使用近似MAP算法处理信号的方法以及通信信号接收机技术

本发明专利技术涉及一种用于处理信号的方法，该方法使用一个近似ＭＡＰ（最大后验概率）算法来确定网格状态集Ｘ在时刻ｋ的似然比Λ↓［ｋ］↑［ｘ］，其中每一个所述状态都与至少一个中间变量相关联，所述中间变量属于一个包含了所谓的“前向”变量和所谓的“后向”变量的群组，相对于所述网格，在所述时刻ｋ，这些中间变量分别是在直接方向和间接方向上进行递归计算并由所述ＭＡＰ算法传送。本发明专利技术的特征在于所述处理包括一个步骤，其中包括通过减少所述ＭＡＰ类型算法所选择的状态数目来计算所述似然比，并且将至少一个已确定值分配给相应的所述前向变量和／或所述后向变量，由此至少能为一些未曾选择的状态计算一个近似似然比。（*该技术在2023年保护过期，可自由使用*）

【技术实现步骤摘要】

本专利技术的领域是对那些在受到干扰或可能受到干扰的信道中传送的信号进行处理。
技术介绍
更确切地说，本专利技术涉及一种使用了MAP(最大后验概率)类型算法的信号处理方法。在L.E.Baum和T.Pertie于1996年发表在Ann.Math.Stat.371554-1563的论文“Statistical Inference forProbabilistic Functions of Finite State Markov Chains”中非常清楚地介绍了所述MAP算法。MAP算法又称为前向-后向(FB)算法，当前这种算法已经引起了极大的关注。特别地，这种算法能够通过关联可靠性信息以及译码比特来对卷积码进行译码，并且它可以很有益地用在众多应用之中，例如使用了“Turbo码”的应用。以下将对MAP算法的原理进行简要描述。出于说明目的，在本文的剩余部分，术语“MAP算法”不但包括MAP类型的算法，而且还包括那些从MAP类型的算法中派生的算法，特别是Log-MAP和MAX-Log-MAP类型的算法。从图解形式来看，MAP算法可以视为是将两个经过修改的维特比译码器作用于后向数据所产生的信息(节点量度)合并在一起。回想一下，频繁用于解码接收信号的维特比算法包括在一个代表编码方法的网格中搜索一条与最大概率状态序列相对应的路径，也就是搜索一条与所需要的序列距离最近的路径。G.D.Forney在1997年3月发表于Proceedings of the IEEE第61卷第3号的论文“The ViterbiAlgorithm”对这种算法进行了描述。MAP算法可用于确定始于观测值Y0K={Y0,...,YK}]]>的有限状态隐性马尔可夫链在时刻k的状态的后验概率似然比，其中0≤k≤K。通常，马尔可夫链被定义成相继链接的连续随机状态集合，其中从一种状态到另一种状态的转换与一个概率相关联，这个概率称为转移概率。由此可以设想一个马尔可夫链{XK}，其值处于有限空间E＝{1，...，N}之中并且所述马尔可夫链是由一个状态转移矩阵∏＝(πi，j)定义的，其中所述矩阵的大小是N×N，初始规则v=(vi)i=1N]]>是由vi＝Prob定义的，其中i∈E。依照通常使用的术语，两个状态Xk-1与Xk之间的转移是由一对状态定义并由ξk＝(Xk-1，Xk)表示的。矩阵∏是与{Xk}相关联的状态之间的一个转移矩阵。对这个矩阵来说，元素πij是如下定义的πij＝Probi，j∈E (1)本文考虑的是隐性马尔可夫模型的情况，在这种情况下可以使用带有噪声的观测值{YK}，也就是具有处于 中的观测值{Yk}，此外所述观测值{YK}是通过一条无记忆信道收集的。换句话说，凭借状态ξk之间的转移，观测值{Yk}是相互独立的，每一个观测值Yk只取决于同一时刻k的变换ξk。由此可以将观测到的信号模型写成以下形式Yk＝H(ξk)+Bk(2)其中H(·)表示的是具有 中的值并在E中定义的无记忆信道的传递函数，ξk＝(Xk-1，Xk)是处于时刻k且具有E×E中的值的状态对，Y表示的是一个处于时刻k并具有 中的值的观测值，其中Bk是附加白噪声。在数字通信环境中，等式(2)定义的模型同样是适用的因此信道H(·)代表了基带中的传输信道，Xk则表示调制字母表中的一系列符号，其宽度与信道存储器是相等的。在对卷积码进行译码的过程中，H(·)表示码生成器多项式，Xk表示的是信道编码器的存储器内容。我们现在将对在MAP算法环境中计算的似然比的概念进行更详细的描述。对一个属于E的部分集的集合X来说，其似然比ΛkX定义为集合X的后验概率与处于E中的X的补集的后验概率之比。所述似然比可以用以下等式表示ΛkX=Σi∈XPAPkiΣi∉XPAPKi---(3)]]>其中PAPKi=P,0≤k≤K.]]>传统上，MAP算法与所考虑的具有不同状态的网格表示相关联。因此，如果所考虑的是卷积码，那么MAP算法会将编码器变化的网格表示与时间结合使用，以便进行译码。所述网格通常是用一个图表来表示的，其中横轴代表时间，纵轴代表不同的可能状态。因此，网格中的每一个节点首先与一个状态相关联，其次则与一个时刻k相关联。而两个连续时刻k和k+1的节点之间的可能转移是由分支表示的。MAP算法包含了分别称为“前向变量”和“后向变量”的两个中间变量。相对于网格而言，在这里以递归方式计算由MAP算法分别在前向和后向上传送的这些变量，其结果即为各个时刻k的似然比的计算结果。在本文的剩余部分定义了这些前向和后向变量，其中这些变量使用的是在Xk＝j和Xk-1＝i的状态中有条件遵循yk的概率，所述概率由以下等式表示bi，j(Yk)＝Prob (5)传统上，这个概率称为量度。它可以取决于k并且是噪声Bk的概率密度函数。MAP算法是在三个步骤中执行的首先是一个前向递归步骤，其次是一个反向递归步骤，最后则是一个数据合并步骤。前向递归包括对在时刻k穿越那些代表状态Xi＝i的节点的概率αik进行计算，其中所述递归始于在直接方向上通过穿越网格所获取的信息。由此可以将前向变量αik定义为事件(Xi＝i，Y0＝y0，...Yk＝yk)的概率 αik=Prob---(6)]]>可以论证的是，αik的值是如下以递归方式计算的，其中0≤k≤Kαik+1=Σj∈Eπj,ibj,i(Yk+1)αjk]]>其中初始值αi0=vi,]]>i∈E。同样，后向递归包括对在时刻k穿越那些代表状态Xi＝i的节点的概率βik进行计算，其中所述递归始于从间接方向上通过穿越网格所获取的信息。由此可以将后向变量βik定义为事件(Xi＝i，Yk+1＝yk+1，...Yk＝yk)的概率βik=Prob---(7)]]>可以论证的是，βik的值是如下以递归方式计算的，其中0≤k≤Kβik=Σj∈Eπi,jbi,j(Yk+1)βjk+1]]>其中初始值βik=1,]]>i∈E。MAP算法使用的第三个步骤包括通过对检测到的符号的似然比进行计算来合并这两个递归结果，由此计算这些状态的“后验”概率。对等式(3)定义的状态集而言，其似然比可以表述成具有以下形式的前向和后向中间变量的函数ΛkX=Σi∈XαikβikΣi∉Xαikβik---(8)]]>举例来说，在符号检测环境中，集合X将那些对应于发送相同调制符号的状态聚集在一起。在信道译码环境中，集合X则将那些与信道编码器输入端的相同码字相对应的状态聚集在一起本文档来自技高网...

【技术保护点】
一种信号处理方法，该方法使用ＭＡＰ（最大后验概率）类型算法来确定在时刻ｋ上的网格状态集Ｘ的似然比Λ↓［ｋ］↑［ｘ］，每一个所述状态都与至少一个中间变量相关联，其中所述变量属于一个包含所谓的“前向”变量和所谓的“后向”变量的群组，相对于所述网格在所述时刻ｋ，所述中间变量分别是在直接方向和间接方向上进行递归计算并由所述ＭＡＰ算法进行传送，其特征在于，所述方法包括通过减少所述ＭＡＰ类型算法所选择的状态数目来计算所述似然比的步骤，以及将至少一个已确定值分配给相应的所述 前向变量和／或后向变量，由此至少能为一些未选择的状态计算一个近似似然比。

【技术特征摘要】
...

【专利技术属性】
技术研发人员：亚历山大洛克塞尔，
申请(专利权)人：维夫康姆公司，
类型：发明
国别省市：FR[法国]