优化设计系统的结构示意图，本发明实施例的非正则ldpc码字的优化设计系统10包括：建立模块101、求解模块102和优化模块103。

其中，建立模块101，用于系统模型ldpc编码后的序列与连续相位调制器之间采用全局交织器进行建模，以得到非正则ldpc-cpm级联系统模型，并将校验节点的度分布扩展为在所有的度的取值点均可取值；求解模块102，用于应用鸡群优化算法对非正则ldpc-cpm级联系统模型进行度分布优化求解，以得到最优的度分布；优化模块103，用于在得到最优的度分布后，依次考虑每个变量节点vnj的第q条边，并以该变量节点为顶点，通过子图展开得到使当前子图的环长最长的校验节点集合pt，以及从pt中选择出当前度最小的节点构成集合pm，并从pm中选择使当前校验节点的度分布最接近最优度分布的校验节点并连入vnj，从而得到符合最优度分布的校验矩阵。

以下对建立模块101、求解模块102和优化模块103进行详细描述。

其中，建立模块101，用于系统模型ldpc编码后的序列与连续相位调制器之间采用全局交织器进行建模，以得到非正则ldpc-cpm级联系统模型，并将校验节点的度分布扩展为在所有的度的取值点均可取值。

在个具体示例中，非正则ldpc-cpm级联系统模型中，数据接收端采用软入软出的方式进行迭代解码且校验节点的度分布为多个非零取值。其最小化目标函数：

约束条件为：

求解模块102，用于应用鸡群优化算法对非正则ldpc-cpm级联系统模型进行度分布优化求解，以得到最优的度分布。

在个具体示例中，求解模块用于：设定参数；用蒙特卡洛法获得一系列的{ivm,imv},对其进行拟合；随机产生初始化参数向量；对每个个体的参数值，检查约束条件c0,c1,c2，直到符合约束条件为止；根据每个个体的适应值，确定其身份和跟随关系；根据每个个体当前的参数值和身份、跟随关系，更新每个个体的参数值；检查约束条件c0,c1,c2，直到符合约束条件为止；计算新的参数下个体的适应值，如比原适应值更优，则更新，并记录该参数；每隔g轮迭代，更新个体的身份和跟随关系共进行n轮迭代后结束。以完成对基于建立模块101输出结果的最优化度分布。

优化模块103，用于在得到最优的度分布后，依次考虑每个变量节点vnj的第q条边，并以该变量节点为顶点，通过子图展开得到使当前子图的环长最长的校验节点集合pt，以及从pt中选择出当前度最小的节点构成集合pm，并从pm中选择使当前校验节点的度分布最接近最优度分布的校验节点并连入vnj，从而得到符合最优度分布的校验矩阵。

在具体示例中，此种优化方法为改进的启发式搜索(peg)算法，其基本思想是依次考虑每个变量节点，每增加一条新的边，都使可能的环长尽量大，并使校验节点的分布尽量接近最优度分布。具体步骤为依次考虑每个变量节点vnj的第q条边，并以该变量节点为顶点，通过子图展开得到使当前子图的环长最长的校验节点集合pt，以及从pt中选择出当前度最小的节点构成集合pm，并从pm中选择使当前校验节点的度分布最接近最优度分布的校验节点并连入vnj，从而得到符合最优度分布的校验矩阵。

需要说明的是，前述对非正则ldpc码字的优化设计方法实施例的解释说明也适用于该非正则ldpc码字的优化设计的系统，此处不再赘述。

根据本实施例提出的非正则ldpc码字的优化设计系统，通过给出符合实际的基于“全局交织”的非正则ldpc-cpm级联系统模型，并将校验节点的度分布扩展为在所有的度的取值点均可取值，从而得到一个非线性的优化问题；应用鸡群优化算法，进行数值求解，然后基于本发明所得的最优化度分布依次考虑每个变量节点，得到当前子图的环长最长的校验节点，通过选择使当前校验节点的度分布最接近最优度分布的校验节点，得到符合最优度分布的校验矩阵。该系统具有在相同的信道条件下获得更低的误码率，更高的数据传输可靠性，在无线通信系统中有广阔的应用潜力等优点。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。