Details

Цель работы – сравнение алгоритмов декодирования свёрточных кодов (Витерби, SOVA, BCJR) по помехоустойчивости и вычислительной сложности в канале с АБГШ и Рэлеевском канале при различных размера созвездия КАМ. Работа выполнена на базе Высшей школы прикладной физики и космических технологий. Проведены теоретический анализ, разработка имитационной модели в MATLAB и численное моделирование. Использованы методы теории помехоустойчивого кодирования, динамического программирования, рекуррентной оценки апостериорных вероятностей, логарифмических приближений и статистической обработки. Получены сравнительные характеристики помехоустойчивости алгоритмов Витерби, SOVA, BCJR (включая “Max-Log” и “Log-MAP”) и турбодекодера BCJR. Изучено влияние масштабирующего коэффициента, порядка QAM, ошибок синхронизации и восстановления амплитуды. Показано, что SOVA обеспечивает лучший компромисс между качеством и сложностью для большинства практических систем. Результаты позволяют рекомендовать алгоритм декодирования исходя из требований к помехоустойчивости, задержке и вычислительным ресурсам. Использованное ПО: MATLAB, Microsoft Word.

The objective of this work is to compare Viterbi, SOVA, and BCJR decoding algorithms for convolutional codes in terms of noise immunity and complexity in AWGN and Rayleigh channels with different QAM types. The work was conducted at the Higher School of Applied Physics and Space Technologies. It includes theoretical analysis, development of a simulation model in MATLAB, and numerical modeling. Methods from error-correcting coding theory, dynamic programming, recursive a posteriori probability estimation, logarithmic approximations, and statistical processing were used. Comparative noise immunity characteristics were obtained for the Viterbi, SOVA, BCJR (including “Max-Log” and “Log-MAP”), and BCJR turbo decoder. The influence of the scaling factor, QAM order, synchronization errors, and amplitude recovery errors was studied. It is shown that SOVA provides the best trade-off between performance and complexity for most practical systems. The results allow recommending a decoding algorithm based on requirements for noise immunity, latency, and computational resources. Software used: MATLAB, Microsoft Word.