通信工程 / 系统课时

比较硬判决与软判决的信息损失

比较硬判决与软判决的信息损失

接收端把带噪的 BPSK 符号直接判成 0 或 1,虽能给出比特结果,却会抹去判决的可靠程度。本课用同一组接收样本分别计算硬比特和信道对数似然比(LLR),再以互信息衡量这次量化损失,帮助你正确选择纠错译码器的输入。

学习目标

  • 根据 BPSK 与 AWGN 模型计算零门限硬判决和信道 LLR。
  • 用 Python 对照三个样本,并量化硬、软输入的互信息差异。
  • 识别 LLR 符号、噪声方差和译码器输入约定中的常见错误。

硬判决抹去了幅度差异

约定发送比特 b=0b=0 时发 x=+1x=+1,b=1b=1 时发 x=−1x=-1;接收值为 y=x+ny=x+n,其中 n∼N(0,σ2)n\sim\mathcal{N}(0,\sigma^2)。在等概比特、对称 AWGN 下,硬判决规则是:y≥0y\ge 0 输出 0,否则输出 1。

以未编码 BPSK 的单位比特能量 Eb=1E_b=1、Eb/N0=0E_b/N_0=0 dB 为例,噪声方差为 σ2=N0/2=0.5\sigma^2=N_0/2=0.5。于是 y=0.2y=0.2 和 y=2.0y=2.0 都输出比特 0;前者仅略高于门限,后者离门限很远。硬判决把两者合成相同的一个比特,后级译码器无法再区分其可靠程度。

LLR 保留判决的把握程度

信道 LLR 采用“正值支持 0”的符号约定:

Lch(y)=ln⁡p(y∣b=0)p(y∣b=1)=2yσ2L_{\mathrm{ch}}(y)=\ln\frac{p(y\mid b=0)}{p(y\mid b=1)}=\frac{2y}{\sigma^2}

这是等方差 BPSK-AWGN 的似然比;在等概先验下,它也等于后验概率的对数比值。L=0L=0 表示不偏向任一比特,∣L∣|L| 越大表示证据越强,而不意味着比特必定正确。

接收值 yy 硬判决 信道 LLR 可利用的信息
2.0 0 +8.0 强烈支持 0
0.2 0 +0.8 较弱地支持 0
-0.3 1 -1.2 较弱地支持 1

同一组接收样本在硬判决与软判决下的译码输入对比

用互信息计算丢失了多少

硬判决把连续观测 YY 压缩为一位 HH。因 B→Y→HB\rightarrow Y\rightarrow H 构成马尔可夫链,数据处理不等式给出 I(B;H)≤I(B;Y)I(B;H)\le I(B;Y);而在已知噪声方差时,LLR 是接收值的可逆线性变换,因此 I(B;L)=I(B;Y)I(B;L)=I(B;Y)。

在上述 0 dB 条件下,硬判决等效于误码概率 p=Q(2Eb/N0)p=Q(\sqrt{2E_b/N_0}) 的二元对称信道,故 I(B;H)=1−h2(p)I(B;H)=1-h_2(p)。连续软输入的互信息可通过下面的高斯数值积分计算,单位均为 bit/信道使用。代码适用于 Python 3.9+,无需第三方库。

python
import math

# 单位能量 BPSK:0 -> +1、1 -> -1
snr_db = 0.0
snr = 10 ** (snr_db / 10)
sigma2 = 1 / (2 * snr)
sigma = math.sqrt(sigma2)

for y in [2.0, 0.2, -0.3]:
    hard = 0 if y >= 0 else 1
    llr = 2 * y / sigma2
    print(f"y={y:>4.1f} hard={hard} LLR={llr:>5.1f}")

# 零门限硬判决相当于二元对称信道
p = math.erfc(1 / math.sqrt(2 * sigma2)) / 2
h2 = -p * math.log2(p) - (1 - p) * math.log2(1 - p)
hard_info = 1 - h2

# 对标准正态噪声z在[-8, 8]内做中点积分,避免随机抽样误差
n = 16000
step = 16 / n
uncertainty = 0.0
for i in range(n):
    z = -8 + (i + 0.5) * step
    llr = 2 * (1 + sigma * z) / sigma2
    log_term = math.log1p(math.exp(-abs(llr))) + max(0, -llr)
    density = math.exp(-z * z / 2) / math.sqrt(2 * math.pi)
    uncertainty += density * log_term / math.log(2) * step
soft_info = 1 - uncertainty

print(f"hard MI={hard_info:.3f} bit/use")
print(f"soft MI={soft_info:.3f} bit/use")
print(f"loss={soft_info - hard_info:.3f} bit/use")

预期输出:

text
y= 2.0 hard=0 LLR=  8.0
y= 0.2 hard=0 LLR=  0.8
y=-0.3 hard=1 LLR= -1.2
hard MI=0.603 bit/use
soft MI=0.721 bit/use
loss=0.119 bit/use

这个约 0.119 bit/信道使用的差距,是等概二进制输入、0 dB、理想信息度量下的结果;它不等于固定的译码增益,也不是无约束高斯信道容量。改变信噪比、量化位宽或所用纠错码,实际误码率差异都会变化。

给译码器传什么

  • 硬输入译码:传 0/1,例如按汉明距离作判决的硬输入译码器;接口简单,但弱证据与强证据无法区分。
  • 软输入译码:向支持软输入的 LDPC、Turbo 等译码器传入信道 LLR;软输入 Viterbi 译码器也可使用与信道概率匹配的软分支度量,不能假定接口直接接受同一符号定义的 LLR。
  • 接入前校验:用已知发送 0、接收 y=+1y=+1 的测试点,检查 LLR 为正;核对译码器采用 ln⁡[P(0)/P(1)]\ln[P(0)/P(1)] 还是相反定义;按实际 σ2\sigma^2 缩放,必要时限幅,避免数值溢出。

若链路需要极低复杂度且纠错能力要求不高,可选择硬输入;如果已有可靠的噪声方差估计和软输入译码器,应保留 LLR 或经过校准的有限位宽软量化值。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

比较硬判决与软判决的信息损失

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通