简单描述turbo译码过程

Turbo码主要的创新点在于利用似然比来调解两个译码器输出的差异。每个译码器都产生一>组对应m-输入比特的假设（似然比），然后比较两组假设结果，如果存在差异，则译码器交换假设的结果。每个译码器都可以利用对方的假设来估计新的假设，然后它们对新的假设结果进行比较，重复上述过程直至两个译码器得到同样的假设为止。

这个过程与小强填字或者数独类似。可以这么理解，两个不同的人（译码器）拿到同一个小强填字，但是他们采用不同的方式来解决填字的问题，一个只看横/竖方向，另一个只看斜>线方向。当然，他们独立做出来的结果不能保证完全正确，于是他们在填字的同时记下他们对于该结论的确定度，比如某些字他们敢保证绝不会出错，某些字吃不准，某些是胡乱猜的。。。然后他们对比各自的结果及相应的确定度，通过参考对方的结果，双方都可以根据差异得到一些启示，然后他们根据这些启示再次尝试填字，重复以上过程直至两人的结果完全相符（但还是不能确保和正确答案一样，只能保证差不离）。是概率译码算法，也就是最大后验概率算法(MAP）。但在Turbo码出现之前，信道编码使用的概率译码算法是最大似然算法(ML）。ML算法是MAP算法的简化，即假设信源符号等概率出现，因此是次优的译码算法。Turbo码的译码算法采用了MAP算法，在译码的结构上又做了改进，再次引入反馈的概念，取得了性能和复杂度之间的折衷。同时，Turbo 码的译码采用的是迭代译码，这与经典的代数译码是完全不同的。

Turbo 码的译码算法是最早在BCJR 算法的基础上改进的，我们称以MAP算法，后来又形成Log-MAP算法、Max-Log-MAP以及软输入软输出（SOVA）算法。Turbo 码的译码结构图

⒈Turbo 码的译码结构如图所示. Turbo 译码器有以下的特点：

1) 串行级联

2) 迭代译码

3) 在迭代译码过程中交换的是外部信息

⒉ 概率译码译码原理及结构

译码时首先对接收信息进行处理，两个成员译码器之间外部信息的传递就形成了一个循环迭代的结构。由于外部信息的作用，一定信噪比下的误比特率将随着循环次数的增加而降低。但同时外部信息与接受序列间的相关性也随着译码次数的增加而逐渐增加，外部信息所提供的纠错能力也随之减弱，在一定的循环次数之后，译码性能将不再提高。

香农信息论告诉我们，最优的译码算法是概率译码算法，也就是最大后验概率算法(MAP）。但在Turbo码出现之前，信道编码使用的概率译码算法是最大似然算法(ML）。ML算法是MAP算法的简化，即假设信源符号等概率出现，因此是次优的译码算法。Turbo码的译码算法采用了MAP算法，在译码的结构上又做了改进，再次引入反馈的概念，取得了性能和复杂度之间的折衷。同时，Turbo 码的译码采用的是迭代译码，这与经典的代数译码是完全不同的。

Turbo 码的译码算法是最早在BCJR 算法的基础上改进的，我们称以MAP算法，后来又形成Log-MAP算法、Max-Log-MAP以及软输入软输出（SOVA）算法。Turbo 码的译码结构图

⒈Turbo 码的译码结构如图所示. Turbo 译码器有以下的特点：

1) 串行级联

2) 迭代译码

3) 在迭代译码过程中交换的是外部信息

⒉ 概率译码译码原理及结构

译码时首先对接收信息进行处理，两个成员译码器之间外部信息的传递就形成了一个循环迭代的结构。由于外部信息的作用，一定信噪比下的误比特率将随着循环次数的增加而降低。但同时外部信息与接受序列间的相关性也随着译码次数的增加而逐渐增加，外部信息所提供的纠错能力也随之减弱，在一定的循环次数之后，译码性能将不再提高。

LDPC码编码是在通信系统的发送端进行的，在接收端进行相应的译码，这样才能实现编码的纠错。LDPC 码由于其奇偶校验矩阵的稀疏性，使其存在高效的译码算法，其复杂度与码长成线性关系，克服了分组码在码长很大时，所面临的巨大译码算法复杂度问题，使长码分组的应用成为可能。而且由于校验矩阵稀疏，使得在长码时，相距很远的信息比特参与统一校验，这使得连续的突发差错对译码的影响不大，编码本身就具有抗突发错误的特性。

LDPC码的译码算法种类很多，其中大部分可以被归结到信息传递〔Mesaseg Prpagation，MP)算法集中。这一类译码算法由于具有良好的性能和严格的数学结构，使得译码性能的定量分析成为可能，因此特别受到关注。MP算法集中的置信传播(BP)算法是Gallager提出的一种软输入迭代译码算法，具有最好的性能。如果我们首先理解并掌握了一些很简单的硬判决算法后，对BP算法的理解会更加容易。同时，通过一些常用的数学手段，我们可以对BP译码算法作一些简化，从而在一定的性能损失内获得对运算量和存储量需求的降低。

---