第七讲卷积码初步.pptVIP

第七讲 卷积码初步 回顾：信道编码的本质 通过增加冗余度，即将信息空间映射到更大的信道空间（在信道空间中绝大多数不是许用码字），以提高不同码字的间的差异程度，从而获得编码增益。 回顾：编码与译码 一种编码方案就是从信息空间映射到更大的信道空间的一个映射 可选的编码方案种类数极其巨大，但其平均性能在码长趋于无穷时可以达到信道容量 译码就是要根据接收的符号序列以最小的代价判断原发送码字，常用的有最小信息损失、最小差错概率、最大后验概率、最大似然、最小汉明距离等 回顾：线性分组码 由于编码方案数量巨大，完全的最优编码设计及任意编码的有限运算量译码都是很难做到的，因此引入了一系列的约束 线性分组就是要引入的一个约束，原因是人们对线性系统的研究比较充分 但仅有线性分组的约束还不够，编码设计和译码的规则性还是不够强 回顾：近世代数补充 群、环、域 子群与陪集 子环、理想、多项式剩余代数、循环子空间 域元素的级和周期、多项式根、本原多项式。。。 素子域与扩域、GF qm 的构造 回顾：利用域分析和设计循环码 通过域和多项式描述循环码 循环子空间是xn-1多项式剩余代数中的理想 生成多项式 用生成多项式的根设计循环码 回顾：线性分组码的代数译码 伴随式译码 大数逻辑译码 循环码的捕错译码 BCH码的译码 对信息流编码的模型 输入输出符号可以不同，可以用矢量表示，最常见的是取自同一域上的不同维数的矢量。例如信息符号流 Ai 映射到编码符号流 Bi ，其中Ai为k维矢量，Bi为n维矢量，这样就是一个效率为k/n的编码 通常，输入符号流是经过信源编码的结果，已经变成二进制流或较小的域符号。因此k维输入矢量和n维输出矢量往往是人为地一种分割。 利用分组码对信息流编码 对信息序列按一定长度分段，对每一段分别进行分组编码：Bi fi Ai 当采用线性分组码时有：Bi GiAi 当采用非时变线性分组码时：Bi Gai 分组码编码中第i个输出编码码段只与第i个输入信息段有关，即编码在段间没有记忆性 有记忆的编码方法 从一般的角度讲，当前的编码符号完全可以不仅受当前的信息符号控制，而且还可受控于其它时刻的输入信息符号 从因果的角度出发，可以只考虑受控于当前及历史上的输入符号流。换句话说，就是编码器可以是有记忆的 因此输出的编码符号流也就具有了一定的相关性 编码器的记忆性 这种相关性是广义的，一种典型的相关性就是马氏链过程 编码器的记忆可以是有限的，也可以是无限的。 有限记忆系统的输出总可模型化为马氏过程，可以用状态转移图来描述。 无限记忆系统中可用状态转移图描述的也是马氏过程。 有限记忆和无限记忆 对于线性系统而言，有限记忆和无限记忆就分别对应于FIR和IIR滤波器。 当从滤波器角度看时，输入输出要用同一域中的元素。这样输入符号流应为GF p 上的k维矢量。输出符号流为GF p 上的n维矢量。 有限响应 Yk ?iAiXk-i，其中Ai为n行k列矩阵 由于其生成方法与线性信号系统中的卷积相类似，因而称为卷积码。 无限记忆 Tk ?iBiTk-i+Xk，其中Bi为k行k列矩阵 Yk ?iAiTk-I，其中Ai为n行k列矩阵 卷积码的矩阵表示 当m 2,A0 1 1 T，A1 0 1 T，A2 1 1 T时，如前3个输入为110，则前6个输出为111010 卷积码的树形图表示 以m 2，A0 1 1 T，A1 0 1 T，A2 1 1 T为例，如前3个输入为110，则前6个输出为111010 卷积码的网格图表示 以两个D触发器的组合值为状态，如D1D2，描述从当前状态在不同的输入时的输出及将到达的状态，每个分支上的标注为x/y1y2，分别表示当前的输入和输出 网格图表示举例 以m 2，A0 1 1 T，A1 0 1 T，A2 1 1 T为例，如前3个输入为110，则前6个输出为111010 * * *