首先,我们看看两个直观而又合理的判断原则:在接收到的数据的条件下,这个接收数据最有可能是因为发射端发射哪个信号造成的,就认为发射端发射的是哪个信号,这个可能性称为后验概率,这个判断准则就是根据接收到的数据,判断成后验概率最大的发射端可能信号;或者看发射端发射哪个信号,经过信道后出现接收到数据的概率大,这个条件概率称为先验概率,也即选择经过信道最有可能得到当前观察值的候选信号。事实上,我们在本书第二部分已经讲过AWGN下的先验判决和后验概率判决,其中的先验概率判决也称为最大似然接收(Maximum Likelihood,ML)。这里我们以SIMO信道模型为例,再简单回顾一遍。假设SIMO信道模型里有r根接收天线,
yi=hix+wi
其中,hi为发射天线到接收天线i的信道衰落系数,各ωi~CN(0,σ2)且相互独立。假设接收端可以准确地知道各信道衰落系数,则根据ML准则,判决结果应该为
其中,xi遍历所有发射端可能发送的信号。另一方面,把SIMO过程还是分成两个阶段来看,第一个阶段是无误传输
x→hix
第二阶段分别叠加噪声wi,相当于在AWGN信道发射了r个信号hix。那么,我们只需要采取就近判决(向量形式下)就相当于ML判决,这个和式(14-10)表示的结果一致。
对于离散信道模型,发射端发送x=[x(0),…,x(N-1)],接收端接收到y,在相干时间内满足
其中,w(n)为相互独立的噪声。当L>1时,我们称之为有码间串扰(ISI)信道模型。对于ISI信道模型,假设接收端知道信道抽头hl,我们也可以应用ML算法,即计算所有候选序列x的先验概率,然后选择先验概率最大的作为判决结果。那么,
注意到,当x(0),x(1),…,x(N-1)给定时,y(i)发生的概率仅由w(i)决定,即y(i)之间相互独立,从而有(www.daowen.com)
我们取个对数把乘法变成加法吧,则式(14-13)等价于
假设每个数据符号x(i)的可能取值个数为M个,那么长度为N的候选序列x共有MN个,对于每一个x取值需要计算N个y(i)的条件概率,也即总共要计算NMN次概率。当N很大时,这个指数增长的计算量会很大。能把计算量降下来吗?继续注意到,其实y(i)最多只与L个x(j)有关,即与[x(i-L+1),…,x(i)]有关,而不是和序列x的所有N个分量相关,那么式(14-14)可进一步化简成
-log prob{y(i)[x(i-L+1),…,x(i)]}
计算出来摆在那儿,这个过程共需要计算MLN次条件概率。第二步,就是利用计算出来的条件概率来组合搜索出“和概率”最小的候选信号序列x。我们先定义N个步骤,步骤i里有ML个状态,即可能的[x(i-L+1),…,x(i)]的取值,步骤i+1里也有ML个状态,即可能的[x(i-L+2),…,x(i+1)]的取值。如果步骤i+1里的是一个状态序列的前L-1个分量,与步骤i里某个状态的后L-1个分量相同,称具有这种关系的步骤i+1里的这样的状态为相应步骤i里的状态能够到达的状态。那么从步骤0的一个状态可以到达步骤1的一个状态,步骤1的这个状态可以到达步骤2里的一个状态,依次类推,最后到达步骤N-1的某个状态。我们把这些可到达状态的连接称为一条路径,可以看到一条路径其实对应于一个候选序列x。式(14-15)的意思就是从步骤0的某个状态[x(0),…,x(L-1)]到达步骤N-1的某个状态[x(N-L),…,x(N-1)]的路径里经过的所有状态,其中第i个状态给了一个权重
-log2prob{y(i)[x(i-L+1),…,x(i)]}
然后计算整条路径上所有状态的权重之和,最后找出重量(权重之和)最小的那条路径。找到这个最短路径的有效方法就是所谓的维特比(Viterbi)算法了。
当然,上面描述了先把所有先验概率(权重)计算出来,然后再搜索重量最小路径。实际算法中可以一边计算权重,一边搜索。当L远小于N时,其复杂度远小于式(14-14)对应的穷举搜索。当然当L≈N时,该算法就没什么优势了。注意到上面要解决问题的特征,也即ISI信道模型的特征,是每一个观察值只与部分原数据相关,从而可以利用Viterbi算法进行最大似然算法的化简。另一个应用Viterbi算法的例子就是卷积码的译码啦,因为它也很符合这个特征,即每个码字比特只与部分信息比特相关,而非与整个参与编码的信息比特相关,其具体内容请大家查阅资料了解。
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。