(一)卷积码的硬判决和软判决
噪声信道的输入序列x是一个二进制符号序列,对其输出序列y如果也按二进制数据进行判决,给出译码序列M',则一般称为硬判决(硬量化)卷积译码。
如果为了充分利用信道输出序列的数据信息以提高译码可靠性,可将信道输出的数据作出多电平量化,例如8电平量化,再进行卷积译码,则通常称为软判决(软量化)卷积译码。对AWGN信道来说,软判决译码比硬判决译码可获得2dB的性能改善。
假设所有信息序列的出现概率相同,译码器接收到y序列后如果译码时条件概率为:
P[y|x(M')]≥P[y|x(M)],对于M′≠M
则可判定输出为M′。因为能够证明,此时译码序列差错率最小。这类译码器称为最大似然(ML)译码器,条件概率P[y|x()]称为似然函数。因此,ML译码器判定和输出是似然函数为最大值所对应的译码序列M′。(www.xing528.com)
(二)Turbo码译码原理
C.Berrou等人在他们的一篇Turbo码论文中发表了AWGN信道仿真结果曲线,该曲线表明,相对于1/2编码效率下香农理论的Eb/No界限值0dB(BER在10-5以下,基本上可认为是无差错传输)而言,18次迭代译码时达到该BER值的Eb/No值仅需0.7dB,这是其他编码方式难做到的。
以BER=10-4为准时,2次迭代比之18次迭代的Eb/No需高出1.7dB,3次迭代只需高出0.8dB,6次迭代的曲线已接近18次迭代的曲线。所以,从BER值和译码速度两者兼顾的要求看,迭代次数在10次以下已实用。
Turbo码特定的编码方式,其最优译码也应是最大似然译码。但是,交织器的存在使整体的ML译码算法非常复杂,难以实现。为此,必须考虑次优的算法。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。