3、无线通信基带算法基础：OFDM、MIMO、信道编码（LDPC/Turbo）、调制解调等关键算法模块的数学原理与计算特征

在CEVA-X DSP上实施无线通信基带算法，首要任务不是写代码，而是深刻理解各算法模块的数学本质与计算特征。OFDM、MIMO、信道编码与调制解调构成了物理层信号处理的主干，它们各自具有截然不同的计算模式：OFDM以蝶形运算和FFT为核心，MIMO依赖矩阵分解与迭代逼近，LDPC/Turbo编码则涉及大规模并行消息传递与交织寻址。这些差异直接决定了在CEVA-X架构上的数据布局、循环结构、SIMD向量化策略以及内存带宽优化方向。本章从数学原理出发，逐一剖析各模块的计算特征，并给出面向CEVA-X移植的工程映射建议。

3.1 OFDM调制解调：从IFFT/FFT到循环前缀的数学本质

3.1.1 核心原理：正交子载波与离散傅里叶变换

OFDM（正交频分复用）的核心思想是将高速串行数据流分解为N路低速并行子流，分别调制到N个正交子载波上。数学上，OFDM调制等效于对频域符号向量 X[k]（k=0,1,...,N-1）执行N点IFFT，得到时域采样序列：

x[n] = (1/√N) · Σ_{k=0}^{N-1} X[k] · e^{j2πkn/N},  n = 0,1,...,N-1

接收端则通过FFT恢复频域符号：Y[k] = Σ_{n=0}^{N-1} y[n] · e^{-j2πkn/N}。循环前缀（CP）的插入使得线性卷积变为循环卷积，从而在CP长度大于信道时延扩展时，频域均衡可以简化为每个子载波上的单抽头均衡：Y[k] = H[k]·X[k] + W[k]，其中H[k]为第k个子载波的信道频响。

3.1.2 计算特征与CEVA-X实现要点

FFT/IFFT的计算复杂度为O(N log₂N)，以LTE 20MHz带宽、N=1024为例，需要约5120次复数乘法和10240次复数加法。在CEVA-X上实现时，关键优化点包括：

• 蝶形运算的SIMD向量化：CEVA-X的SIMD单元支持4路复数MAC（乘累加），可将基-4蝶形运算映射为单指令多数据操作，减少循环开销。
• 位反转寻址：FFT输入/输出需要位反转重排，CEVA-X支持硬件位反转寻址模式，避免软件交换带来的额外周期。
• 定点化处理：采用Q15格式存储时域数据，每级蝶形运算后需进行缩放（如1/2缩放）防止溢出，CEVA-X的饱和指令可自动处理溢出保护。

3.1.3 常见误区与复盘

3.2 MIMO检测：矩阵运算与迭代逼近的工程权衡

3.2.1 核心原理：从线性检测到非线性检测

MIMO系统模型为 y = Hx + n，其中H为N_r×N_t维信道矩阵。线性检测算法包括迫零（ZF）和最小均方误差（MMSE）：

ZF:   x̂ = (H^H H)^{-1} H^H y
MMSE: x̂ = (H^H H + σ²I)^{-1} H^H y

MMSE在低信噪比下优于ZF，因为它考虑了噪声方差σ²的惩罚项。非线性检测如球形译码（SD）和逐次干扰消除（SIC）可获得接近最大似然（ML）的性能，但计算复杂度随天线数指数增长。实际系统中，4×4 MIMO常采用MMSE-SIC或QR分解辅助的检测方案。

3.2.2 矩阵求逆的数值稳定性与定点实现

在CEVA-X上实现MMSE检测，核心是4×4或8×8复矩阵求逆。直接使用高斯-约当消元法需要O(N³)次运算，且数值稳定性差。工程上推荐使用QR分解（Householder或Givens旋转）将H分解为Q·R，然后通过回代求解。Givens旋转特别适合CEVA-X的CORDIC协处理器，每次旋转仅需移位和加减法，无需乘法器。

算法	计算复杂度 (4×4)	数值稳定性	CEVA-X实现建议
直接求逆 (高斯消元)	~64次复数乘加	差，条件数大时发散	不推荐，除非信道条件极好
QR分解 (Givens)	~96次CORDIC旋转	良好	利用CORDIC协处理器，流水线化
Cholesky分解	~48次复数乘加	良好 (需H^H H正定)	适合MMSE，利用对称性减半运算
迭代法 (CG)	~20次乘加/迭代 × 5次	依赖预条件	适合大规模MIMO (8×8以上)

3.2.3 案例拆解：LTE 4×4 MIMO接收机MMSE检测优化

背景与约束：某LTE-A终端基带芯片需支持4×4 MIMO，每子帧（1ms）处理14个OFDM符号×1200个数据子载波，即16800次4×4矩阵求逆。CEVA-X1643主频1.2GHz，可用DSP周期预算为1ms×1.2GHz=1.2M周期，单次矩阵求逆需控制在70周期以内。

初始现象：直接使用复数高斯消元法，单次求逆耗时约180周期，超出预算2.5倍。

分析过程：通过CEVA-X Cycle Accurate Simulator剖析发现，主要瓶颈在于复数除法（每次除法约20周期）和循环依赖。进一步分析，H^H H矩阵为Hermitian正定矩阵，可改用Cholesky分解，将复数除法替换为实数除法（利用对角线为实数特性）。

优化步骤：

1. 将H^H H的计算与Cholesky分解合并，利用Hermitian对称性只计算上三角部分，减少一半乘法。
2. Cholesky分解中的开方运算使用CEVA-X的平方根近似指令（sqrt_approx），精度损失通过后续迭代细化补偿。
3. 将分解后的前代/回代过程展开为4级流水线，利用双发射VLIW并行执行。

结果对比：优化后单次MMSE检测（含H^H H计算、Cholesky分解、前代回代）耗时约52周期，总周期消耗为16800×52=873.6K周期，占用预算的72.8%，留有余量给信道估计和软解调模块。

风险与代价：Cholesky分解要求H^H H为正定矩阵，在信道秩亏（如天线强相关）时可能失败。工程上增加对角加载（Diagonal Loading）技术，即计算H^H H + λI，λ取噪声方差的1.1倍，保证数值稳定性。

3.3 信道编码：LDPC与Turbo译码的计算模式对比

3.3.1 LDPC译码：稀疏矩阵上的并行消息传递

LDPC码由稀疏校验矩阵H定义，译码采用置信传播（BP）算法。变量节点v和校验节点c之间迭代传递对数似然比（LLR）消息：

校验节点更新:  L(c→v) = 2·tanh^{-1}( Π_{v'∈N(c)\v} tanh(L(v'→c)/2) )
变量节点更新:  L(v→c) = L_ch(v) + Σ_{c'∈N(v)\c} L(c'→v)

计算特征上，校验节点更新涉及大量tanh/tanh⁻¹运算，工程上常用最小和（Min-Sum）近似：L(c→v) ≈ (Π sign) · min|L(v'→c)|，将超越函数替换为比较和符号运算，大幅降低计算量。CEVA-X实现时，变量节点更新天然适合SIMD并行——每个变量节点连接多个校验节点，可映射为向量操作。

3.3.2 Turbo译码：前向后向递推的串行瓶颈

Turbo码由两个分量卷积码通过交织器并联而成，译码采用最大后验概率（MAP）算法，核心为前向度量α、后向度量β和外部LLR计算：

α_k(s) = max*[ α_{k-1}(s') + γ_k(s',s) ]
β_k(s) = max*[ β_{k+1}(s') + γ_{k+1}(s,s') ]
L_e = max*[ α_{k-1}(s') + γ_k(s',s) + β_k(s) ] - max*[ ... 对应比特0 ]

其中max*运算定义为max*(a,b) = max(a,b) + log(1+e^{-|a-b|})，可用查表法实现。Turbo译码的瓶颈在于前向递推必须串行进行（α_k依赖α_{k-1}），无法直接SIMD并行。工程上采用滑动窗口（Sliding Window）技术，将长块分割为多个子块并行译码，每个子块独立进行前向后向递推，窗口间通过重叠区域交换边界度量。

3.3.3 LDPC与Turbo的CEVA-X实现对比

维度	LDPC (5G NR)	Turbo (LTE)
码长范围	可变，支持Lifting Factor扩展	固定码长 (40~6144 bits)
并行度	高，变量节点天然并行	低，前向递推串行依赖
核心运算	Min-Sum比较/加法	max*查表/加减法
存储需求	校验矩阵非零元素位置表 (~20KB)	交织器表 + 前后向度量 (~64KB)
CEVA-X优化策略	SIMD并行变量节点更新，循环展开8x	滑动窗口并行，双MAC单元流水

3.4 调制解调与软信息计算：从星座映射到LLR的定点化

3.4.1 调制映射与软解调原理

调制映射将编码比特映射为复星座点。以16QAM为例，每4个比特映射为一个符号，星座点坐标为(±1, ±3) + j(±1, ±3)（归一化后）。接收端软解调需要计算每个比特的对数似然比（LLR）：

L(b_i) = log[ P(b_i=1|y) / P(b_i=0|y) ]
       ≈ (1/σ²) · [ min_{x∈S_i^0} |y - h·x|² - min_{x∈S_i^1} |y - h·x|² ]

其中S_i^0和S_i^1分别表示第i个比特为0和1的星座点子集。精确LLR计算需要遍历所有星座点，高阶QAM（如256QAM）计算量巨大。工程上采用Max-Log近似，仅需计算到最近星座点的距离差。

3.4.2 简化LLR计算的查表法

对于Gray映射的QAM，LLR可分解为同相和正交分量的独立计算。以16QAM为例，比特b₀和b₁仅取决于实部Re(y)，b₂和b₃仅取决于虚部Im(y)。进一步推导可得：

L(b₀) = (2/σ²) · Re(y) · h*   (当 |Re(y)| ≤ 2 时)
L(b₁) = (2/σ²) · (2 - |Re(y)|) · h*

这种分段线性近似完全避免了距离计算，只需比较和乘法。在CEVA-X上，可将分段阈值和斜率预计算为查找表，用SIMD指令同时处理多个子载波的LLR计算。

3.4.3 定点化精度与动态范围管理

LLR的定点化需要权衡精度与动态范围。CEVA-X的DSP单元支持16位和32位定点运算。对于LTE系统，LLR通常使用8位或16位有符号整数表示。关键考虑：

• 输入信号缩放：接收信号y需根据AGC增益和信道估计结果进行归一化，使LLR动态范围匹配定点格式。
• 噪声方差估计：σ²的精度直接影响LLR幅度，建议使用32位定点计算σ²，再转换为16位用于LLR缩放。
• 饱和处理：LLR计算可能出现极端值，CEVA-X的饱和指令（sat）可自动钳位到最大/最小值，避免后续译码器溢出。

3.5 关键算法模块的CEVA-X移植综合策略

3.5.1 数据流分析与内存规划

基带算法链路的典型数据流为：FFT输出 → 信道估计 → MIMO检测 → 软解调 → 解交织 → 译码。在CEVA-X上，每个模块的输出数据量不同：FFT输出为复数频域符号（如1024点×4字节×2=8KB），MIMO检测输出为估计符号（4层×1200子载波×4字节=19.2KB），LLR输出为软比特（4层×1200×4比特×2字节=38.4KB）。合理规划片内SRAM分区，采用双缓冲机制避免模块间等待。

3.5.2 循环结构与指令级并行

CEVA-X的VLIW架构支持每周期发射多条指令（如2条MAC + 1条ALU + 1条Load/Store）。针对不同算法模块，循环优化策略不同：

• FFT蝶形循环：内层循环体短（约10条指令），重点在于减少循环开销，采用软件流水（Software Pipelining）技术。
• MIMO矩阵运算：循环体较长（约50条指令），重点在于数据复用，将矩阵元素保持在寄存器文件中。
• LDPC变量节点更新：循环次数固定（等于变量节点度），适合完全展开，消除分支预测开销。

3.5.3 性能评估与调优流程

1. 使用CEVA-X Cycle Accurate Simulator获取各模块周期数基线。
2. 识别热点模块（通常为MIMO检测和LDPC译码），优先优化。
3. 检查内存访问模式，消除bank冲突（通过数据对齐和填充）。
4. 验证定点化性能损失，确保EVM和BLER满足系统指标。