通信原理学习笔记6-5：数字解调——译码的硬判决与软判决

软输出的举例

如图，对于BPSK，采样判决结果以0为门限，大于0则判为星座$+A$，小于0则判为$-A$
对于序列101101，第三个比特的符号由于噪声偏移到大于0的位置

• 硬判决：根据门限，直接将该符号判决为0（误判）
• 软判决：输出后验概率$p(x=1|y)$，根据欧式距离，六个符号被判为1的概率分别是0.98，0.02，0.49，0.94，0.01，0.96，可见软判决不输出离散结果而是输出概率
• 软输出的优点在于保留了有用信息，可配合纠正一些错误

例如假定我们使用奇偶校验码，硬判决输出100101时可以确定有一个比特出错，但是想要纠错是不可能的；
如果此时有软输出，我们查看对应的后验概率，就知道大概率是第三个比特出错，进而纠正
由此，上图Decoder输出正确结果101101

注意，上图仅考虑了信道编码，如果系统中还有信源编码，则上述Decoder可以继续输出软信息到下一级Decoder2，帮助下一级信源解码，如图所示
（Turbo码也是类似的两级软信息解码）

考虑更复杂的QPSK情况，推广为对于每个星座符号给出译码概率

上面描述的是逐符号输出软信息，此外还可以进行整个比特序列的软输出和检测，即BCJR算法、Soft Output Viterbi算法，其核心思想都是尽量避免过早的量化为0/1并丢弃信息，而是保留软信息直到最后一级解码

比特序列级的软检测：

• BCJR算法（Bahl-Cocke-Jelinek-Raviv算法）：通过前向-后向递归计算，在网格图上计算每个比特的后验概率，用于Turbo码的解码迭代过程，是最优的后验概率估计
• Soft Output Viterbi算法（SOVA）：是Viterbi算法的改进版本，在保留最佳路径的同时，记录各比特的可靠性信息，通过路径度量差来计算软输出值，常用于级联编码系统的迭代解码，是次优的近似解

软判决的进一步介绍

卷积码的Viterbi译码、LDPC的译码，都有两种方式：硬判决（hard decision）与软判决（soft decision）

• 硬判决就是将信号波形与判决门限比较，数字解调器的输出（即后一级译码器的输入）只有0和1两种结果。
  硬判决的依据是不同序列之间的汉明距离，适用于二进制对称信道（BSC）
• 软判决中，数字解调器的输出（即后一级译码器的输入）不是0或1，而是对数似然比LLR（log-likelihood ratio），也即所谓的“软信息”（它提供了关于不同判决可靠性的额外概率信息，从而可以用于衡量判决的可靠性）
  软判决的依据是不同序列之间的软距离/欧式距离，适用于离散无记忆信道(DMC)

硬判决与软判决的一个具体例子：从奇偶校验编码来描述硬判决和软判决的区别

并且，和硬判决不同的是，软判决的信号检测有两个主要部分：

1. 信号检测器，其输出是一个软判决值(LLR)
   ps. “检测”就是对频率选择性信道所引入的ISI进行补偿，特别的，线性方式的检测也成为“均衡”
2. 软输入软输出(SISO)信道解码器，此模块应用了LLR中的软信息，从而相较于硬判决提供了增益

对数似然比LLR

考虑BPSK调制（0->+1，1->-1），则符号$\mathbf{X}$的对数似然比LLR $\Lambda (\mathbf{X})$可以通过后验概率APP计算得到：
$$\Lambda (\mathbf{X})=log\frac{P(\mathbf{X}=1\mid \mathbf{Y})}{P(\mathbf{X}=-1\mid \mathbf{Y})}$$

• 为何要取对数？对数运算下，乘除法变加减法，从而方便比较分子和分母大小：
  $\Lambda (\mathbf{X})>=0$说明$P(\mathbf{X}=1\mid \mathbf{Y})$更大，
  $\Lambda (\mathbf{X})<0$说明$P(\mathbf{X}=-1\mid \mathbf{Y})$更大
  则解码器可以将$\Lambda (\mathbf{X})$和0作比较，从而判决（LLR>=0->0，LLR<0->1)
• 并且，$\Lambda (\mathbf{X})$的幅值带有一种概率信息，指示了判决估计的可靠程度（幅值越大，说明分子分母的差距越大）

软判决的准确性不是体现在其符号的正负，而是体现在其幅度是否能真实反映接收信号为比特1或是比特0的概率大小，进而被信道译码所利用

LLR的计算中，需要用到后验概率APP，而后验概率在一定前提下转化为欧氏距离的计算，因此我们说：硬判决下分支度量采用汉明距离，而软判决下分支度量采用欧式距离
推导过程类似上一篇文章的“从MAP到最小欧氏距离的等价推导”：

回顾：在一定前提下，MAP准则等价于最小欧式距离准则
接收到码字$\mathbf{X}$时，判决时希望其后验概率APP(A Posteriori Probability)最大化，即最大后验概率准则MAP，MAP下码字的估计$\hat{\mathbf{X}}$为：$$\hat{\mathbf{X}}=\arg \underset{\mathbf{X}}{\max }{p}_{\mathbf{X}\mid \mathbf{Y}}(\mathbf{X}\mid \mathbf{Y})$$
所有码字等概发送时，MAP准则等价于最大似然准则ML：$$\hat{\mathbf{X}}=\arg \underset{\mathbf{X}}{\max }{p}_{\mathbf{Y}\mid \mathbf{X}}(\mathbf{Y}\mid \mathbf{X})$$
当噪声为高斯分布，ML等价于最小二乘准则LS：
X ^ = arg ⁡ max ⁡ X ∣ Y − H { s ( X ) } ∣ 2 \hat{\boldsymbol{X}} =\operatorname{arg} \max _{\boldsymbol{X}}|\boldsymbol{Y}-H\{s(\boldsymbol{X})\}|^{2} X^=argXmax​∣Y−H{s(X)}∣2在符号的复平面上，这就最终转化为了最小欧式距离准则

最后注意，理论上LLR是一个模拟量，但实际中考虑到硬件问题，仍需要将LLR量化为有限电平

从量化角度理解，硬判决是一级量化（0或1两种电平量化），而软判决可认为多级量化（软判决输出的是模拟量，实现为多电平量化），因此软判决虽然更复杂，但性能优于硬判决（例如，软判决中采用3比特电平的量化，相较于硬判决能带来约2dB的性能增益）

LLR计算举例

参考：《MIMO-OFDM无线通信技术及MATLAB实现》的第11.7节

首先将格雷码16-QAM星座图拆分为四个比特位的星座图

将第$l$位为1和0的符号集，分别记作$S_l^{+}$和$S_l^{-}$
对于第$l$个比特位，计算其LLR表达式（分子分母为后验概率，取对数做比较）：

上面的计算，展示了LLR的计算是如何从后验概率的计算一步步化为欧式距离的计算的（但是已经变为Approximate LLR）

说明：LLR还分为Exact LLR（准确值）和Approximate LLR（近似处理结果，容易计算，但有精度损失）
公式（11.82）中，约等于号前后的两个式子，分别对应Exact LLR和Approximate LLR

最终，使用欧氏距离来判定LLR值：对每一个接收符号而言，其LLR就是在比较 [该符号到最近$S_l^{+}$元素的距离] 和 [该符号到最近$S_l^{-}$元素的距离]

refer:
《LTE/LTE advanced——UMTS 长期演进理论与实践》
移动通信基础（7）软判决
什么是hard decision &soft decision