CN101064585A - 多层信道译码方法 - Google Patents

Abstract

一种用于通信系统的多层信道译码方法，包括步骤：计算所有译码层对应的初始分支路径度量值；在每次迭代的每个译码层，根据与当前迭代步之前的迭代步产生的有关译码层的先验信息，或当前迭代步产生的有关其它译码层的先验信息，对该层对应的初始分支路径度量值进行更新；对更新步骤的结果进行译码；以及重复更新步骤和译码步骤，直到达到给定的迭代次数；对上述步骤输出的各译码层的似然信息进行符号判决，以得到对应编码前的各层比特序列的估计值。采用上述机制的译码方法，与传统的软输入软输出的译码方法相比，性能基本类似，在某些SNR点上，甚至表现出好的性能，且具有较少的计算复杂度，易于实现，能很好的降低功耗，译码时延较小。

Description

多层信道译码方法

技术领域

本发明涉及通信技术领域，尤其涉及通信系统中的一种针对编码和调制联合优化的多层信道编码方法的多层信道译码方法。

背景技术

数字通信系统中，传输信息的速率增加时，系统产生的误码率要增加，如何解决由于提高传输信息速率带来的误码率增加，是通信系统设计和实践中一个很有意义的研究方向。将信道编码与调制相结合联合优化进行信道编码，就可以大大改善系统的性能。

多层信道编码(Multi Level channel code，简称MLC)是信道编码与调制相结合的一种主要方式，也可以将其称作多级或多阶段信道编码，如图1所示，该方案已被一些系统采用，例如全球数字广播系统(Digital Radio Mondiale，DRM)。相应地，开发针对MLC的有效译码方法已经成为通信领越的研究热点之一。一些文献已描述了采用turbo译码原理来编译MLC的方法，系统能够被看作传统的串行连接的迭代译码结构，只是内部的一个译码器被软解调器(demapper)代替。并且已证明将迭代的多层译码器用于信道编码与调制相结合的系统，能减少比特错误率。那么传统的解调器必须修改以便能够接受来自其它译码层的先验信息。文献[Stephan ten Brink等，Iterativedemapping and decoding for multilevel modulation，1998 IEEE]针对这一问题给出了解决方案。

因此，对于MLC信道编码方式，一种有效的译码方法在于迭代的多层译码方法(multistage decoder，简称MSD)。关于MSD的实现方法，目前主要有两种方案，一种是基于软输入、不同层软输出、最后再进行硬判的软输入软输出译码方法(soft-in and soft-outputdecoder，简称SISO)；另一种是软输入、不同层进行硬判，即硬输出的译码方法(soft-in and hard-decision decoder，简称SIHO)。前者可以采用类似通常所说的基于符号的MAP译码方法，该方法通过保持每个译码层的似然信息，进而达到较好的译码性能，但其实现复杂度较高，即使是简化方法Max-log-map，其计算复杂度也至少相当于Viterbi译码方法的两倍。后者由于在不同层进行硬判，译码方法的复杂度小，但后续的译码层被强制以概率为一利用之前译码层的结果，如果之前译码层的结果错误，将会造成性能的严重恶化。

综上所述，SISO方法具有较好的译码性能，但其实现复杂度较高；SIHO方法实现复杂度低，但性能损失却太大。

所以说软输入软输出的译码方法SISO具有较好的译码性能，但其实现复杂度较高；软输入硬输出的SIHO方法实现复杂度低，但性能损失却太大。因此需要研究实现复杂度相对低、译码性能好的多层译码方法。

注意到分支路径的更新能够利用来自其它层的先验信息的符号进行裁剪，且在每次迭代的每个译码层中，大多数用于计算解调器中分支路径度量值(LLR)的主要操作(乘法MUL)是重复的。

发明内容

因此，针对信道编码与调制相结合的多层信道编码方法，本发明提出一种新的具有较少计算复杂度的多层信道译码方法，计算所有译码层对应的初始分支路径度量值；在每次迭代的每个译码层，根据与当前迭代步之前的迭代步产生的有关译码层的先验信息，或当前迭代步产生的有关其它译码层的先验信息，对该层对应的初始分支路径度量值进行更新；对更新步骤的结果进行译码；以及重复更新步骤和译码步骤，直到达到给定的迭代次数；对上述步骤输出的各译码层的似然信息进行符号判决，以得到对应编码前的各层比特序列的估计值。

采用上述机制的译码方法，与传统的软输入软输出的SISO方法相比，性能基本类似，在某些SNR点上，更表现出较好的性能，且具有较少的计算复杂度，易于实现，能很好的降低功耗，译码时延较小。

附图说明

图1L层MQAM调制的信道编码示例；

图2根据本发明的应用于多层编码调制的多层译码方法的示例；

图3在DRM系统中采用64QAM调制的3层信道编码示例；

图4在DRM系统中一种用于3层信道编码的多层信道译码器示例的方框图；

图5在DRM系统中一种用于3层信道编码的多层信道译码方法示例的流程图；

图6在DRM信道1下方法SISO、SIHO和S-SISO的BER信能曲线比较；

图7在DRM信道2下方法SISO、SIHO和S-SISO的BER信能曲线比较；

图8在DRM信道4下方法SISO、SIHO和S-SISO的BER信能曲线比较。

具体实施方式

参考图1，考虑卷积码和M进制的正交调幅调制MQAM(Quadrature Amplitude Modulation)(M＝2^m)相结合的编码方式，每个m-维向量u_k＝{u_k，1，u_k，2，...，u_k，m}将映射到MQAM中的M个星座点之一。在某个时间k，能用一组(X_k，Y_k)实值符号来表示，因此相应地在时间k接收信号(A_k，B_k)可以写作：

A_k＝a_kX_k+I_k，B_k＝a_kY_k+Q_k，                 (1)

其中a_k是瑞利随机衰落信道，I_k和Q_k，是两个不相关的高斯燥声，均值是零，方差是σ_N ²。

与每个编码器输出比特u_k，i，i＝1，...，L，相关的软决策信息的似然值Logarithm Likelihood Ratio(LLR)，也即译码方法中的解调器的分支路径度量值，可以表示为：

$L\left(u_{k,i}\right)=\log \frac{P\{u_{k,i}=1/(A_k,B_k)\}}{P\{u_{k,i}=0/(A_k,B_k)\}}...\left(2\right)$

很明显，当u_k，i＝1和u_k，i，＝0各对应于MQAM中的M/2不同的星座点。也就是说，对于每个比特u_k，i，MQAM星座点被分为两个互不相交的子集。假定集合C₁(i)包含满足u_k，i＝1的M/2个星座点(X_n，Y_n)，集合C₀(i)包含满足u_k，i＝0的M/2个星座点(X_n，Y_n)，这里n＝1，2...M/2。在文献[Xingyu Gu等，A novel Efficient Soft OutputDemodulation Algorithm for high Order Modulation，CIT’04，IEEE]给出的一个简化的LLR的计算方法为：

$L\left(u_{k,i}\right)=\frac{{a_k}^2}{2{\mathrm{\σ}}_N^2}\left[\underset{(X_n,Y_n)\∈C_0\left(i\right)}{\mathrm{Min}}\right\{{{(x_k-X_n)}^2+(y_k-Y_n)}^2\}-\underset{(X_n,Y_n)\∈C_1\left(i\right)}{\mathrm{Min}}\{{(x_k-X_n)}^2+{(y_k-Y_n)}^2\left\}\right]$

i＝0，1...L-1，                        (3)

这里 $x_k=\frac{A_k}{a_k},$ $y_k=\frac{B_k}{a_k}.$

对于一个含有平方个星座点的MQAM信号集而言，它能够分解为两个独立的

维调制的信号集。也就是说，对于一个含有平方个星座点的MQAM信号集而言，其同相(in-phase)分量X_n和正交(quadrature)分量Y_n能够被独立映射。因此，编码后比特序列{u_k，i}i＝1，2，...，L能够划分为两部分：一部分映射到星座点集{X_n，Y_n}中的同相分量X_n；另一部分映射到星座点集{X_n，Y_n}中的正交分量Y_n。用集合S_X表示包含映射到同相分量X_n的u_k，i，S_Y表示包含映射到正交分量Y_n的u_k，i，并且集合S_X，0(i)和S_X，1(i)是包含分别满足u_k，i＝1和u_k，i＝0的对应值，那么公式(3)能够进行如下简化：

$L\left(u_{k,i}\right)=\frac{{a_k}^2}{2{\mathrm{\σ}}_N^2}[\underset{X_n\∈S_{X,0}\left(i\right)}{\mathrm{Min}}\left\{{(x_k-X_n)}^2\right\}-\underset{X_n\∈S_{X,1}\left(i\right)}{\mathrm{Min}}\left\{{(x_k-X_n)}^2\right\}],$ u_k，i∈S_X

(4)

$L\left(u_{k,i}\right)=\frac{{a_k}^2}{2{\mathrm{\σ}}_N^2}[\underset{Y_n\∈S_{Y,0}\left(i\right)}{\mathrm{Min}}\left\{{(y_k-Y_n)}^2\right\}-\underset{Y_n\∈S_{Y,1}\left(i\right)}{\mathrm{Min}}\left\{{(y_k-Y_n)}^2\right\}],$ u_k，i∈S_Y

(5)

不难看出利用公式(4)和(5)去计算的u_k，i的LLR值，仅需要计算一维距离，而不是如公式(3)中的两维距离。并且仅需要计算大小为

的两个集合的距离，而不是计算大小为M/2两个集合的距离。因此计算复杂度减少了。

考虑比特u_k，i的似然值L-value的先验信息L_a(u_k，i)，以及来自其它译码层j的可靠性信息L_a(u_k，j)，不考虑常量σ_N，则(4)和(5)能够写为如下(6)和(7)：

$L\left(u_{k,i}\right)=L_a\left(u_{k,i}\right)+\underset{X_n\∈S_{X,0}\left(i\right)}{\mathrm{Min}}\{{a_k}^2{(x_k-X_n)}^2+\underset{j=0,j\≠i}{\overset{M-1}{\mathrm{\Σ}}}{L}_a\left(u_{k,j}\right)\}-\underset{X_n\∈S_{X,1}\left(i\right)}{\mathrm{Min}}\{{a_k}^2{(x_k-X_n)}^2+\underset{j=0,j\≠1}{\overset{M-1}{\mathrm{\Σ}}}{L}_a\left(u_{k,j}\right)\}$

u_k，i∈S_X    (6)

$L\left(u_{k,i}\right)=L_a\left(u_{k,i}\right)+\underset{Y_n\∈S_{Y,0}\left(i\right)}{\mathrm{Min}}\{{a_k}^2{(y_k-Y_n)}^2+\underset{j=0,j\≠i}{\overset{M-1}{\mathrm{\Σ}}}{L}_a\left(u_{k,j}\right)\}-\underset{Y_n\∈S_{Y,1}\left(i\right)}{\mathrm{Min}}\{{a_k}^2{(y_k-Y_n)}^2+\underset{j=0,j\≠1}{\overset{M-1}{\mathrm{\Σ}}}{L}_a\left(u_{k,j}\right)\}$

u_k，i∈S_Y    (7)

迭代多层译码器的计算量主要由解调器的LLR值的计算、内部译码器和给定的迭代次数决定。

在多层编码方式中，如图1，MQAM信号集的同相(in-phase)分量X_n和正交(quadrature)分量Y_n被单独映射。例如考虑MQAM机制中每个同相分量，其对应的每L-维向量u_k＝{u_k，0，u_k，1，...，u_k，L-1}将成功的划分在L层(Levels)上，其定义了一个从u_k＝{u_k，0，u_k，1，...，u_k，L-1}到星座点a_m的二进制的地址映射。例如L＝3时，每个正交分量将映射到如下的星座点地址a_m＝(u₀，u₁，u₂)：a0＝(0，0，0)，a1＝(0，0，1)，a2＝(0，1，0)，a3＝(0，1，1)，a4＝(1，0，0)，a5＝(1，0，1)，a6＝(1，1，0)，a7＝(1，1，1)。同理MQAM机制中每个正交分量对应的每L-维向量u_k＝{u_k，0，u_k，1，...，u_k，L-1}也将成功的划分在L层(Level)上，其也定义了一个从u_k＝{u_k，0，u_k，1，...，u_k，L-1}到星座点a_m的二进制的地址映射。这里 $2^L=\sqrt{M}.$

根据公式(6)和(7)，注意到用于计算解调器中LLR的主要操作(乘法MUL)与层i是无关的，也就是说，这些操作在每次迭代的每个译码层是相同的(重复的)。例如，假定给定的迭代次数是4，层为3，那么在译码过程中将有12次的同样操作。

定义

$d_{k,n}^X={a_k}^2{(x_k-X_n)}^2,$ $d_{k,n}^X={a_k}^2{(y_k-Y_n)}^2,n=0,...\sqrt{M}-1...\left(8\right)$

那么(6)和(7)能够写为如下(9)和(10)：

$L\left(u_{k,i}\right)=L_a\left(u_{k,i}\right)+\underset{\mathrm{bin}(n,i)=0}{\underset{n\∈0,...\sqrt{M}-1}{\mathrm{Min}}}\{d_{k,n}^X+\underset{j=0,j\≠i}{\overset{L-1}{\mathrm{\Σ}}}{L}_a\left(u_{k,j}\right)\}-\underset{\mathrm{bin}(n,i)=1}{\underset{n\∈0,...\sqrt{M}-1}{\mathrm{Min}}}\{d_{k,n}^X+\underset{j=0,j\≠i}{\overset{L-1}{\mathrm{\Σ}}}{L}_a\left(u_{k,j}\right)\}$

u_k，i∈S_X                                 (9)

$L\left(u_{k,i}\right)=L_a\left(u_{k,i}\right)+\underset{\mathrm{bin}(n,i)=0}{\underset{n\∈0,...\sqrt{M}-1}{\mathrm{Min}}}\{d_{k,n}^Y+\underset{j=0,j\≠i}{\overset{L-1}{\mathrm{\Σ}}}{L}_a\left(u_{k,j}\right)\}-\underset{\mathrm{bin}(n,i)=1}{\underset{n\∈0,...\sqrt{M}-1}{\mathrm{Min}}}\{d_{k,n}^Y+\underset{j=0,j\≠i}{\overset{L-1}{\mathrm{\Σ}}}{L}_a\left(u_{k,j}\right)\}$

u_k，i∈S_Y                                 (10)

这里函数bin(n，i)取1，如果在n的二进制分解中，第i个比特为1，否则为0。

注意到，最后的译码决策是基于符号判决的，即如果译码器的输出(假设为Ld)大于0则为1，否则为0。解调LLR的计算过程是寻找最小值(min)。因此一种更新LLR分支路径度量值的简化方法如下所述：

考虑(9)和(10)中的ADD操作，简化方法为：

对于某个j，执行d_k，n ^X+L_a(u_k，j)，仅当update(n，j)＝1；否则这些操作被忽略(裁剪)。

这里，函数update(n，j)的定义为：

Update(n，j)＝

则(9)和(10)能够写为如下(11)和(12)：

$L\left(u_{k,i}\right)=L_a\left(u_{k,i}\right)+\underset{\mathrm{bin}(n,i)=0}{\underset{n\∈0,...\sqrt{M}-1}{\mathrm{Min}}}\{d_{k,n}^X+\underset{\mathrm{Update}(n,j)=1}{\overset{L-1}{\underset{j=0,j\≠i}{\mathrm{\Σ}}}}{L}_a\left(u_{k,j}\right)\}-\underset{\mathrm{bin}(n,i)=1}{\underset{n\∈0,...\sqrt{M}-1}{\mathrm{Min}}}\{d_{k,n}^X+\underset{\mathrm{Update}(n,j)=1}{\overset{L-1}{\underset{j=0,j\≠i}{\mathrm{\Σ}}}}{L}_a\left(u_{k,j}\right)\}$

                   u_k，i∈S_X

                     (11)

$L\left(u_{k,i}\right)=L_a\left(u_{k,i}\right)+\underset{\mathrm{bin}(n,i)=0}{\underset{n\∈0,...\sqrt{M}-1}{\mathrm{Min}}}\{d_{k,n}^Y+\underset{\mathrm{Update}(n,j)=1}{\overset{L-1}{\underset{j=0,j\≠i}{\mathrm{\Σ}}}}{L}_a\left(u_{k,j}\right)\}-\underset{\mathrm{bin}(n,i)=1}{\underset{n\∈0,...\sqrt{M}-1}{\mathrm{Min}}}\{d_{k,n}^Y+\underset{\mathrm{Update}(n,j)=1}{\overset{L-1}{\underset{j=0,j\≠i}{\mathrm{\Σ}}}}{L}_a\left(u_{k,j}\right)\}$

u_k，i∈S_Y                                (12)

例如，在DRM中，L＝3，假定i＝0，当j为1且L_a(u_k，1)＞0，那么实际执行的更新操作为：

n＝000，update(n，j)＝1，因此执行d_k，0 ^X+L_a(u_k，1)

n＝001，update(n，j)＝1，因此执行d_k，1 ^X+L_a(u_k，1).

而当n＝010和n＝011时，因为update(n，j)＝0，故更新操作ADD被裁剪，即这些操作被省略。

当j＝2，假定L_a(u_k，2)＜0，那么实际执行的更新操作为：

n＝001， $L_0=d_{k,1}^X+L_a\left(u_{k,2}\right)$

n＝011， $L_1=d_{k,3}^X+L_a\left(u_{k,3}\right).$

当n＝000，010更新操作被裁剪。

从上面的例子可以看出，利用本发明提出的简化的更新方法，用于更新的ADD操作能被减少一倍，即仅需原来计算量的一半。

综上所述，能够构造一种新的多层译码方法，将分支路径度量值的计算过程分为两部分：一部分是初始的分支路径度量值的计算，如公式(8)所示，另一部分是根据来自其它迭代步或者是本迭代步其它层的先验信息对初始的分支路径度量值进行更新。在迭代译码开始前，先计算初始的分支路径机制，并将其保存在给定的存储器中，然后，在迭代译码的过程中，在每个译码层仅对裁剪后的分支路径度量值进行更新。这种方法可以简称为S-SISO。

因此，本发明提出了一种低计算复杂度的多层译码方法，参照图2，主要包含如下步骤：

在201步：计算各译码层对应的初始的分支路径度量值(LLR)；

在202步：在每次迭代的每个译码层，根据所述公式(11)和(12)的简化方法更新分支路径度量值(LLR)；

在203步：若发端该层包含交织运算，则将所得的分支路径度量值进行相应的解交织运算；

在204步：将所得值送入内部译码器进行译码；

在205步：将内部译码器输出的结果，根据发端该层是否进行交织进行处理，如果发端该层执行交织，则执行软卷积和交织；

在206步：如果达到给定的迭代次数，则整个译码过程结束，否则转202。

在201步：计算初始的分支路径度量值(LLR)的一种方法可以如公式(8)所示。

在203和205步，按照与发端相同的交织模板来执行相应的比特交织和解交织。

例如，在DRM规范中，参照图3，采用3层的多阶信道编码方式，显然，本发明的应用并不局限于DRM规范。采用本发明提出的译码方法，其对应的多层译码器框图如图4所示。一种具体的实现流程图示例如图5所示，主要包括如下步骤：

在501步：根据所述公式(8)计算初始的分支路径度量值，结果分别放入MetricRe[]和MetricIm[]中；

在502步：初始化循环变量k为0，这里k为迭代次数；

在503步：如果k＜给定的迭代次数，则继续下一步，否则对输出的各译码层的似然信息进行符号判决，即得到对应编码前的各层比特序列的估计值，译码结束；

在504步：初始化循环变量j为0，这里j＝0...L-1表示编码的层次；

在505步：如果j＜L，则执行507，否则继续下一步；

在506步：k＝k+1，进行下次迭代，转503步；

在507步：根据所述公式(11)和(12)更新分支路径度量值，LLRm＝update_metric(MetricRe[]，MetricIm[]，La[0]，La[1]，La[2])，这里La[0]，La[1]，La[2]分别为来自0、1、2层的先验信息；

在508步：对分支路径度量值LLRm执行比特解交织；

在509步：将解交织后的结果送入前、后向迭代的软输出的内部译码器；

在510步：如果k＜给定的迭代次数或者k等于给定的迭代次数但不是最后一层，则继续下一步，否则执行513步；

在511步：对内部译码器的输出结果进行软卷积；

在512步：对所述软卷积的结果La[j]按照与发端给定的该层使用的交织模板进行比特交织；

在513步：j＝j+1，且转到505步。

采用上述方法进行了仿真，一些仿真假设和仿真参数如表1所示。

                   表1仿真假设和仿真参数

Parameter	Assumption/Value
		Spectrum occupancy	3(10k)
Robustness Mode	Mode A for Channel 2；Mode B for Channel3 and 4

Modulation	64 QAM for MSC
		Coding rate	R is 0.6，i.e.，protection level is set 1.
Cell-wise interleaving	Long，2s
		Channel Estimation	Linear interpolation in time & frequencydirection
Iterations Number	4
		Signal power	Includes pilots and guard interval
BER calculation	MSC service
		AGC	OFF
Sync	OFF

在DRM规范定义的信道1、2、4下，方法SISO、SIHO、和本发明提出的方法S-SISO的性能曲线的比较如图6、7和8所示。

参照图6、7和8，本发明提出的方法具有与SISO类似的性能，且在某些SNR点上甚至表现出好的趋势。此外，他们的性能均要好于SIHO。

选用DRM信道4，下面对本发明提出的方法所需的计算复杂度进行分析。

根据公式(7)和(8)，对于某层i，考虑X和Y两个方向，计算L(u_k，i)所需的计算量为：

2*{2*[4*(3Mul+1Add+2ADD)]+1Add]}＝16*(3Mul+3Add)+2Add。(用Y0表示)

所以对于SISO，用于计算LLR的总的计算复杂度为NumIterations*L*Y0。NumIterations为给定的迭代次数，Mul表示乘法运算，Add表示加法运算。

对于本发明提出的方法S-SISO，计算初始分支路径度量值，根据公式(8)，所需的计算量为2*8*3Mul，2*8ADDs。

在每个迭代步中更新操作所需的计算量为16ADD+2ADD，因此总的计算量为NumIterations*L*18*ADDs。

例如，在DRM信道4下，当执行的帧数为10000，NumIterations为4时，在SISO中，LLR的主要计算复杂度是：4*10000*3*y0，那也就是：5760,000MUL和6000,000ADDs。

在S-SISO方法中，LLR的计算复杂度是：10000*2*8*3Mul＝480,000MULs，10000*(4*3*18+16)ADD＝2320,000ADD。

因此，在方法S-SISO和SISO中，关于LLR的计算复杂度的比较是：Mul：480,000/5760,000＝0.08，ADD：1200,000/2160,000＝0.55，如表2所示。

表2在信道4下LLR的计算复杂度比较

	S-SISO	SISO	S-SISO/SISO
				MUL	480,000	5760,000	0.08＝8％
ADD	2320,000	6000,000	0.55＝55％

综上所述，本发明提出的多层译码方法S-SISO所需的计算量，与SISO方法相比，乘法仅占SISO的8％，加法仅占SISO的55％，并且从性能比较结果看本发明所提出的方法能获得与方法SISO基本类似、甚至更好的性能。

因此，根据本发明的用于多层编码的多层信道译码方法的主要优点在于：

1)在开始前，提前计算初始的分支路径机制，有效地减小了用于计算分支路径的计算量；

2)在迭代译码的过程中，根据来自其它层的先验信息的符号对初始的分支路径度量值进行更新，有效地减小了用于更新分支路径度量值的计算量；

3)与软输入软输出的SISO方法相比具有同样的性能，在某些SNR点上，表现出较好的趋势；

4)采用本发明提出的译码方法实现的译码器译码时延较小；

5)与软输入软输出的SISO方法相比，具有较少的计算复杂度，易于实现，且能很好的降低功耗；

6)能有效地减少相关硬件设计的复杂度，节约了成本，保证了在高速传输速率和更高维调制方式的情况下，误码率不增加或增加很少。

Claims (9)

1.一种用于通信系统的多层信道译码方法，包括步骤：

计算所有译码层对应的初始分支路径度量值；

在每次迭代的每个译码层，根据与当前迭代步之前的迭代步产生的有关译码层的先验信息，或当前迭代步产生的有关其它译码层的先验信息，对该层对应的初始分支路径度量值进行更新；

对更新步骤的结果进行译码；以及

重复更新步骤和译码步骤，直到达到给定的迭代次数；

对上述步骤输出的各译码层的似然信息进行符号判决，以得到对应编码前的各层比特序列的估计值。

2.如权利要求1所述的方法，其特征在于，计算初始的分支路径度量值的步骤包括：计算经过信道均衡后的接收信号与调制星座点信号的距离。

3.如权利要求2所述的方法，其特征在于，分别针对经过信道均衡后的接收信号的同相分量和正交分量来进行计算。

4.如权利要求3所述的方法，其特征在于，对于经过信道均衡后的接收信号的同相分量和正交分量，按照如下公式来计算分支路径度量值：

$d_{k,n}^X={a_k}^2{(x_k-X_n)}^2,$ $d_{k,n}^Y={a_k}^2{(y_k-Y_n)}^2$ $n=0,...\sqrt{M}-1$

其中a_k是瑞利随机衰落信道； $x_k=\frac{A_k}{a_k}$ 表示经过信道均衡后的接收信号的同相分量，A_k是时刻k接收信号的同相分量；X_n是MQAM星座点信号集中对应的同相分量； $y_k=\frac{B_k}{a_k}$ 表示经过信道均衡后的接收信号的正交分量，B_k是时刻k接收信号的正交分量；Y_n是MQAM星座点信号集中对应的正交分量。

5.如权利要求1所述的方法，其特征在于，按照如下公式来更新分支路径度量值：

$L\left(u_{k,i}\right)=L_a\left(u_{k,i}\right)+\underset{\mathrm{bin}(n,i)=0}{\underset{n\∈0,...\sqrt{M}-1}{\mathrm{Min}}}\{d_{k,n}^X+\underset{\underset{\mathrm{Update}(n,j)=1}{j=0,j\≠i}}{\overset{L-1}{\mathrm{\Σ}}}{L}_a\left(u_{k,j}\right)\}-\underset{\mathrm{bin}(n,j)=1}{\underset{n\∈0,...\sqrt{M}-1}{\mathrm{Min}}}\{d_{k,n}^X+\underset{\mathrm{Update}(n,j)=1}{\overset{L-1}{\underset{j=0,j\≠i}{\mathrm{\Σ}}}}{L}_a\left(u_{k,j}\right)\}$

                      u_k，i∈S_X

其中u_k，i表示多层编码器k时刻的输出比特，u_k，i∈S_X，S_X包含映射到MQAM星座点信号集中同相分量X_n的u_k，i，L_a(u_k，j)是来自其它层的先验信息。

6.如权利要求1所述的方法，其特征在于，按照如下公式来更新分支路径度量值：

$L\left(u_{k,i}\right)=L_a\left(u_{k,i}\right)+\underset{\mathrm{bin}(n,i)=0}{\underset{n\∈0,...\sqrt{M}-1}{\mathrm{Min}}}\{d_{k,n}^Y+\underset{\underset{\mathrm{Update}(n,j)=1}{j=0,j\≠i}}{\overset{L-1}{\mathrm{\Σ}}}{L}_a\left(u_{k,j}\right)\}-\underset{\mathrm{bin}(n,j)=1}{\underset{n\∈0,...\sqrt{M}-1}{\mathrm{Min}}}\{d_{k,n}^Y+\underset{\mathrm{Update}(n,j)=1}{\overset{L-1}{\underset{j=0,j\≠i}{\mathrm{\Σ}}}}{L}_a\left(u_{k,j}\right)\}$

                      u_k，i∈S_Y

其中u_k，i，表示多层编码器k时刻的输出比特，u_k，i∈S_Y，S_Y包含映射到MQAM星座点信号集中正交分量Y_n的u_k，i，L_a(u_k，j)是来自其它层的先验信息。

7.如权利要求5或6所述的方法，其特征在于，函数bin(n，i)的定义为：bin(n，i)取1，如果在n的二进制分解中，第i个比特为1，否则为0。

8.如权利要求5或6所述的方法，其特征在于，函数update(n，j)的定义为：

$\mathrm{Update}(n,j)=$

$\left\{\begin{array}{cccccc}=1,\mathrm{if}& L_a\left(u_{k,j}\right)>0,\mathrm{and}& \mathrm{bin}(n,j)=0;\mathrm{or}& \mathrm{if}& L_a\left(u_{k,j}\right)<0,\mathrm{and}& \mathrm{bin}(n,j)=1;\\ =0,\mathrm{otherwise}& & & & & \end{array}\right.$

9.如权利要求1所述的方法，其特征在于，如果发送端处对应层包含交织运算，则更新分支路径度量值的步骤还包括步骤：对所得到的已更新分支路径度量值进行解交织运算；以及

所述译码步骤还包括步骤：对译码的结果进行软卷积和比特卷积。

Images