信念传播算法的实现基于文中给出的解码算法[4]．对于传输的ldpc编码码字，c,在那里<年代pan class="inlineequation"> $$c＝（c_0，c_1，\mathrm{.．.}，c_{n-1}）$$， LDPC解码器的输入为对数似然比(LLR)值<年代pan class="inlineequation"> $$l（c_{我}）＝\mathrm{日志}（\frac{\mathrm{公关}（c_{我}＝0|\text{的通道输出}{c}_{我}）}{\mathrm{公关}（c_{我}＝1|\text{的通道输出}{c}_{我}）}）$$．

在每次迭代中，算法的关键组件都会根据这些方程进行更新:

$$l（r_{j我}）＝2\text{atanh}（{\displaystyle \underset{{我}^{”}\in V_j＼我}{\prod }\mathrm{双曲正切}（\frac{1}{2}l（{问}_{{我}^{”}j}））}）$$，

$$l（{问}_{我j}）＝l（c_{我}）+{\displaystyle \underset{j^{”}\in C_{我}＼j}{\sum }l（r_{j^{”}我}）}$$，初始化为<年代pan class="inlineequation"> $$l（{问}_{我j}）＝l（c_{我}）$$在第一次迭代之前，和

$$l（{问}_{我}）＝l（c_{我}）+{\displaystyle \underset{j^{”}\in C_{我}}{\sum }l（r_{j^{”}我}）}$$．

在每次迭代结束时，<年代pan class="inlineequation"> $$l（{问}_{我}）$$是否为传输位的LLR值的最新估计<年代pan class="inlineequation"> $$c_{我}$$．的值<年代pan class="inlineequation"> $$l（{问}_{我}）$$软决策输出是为了什么<年代pan class="inlineequation"> $$c_{我}$$．如果<年代pan class="inlineequation"> $$l（{问}_{我}）<0$$的硬决策输出<年代pan class="inlineequation"> $$c_{我}$$是1。否则，输出为0。

分层信念传播算法的实现基于文中给出的解码算法［5］第II.A节。解码循环遍历PCM的行(层)子集。对于每一行，米，在一个层中，每个位索引，j，实现根据这些方程更新算法的关键组件:

(1）<年代pan class="inlineequation"> $$l（{问}_{米j}）＝l（{问}_j）-R_{米j}$$，

（2）<年代pan class="inlineequation"> $${\mathrm{一个}}_{米j}＝{\displaystyle \underset{\begin{array}{c}n\in N（米）\\ n\ne j\end{array}}{\sum }\text{ψ}（l（{问}_{米n}））}$$，

（3）<年代pan class="inlineequation"> $${\mathrm{年代}}_{米j}＝{\displaystyle \underset{\begin{array}{c}n\in N（米）\\ n\ne j\end{array}}{\prod }\text{标志}（l（{问}_{米n}））}$$，

（4）<年代pan class="inlineequation"> $$R_{米j}＝-{\mathrm{年代}}_{米j}\text{ψ}（{\mathrm{一个}}_{米j}）$$,

（5）<年代pan class="inlineequation"> $$l（{问}_j）＝l（{问}_{米j}）+R_{米j}$$．

对于每一层，解码方程(5)处理从当前LLR输入获得的组合输入<年代pan class="inlineequation"> $$l（{问}_{米j}）$$和之前的图层更新<年代pan class="inlineequation"> $$R_{米j}$$．

由于在一层中只更新节点的一个子集，因此分层信念传播算法比信念传播算法更快。为了达到与信念传播解码相同的错误率，在使用分层信念传播算法时使用一半的解码迭代次数。

最小和逼近算法的实现遵循分层信念传播算法，将式(2)替换为

$${\mathrm{一个}}_{米j}＝\underset{\begin{array}{c}n\in N（米）\\ n\ne j\end{array}}{\mathrm{最小值}}（\left|l（{问}_{米n}）\right|\cdot \alpha ）$$，

在哪里<年代pan class="emphasis">α是1。

归一化最小和逼近算法的实现遵循分层信念传播算法，将式(2)替换为

$${\mathrm{一个}}_{米j}＝\underset{\begin{array}{c}n\in N（米）\\ n\ne j\end{array}}{\mathrm{最小值}}（\left|l（{问}_{米n}）\right|\cdot \alpha ）$$，

在哪里<年代pan class="emphasis">α在(0,1]范围内，且比例因子是由<年代tr在g class="guilabel">比例因子参数。这个方程是对式(4)的改编[6]．

不同选择的块的时延不同<年代tr在g class="guilabel">标准参数的值<年代tr在g class="guilabel">blkLenIdx而且<年代tr在g class="guilabel">codeRateIdx输入端口，以及迭代次数。由于延迟时间不同，请使用<年代tr在g class="guilabel">nextFrame控制信号输出端口，以确定何时块准备好一个新的输入帧。

本节显示指定输入和参数设置的块的信噪比和误码率图。

该图显示了在设置4位LLR输入时的块性能<年代tr在g class="guilabel">标准参数IEEE 802.11 n/ac/ax,<年代tr在g class="guilabel">算法参数Min-sum,<年代tr在g class="guilabel">blkLenIdx将端口值输入到0(块长度为648)和<年代tr在g class="guilabel">codeRateIdx将端口值输入到0，1，2,3.(码率分别为1/2、2/3、3/4和5/6)。

该图显示了在设置4位LLR输入时的块性能<年代tr在g class="guilabel">标准参数IEEE 802.11 ad,<年代tr在g class="guilabel">算法参数规范化min-sum，以及<年代tr在g class="guilabel">codeRateIdx将端口值输入到0，1，2,3.(码率分别为1/2、5/8、3/4和13/16)。在本例中，块长度固定为672。

合成HDL代码的性能随目标和合成选项而变化。它也会根据算法类型和输入LLR值的字长而变化。

该表显示所支持的WLAN标准的资源和性能数据综合块的结果金宝app<年代tr在g class="guilabel">算法参数Min-sum,<年代tr在g class="guilabel">迭代次数参数8，输入LLR值作为数据类型fixdt (1 4 0)．生成的HDL是针对Xilinx的<年代up>®Zynq<年代up>®Ultrascale+™MPSoC - ZCU102评估板。