适用于Turbo码的低复杂度SOVA

### 适用于Turbo码的低复杂度SOVA #### 概述 在通信领域，软输出维特比算法（Soft Output Viterbi Algorithm, SOVA）作为一种有效的软解码技术被广泛应用于各种信道编码中，尤其是在Turbo码中表现突出。然而，传统SOVA在实现时面临着较高的计算复杂度问题，这对硬件设计构成了挑战。因此，近年来的研究着重于如何降低SOVA的复杂度同时保持其性能。本文将基于给定文件的部分内容，详细介绍一种新的低复杂度SOVA方法——修剪SOVA（Trimming Soft Output Viterbi Algorithm, T-SOVA），以及该方法的具体实现和优势。 #### SOVA基本原理 传统的SOVA主要包括两个阶段：第一阶段利用维特比算法（Viterbi Algorithm, VA）在格形图（trellis graph）上搜索最大似然路径（Maximum Likelihood, ML路径）；第二阶段则通过反向追踪操作计算出软信息，即对数似然比（Log Likelihood Ratio, LLR）。这种软信息对于后续的迭代解码过程至关重要，因为它能够提供关于接收符号的可靠度信息。 #### 改进与挑战 在过去几十年里，研究人员致力于提高SOVA的性能，并提出了多种改进方法。例如： - **双向SOVA（Bi-SOVA）**：结合了前向和后向SOVA解码得到的LLR值，显著提高了SOVA的性能，但同时也使计算复杂度翻倍。 - **交替方向SOVA**：为减少Bi-SOVA的复杂度而提出，通过交替更新前向和后向的LLR值来达到目的。 - **具有自适应更新窗口深度的SOVA**：针对3GPP-LTE系统提出的一种方案，能够在不牺牲性能的情况下降低复杂度。 #### T-SOVA介绍 最近提出的修剪SOVA（T-SOVA）旨在进一步降低SOVA的复杂度。T-SOVA采用了一种修改后的懒惰维特比算法（Lazy Viterbi Algorithm）来寻找ML路径，并通过修剪较大的度量差异来简化计算。具体步骤包括： 1. **懒惰维特比算法**：用于指示最小度量差异，这有助于硬件实现。 2. **修剪度量差异**：通过修剪因子M去除那些较大的度量差异，从而减少计算量。 3. **LLR估计**：对被忽略的LLR值进行估计，这部分是根据邻近的LLR值和通道内的固有信息来完成的。 #### 新型T-SOVA方案 为了进一步便于硬件实现，本文提出了一种基于维特比算法的T-SOVA方案。在这个方案的第一阶段，使用了一种具有规则结构的修改版维特比算法来找到ML路径并计算度量差异。此外，还引入了局部排序来修剪度量差异，这进一步降低了修剪操作的复杂度。 #### 性能评估与结论 模拟结果表明，基于VA的T-SOVA与基于懒惰VA的T-SOVA性能相当，但在硬件实现方面更为便捷。分析还显示，适当选择修剪因子M可以确保T-SOVA在维持高性能的同时，显著降低所需的回溯操作次数，从而实现了复杂度的有效降低。 T-SOVA作为一种新型的低复杂度SOVA方法，在保持Turbo码解码性能的同时，大大减少了计算资源的需求，为硬件实现提供了可行的解决方案。