（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。
