Ｊｏｕｒｎａｌ ｏｆ Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ （ Ｎｅｗ Ｓｅｒｉｅｓ） ， Ｖｏｌ．２２， Ｎｏ．１， ２０１５

ｄｏｉ：１０．１１９１６ ／ ｊ．ｉｓｓｎ． １００５⁃９１１３．２０１５．０１．００８

Ｅｆｆｉｃｉｅｎｔ Ｓｏｆｔ⁃Ｄｅｃｉｓｉｏｎ Ｍａｘｉｍｕｍ⁃Ｌｉｋｅｌｉｈｏｏｄ Ｄｅｃｏｄｉｎｇ ｏｆ ＢＣＨ Ｃｏｄｅ ｉｎ ｔｈｅ ＧＮＳＳ

Ｊｉｎｈａｉ Ｓｕｎ ∗ ， Ｊｉｎｈａｉ Ｌｉ， Ｈａｉｙａｎｇ Ｌｉｕ， Ｆｅｎｇ Ｗａｎｇ ａｎｄ Ｙｕｅｐｅｎｇ Ｙａｎ
（ Ｉｎｓｔｉｔｕｔｅ ｏｆ ｍｉｃｒｏｅｌｅｃｔｒｏｎｉｃｓ， Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ， Ｂｅｉｊｉｎｇ １０００２９， Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ： Ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ ｏｆ ＢＣＨ ｃｏｄｅ ｉｎ ｔｈｅ ｇｌｏｂａｌ ｎａｖｉｇａｔｉｏｎ ｓａｔｅｌｌｉｔｅ ｓｙｓｔｅｍ （ＧＮＳＳ） ｉｓ ｉｎｖｅｓｔｉｇａｔｅｄ ｉｎ
ｏｒｄｅｒ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｔｒａｄｉｔｉｏｎａｌ ｈａｒｄ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ． Ｕｓｉｎｇ ｔｈｅ ｎｉｃｅ ｓｔｒｕｃｔｕｒａｌ ｐｒｏｐｅｒｔｉｅｓ ｏｆ ＢＣＨ
ｃｏｄｅ， ａ ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ ｓｃｈｅｍｅ ｉｓ ｐｒｏｐｏｓｅｄ． Ｉｔ ｉｓ ｔｈｅｏｒｅｔｉｃａｌｌｙ ｓｈｏｗｎ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｓｃｈｅｍｅ ｅｘａｃｔｌｙ
ｐｅｒｆｏｒｍｓ ｍａｘｉｍｕｍ⁃ｌｉｋｅｌｉｈｏｏｄ （ＭＬ） ｄｅｃｏｄｉｎｇ， ｗｈｉｃｈ ｍｅａｎｓ ｔｈｅ ｄｅｃｏｄｉｎｇ ｐｅｒｆｏｒｍａｎｃｅ ｉｓ ｏｐｔｉｍａｌ． Ｍｏｒｅｏｖｅｒ， ａｎ
ｅｆｆｉｃｉｅｎｔ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｍｅｔｈｏｄ ｏｆ ｔｈｅ ｐｒｏｐｏｓｅｄ ｓｃｈｅｍｅ ｉｓ ｄｅｓｉｇｎｅｄ ｂａｓｅｄ ｏｎ Ｖｉｔｅｒｂｉ ａｌｇｏｒｉｔｈｍ． Ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ
ｓｈｏｗ ｔｈａｔ ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｔｈｅ ｐｒｏｐｏｓｅｄ ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ ＭＬ ｄｅｃｏｄｉｎｇ ｓｃｈｅｍｅ ｉｓ ｓｉｇｎｉｆｉｃａｎｔｌｙ ｉｍｐｒｏｖｅｄ ｃｏｍｐａｒｅｄ
ｗｉｔｈ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｈａｒｄ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ ｍｅｔｈｏｄ ａｔ ｔｈｅ ｅｘｐｅｎｓｅ ｏｆ ｍｏｄｅｒａｔｅ ｃｏｍｐｌｅｘｉｔｙ ｉｎｃｒｅａｓｅ．
Ｋｅｙｗｏｒｄｓ： ＧＮＳＳ； ＢＣＨ ｃｏｄｅｓ； ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ； ｍａｘｉｍｕｍ⁃ｌｉｋｅｌｉｈｏｏｄ （ＭＬ） ｄｅｃｏｄｉｎｇ； Ｖｉｔｅｒｂｉ ａｌｇｏｒｉｔｈｍ
ＣＬＣ ｎｕｍｂｅｒ： ＴＰ３９１􀆰 ７　 　 　 Ｄｏｃｕｍｅｎｔ ｃｏｄｅ： Ａ　 　 　 　 Ａｒｔｉｃｌｅ ＩＤ： １００５⁃９１１３（２０１５）０１⁃００５４⁃０５

ｃｏｍｐｕｔａｔｉｏｎａｌ ｃｏｍｐｌｅｘｉｔｙ ｔｈａｎ ｈａｒｄ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ

１　 Ｉｎｔｒｏｄｕｃｔｉｏｎ
Ｎｏｗａｄａｙｓ， ｔｈｅ ｓａｔｅｌｌｉｔｅ ｎａｖｉｇａｔｉｏｎ ｂｅｃｏｍｅｓ ｍｏｒｅ
ａｎｄ ｍｏｒｅ ｉｍｐｏｒｔａｎｔ ｉｎ ｏｕｒ ｌｉｆｅ ［１－２］ ． Ｆｏｒ ａ ｎａｖｉｇａｔｉｏｎ
ｒｅｃｅｉｖｅｒ， ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｎａｖｉｇａｔｉｏｎ ｍｅｓｓａｇｅｓ ｉｓ ｖｅｒｙ
ｃｒｕｃｉａｌ ｆｏｒ ｐｒｏｖｉｄｉｎｇ ｒｅｌｉａｂｌｅ ｐｏｓｉｔｉｏｎ ｓｅｒｖｉｃｅｓ．
Ｈｏｗｅｖｅｒ， ｔｈｅ ｒｅｃｅｉｖｅｄ ｄａｔａ ｉｎｅｖｉｔａｂｌｙ ｃｏｎｔａｉｎ ｅｒｒｏｒｓ，
ｓｉｎｃｅ ｔｈｅ ｓａｔｅｌｌｉｔｅ ｓｉｇｎａｌ ｉｓ ｔｒａｎｓｍｉｔｔｅｄ ｏｖｅｒ ａ ｖｅｒｙ ｎｏｉｓｙ
ｃｈａｎｎｅｌ． Ｉｎ ｏｒｄｅｒ ｔｏ ｏｖｅｒｃｏｍｅ ｔｈｉｓ ｐｒｏｂｌｅｍ， ｔｈｅ ｆｏｒｗａｒｄ
ｅｒｒｏｒ ｃｏｒｒｅｃｔｉｏｎ （ ＦＥＣ） ｔｅｃｈｎｉｑｕｅ ｉｓ ｗｉｄｅｌｙ ｕｓｅｄ ｉｎ ｔｈｅ
ｎｅｘｔ ＧＮＳＳ ［３］ ， ｓｕｃｈ ａｓ ＧＰＳ， Ｇａｌｉｌｅｏ， ＢｅｉＤｏｕ， ｅｔｃ．
ＢＣＨ ｃｏｄｅｓ， ｐｒｏｐｏｓｅｄ ｂｙ Ｂｏｓｅ， Ｃｈａｕｄｈｕｒｉ ａｎｄ
Ｈｏｃｑｕｅｎｇｈｅｍ ｉｎ ｔｈｅ １９６０ｓ， ａｒｅ ａｎ ｉｍｐｏｒｔａｎｔ ｃｌａｓｓ ｏｆ
ａｌｇｅｂｒａｉｃ ｃｏｄｅｓ ［４－６］ ． Ｄｕｅ ｔｏ ｔｈｅｉｒ ｎｉｃｅ ａｌｇｅｂｒａｉｃ
ｓｔｒｕｃｔｕｒｅｓ ａｎｄ ｓｉｍｐｌｅ ｅｎｃｏｄｉｎｇ ａｎｄ ｄｅｃｏｄｉｎｇ ｍｅｔｈｏｄｓ，
ｔｈｉｓ ｃｌａｓｓ ｏｆ ｃｏｄｅｓ ｈａｓ ｂｅｅｎ ｗｉｄｅｌｙ ｓｔｕｄｉｅｄ ａｎｄ ｕｓｅｄ ｉｎ
ｐｒａｃｔｉｃａｌ ｃｏｍｍｕｎｉｃａｔｉｏｎ ｓｙｓｔｅｍｓ． Ｉｎ ｔｈｅ ｎｅｘｔ ｇｅｎｅｒａｔｉｏｎ
ＢｅｉＤｏｕ ｓｙｓｔｅｍ， ｃｙｃｌｉｃ ＢＣＨ （１５， １１） ｃｏｄｅ ｉｓ ｕｓｅｄ ｆｏｒ
ｔｈｅ ＦＥＣ ［７］ ． Ｔｒａｄｉｔｉｏｎａｌｌｙ， ｔｈｉｓ ｃｏｄｅ ｉｓ ｄｅｃｏｄｅｄ ｂｙ
ｈａｒｄ⁃ｄｅｃｉｓｉｏｎ ｍｅｔｈｏｄ ［７－８］ ， ｗｈｉｃｈ ｉｓ ｖｅｒｙ ｓｉｍｐｌｅ ａｎｄ
ｅａｓｙ ｔｏ ｉｍｐｌｅｍｅｎｔ． Ｈｏｗｅｖｅｒ， ｔｈｅ ｃｏｄｉｎｇ ｇａｉｎ ａｃｈｉｅｖｅｄ
ｂｙ ｈａｒｄ⁃ｄｅｃｉｓｉｏｎ ｉｓ ｒｅｌａｔｉｖｅｌｙ ｓｍａｌｌ， ａｎｄ ｔｈｅ ｄｅｃｏｄｉｎｇ
ｆａｉｌｕｒｅ ｔｈｒｅｓｈｏｌｄ ｉｓ ｒｅｌａｔｉｖｅｌｙ ｈｉｇｈ．
Ｇｅｎｅｒａｌｌｙ， ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ ｃａｎ ｐｒｏｖｉｄｅ
ｂｅｔｔｅｒ ｐｅｒｆｏｒｍａｎｃｅ ｔｈａｎ ｈａｒｄ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ ［８］ ． Ｆｏｒ
ｔｈｅ ＢＣＨ ｄｅｃｏｄｅｒ ｉｎ ｔｈｅ ＧＮＳＳ， ｓｏｆｔ ｉｎｐｕｔ ｖａｌｕｅｓ ｃａｎ ｂｅ
ｏｂｔａｉｎｅｄ． Ａｓ ａ ｒｅｓｕｌｔ， ｉｔ ｉｓ ｄｅｓｅｒｖｅｄ ｔｏ ｉｎｖｅｓｔｉｇａｔｅ ｓｏｆｔ⁃
ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ ｏｆ ＢＣＨ ｃｏｄｅ ｉｎ ｔｈｅ ＧＮＳＳ， ｗｈｉｃｈ ｉｓ
ｔｈｅ ｍｏｔｉｖａｔｉｏｎ ｏｆ ｔｈｉｓ ｗｏｒｋ． Ｔｈｅ ｍａｉｎ ｄｒａｗｂａｃｋ ｏｆ ｓｏｆｔ⁃
ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ ｉｓ ｔｈａｔ ｉｔ ｒｅｑｕｉｒｅｓ ｍｕｃｈ ｍｏｒｅ
ｉｎ ｇｅｎｅｒａｌ． Ｈｏｗｅｖｅｒ， ｆｏｒ ｓｏｍｅ ｃｌａｓｓｅｓ ｏｆ ｂｌｏｃｋ ｃｏｄｅｓ
（ ｓｕｃｈ ａｓ Ｒｅｅｄ⁃Ｍｕｌｌｅｒ ｃｏｄｅｓ ） ｗｉｔｈ ｓｉｍｐｌｅ ｔｒｅｌｌｉｓ
ｓｔｒｕｃｔｕｒｅ， ｅｆｆｉｃｉｅｎｔ ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ ｉｓ ｐｏｓｓｉｂｌｅ ［６］ ．
Ｕｓｉｎｇ ｔｈｅ ｓｔｒｕｃｔｕｒａｌ ｐｒｏｐｅｒｔｉｅｓ ａｎｄ ｔｈｅ ｒｅｌａｔｉｏｎｓ
ｂｅｔｗｅｅｎ ＢＣＨ （ １５， １１） ｃｏｄｅ ａｎｄ ｓｅｃｏｎｄ⁃ｏｒｄｅｒ Ｒｅｅｄ⁃
Ｍｕｌｌｅｒ （ ＲＭ） ｃｏｄｅ， ａ ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ ｓｃｈｅｍｅ ｉｓ
ｐｒｏｐｏｓｅｄ ｉｎ ｔｈｅ ｐａｐｅｒ． Ｉｔ ｉｓ ｐｒｏｖｅｄ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ
ｓｃｈｅｍｅ ｅｘａｃｔｌｙ ｐｅｒｆｏｒｍｓ ｍａｘｉｍｕｍ⁃ｌｉｋｅｌｉｈｏｏｄ （ ＭＬ ）
ｄｅｃｏｄｉｎｇ． Ｉｎ ｏｔｈｅｒ ｗｏｒｄｓ， ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｔｈｅ
ｐｒｏｐｏｓｅｄ ｓｃｈｅｍｅ ｉｓ ｅｘａｃｔｌｙ ｔｈｅ ｓａｍｅ ａｓ ｔｈａｔ ｏｆ ＭＬ
ｄｅｃｏｄｉｎｇ． Ａｎ ｅｆｆｉｃｉｅｎｔ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｍｅｔｈｏｄ ｏｆ ｔｈｅ
ｐｒｏｐｏｓｅｄ ｓｃｈｅｍｅ ｉｓ ｄｅｓｉｇｎｅｄ ｂａｓｅｄ ｏｎ ｔｈｅ ｔｒｅｌｌｉｓ
ｄｉａｇｒａｍ ｏｆ ＲＭ ｃｏｄｅ ａｎｄ Ｖｉｔｅｒｂｉ ａｌｇｏｒｉｔｈｍ． Ｃｏｍｐａｒｅｄ
ｗｉｔｈ ｈａｒｄ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ， ｔｈｅ ｃｏｍｐｌｅｘｉｔｙ ｉｎｃｒｅａｓｅ ｏｆ
ｏｕｒ ｄｅｃｏｄｉｎｇ ｍｅｔｈｏｄ ｉｓ ｍｏｄｅｒａｔｅ． Ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ
ｓｈｏｗ ｔｈａｔ ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｔｈｅ ｐｒｏｐｏｓｅｄ ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ
ＭＬ ｄｅｃｏｄｉｎｇ ｓｃｈｅｍｅ ｉｓ ｓｉｇｎｉｆｉｃａｎｔｌｙ ｉｍｐｒｏｖｅｄ ｏｖｅｒ ｔｈｅ
ｔｒａｄｉｔｉｏｎａｌ ｈａｒｄ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ ｍｅｔｈｏｄ． Ａｌｌ ｔｈｅｓｅ
ｍｅｒｉｔｓ ｓｕｇｇｅｓｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｄｅｃｏｄｉｎｇ ｍｅｔｈｏｄ ｉｓ
ａｔｔｒａｃｔｉｖｅ ｆｏｒ ｐｒａｃｔｉｃａｌ ｐｕｒｐｏｓｅｓ．
２　 ＢＣＨ Ｃｏｄｅ ｉｎ ｔｈｅ ＧＮＳＳ
Ｔｈｅ ＦＥＣ ｃｏｄｅ ｕｓｅｄ ｉｎ ｔｈｅ ＧＮＳＳ ｉｓ ｃｙｃｌｉｃ ＢＣＨ
（ １５， １１ ） ｃｏｄｅ ［７］ ， ｗｈｏｓｅ ｇｅｎｅｒａｔｏｒ ｐｏｌｙｎｏｍｉａｌ ｉｓ
ｇ（ ｘ） ＝ ｘ ４ ＋ ｘ ＋ １． Ｓｉｎｃｅ ｔｈｅ ｃｏｄｅ ｉｓ ｃｙｃｌｉｃ， ｔｈｅ
ｅｎｃｏｄｉｎｇ ｐｒｏｃｅｓｓ ｃａｎ ｂｅ ｅｆｆｉｃｉｅｎｔｌｙ ｉｍｐｌｅｍｅｎｔｅｄ ｂｙ ａ
ｌｉｎｅａｒ ｓｈｉｆｔ ｒｅｇｉｓｔｅｒ ｃｉｒｃｕｉｔ ｉｎ ｐｒａｃｔｉｃｅ ［７］ ． Ｍｏｒｅ ｄｅｔａｉｌｓ
ｏｎ ｔｈｅ ｅｎｃｏｄｉｎｇ ｃａｎ ｂｅ ｆｏｕｎｄ ｉｎ Ｒｅｆｓ． ［ ４ － ６］ ． Ｉｔ ｉｓ
ｋｎｏｗｎ ｔｈａｔ ｔｈｅ ｍｉｎｉｍｕｍ Ｈａｍｍｉｎｇ ｄｉｓｔａｎｃｅ ｏｆ ｔｈｅ ＢＣＨ

Ｒｅｃｅｉｖｅｄ ２０１４－０５－３０．
Ｓｐｏｎｓｏｒｅｄ ｂｙ ｔｈｅ Ｎａｔｉｏｎａｌ Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｆｏｕｎｄａｔｉｏｎ ｏｆ Ｃｈｉｎａ （ Ｇｒａｎｔ Ｎｏ．６１２７１４２３） ．
∗Ｃｏｒｒｅｓｐｏｎｄｉｎｇ ａｕｔｈｏｒ． Ｅ⁃ｍａｉｌ： ｓｕｎｊｉｎｈａｉ＠ ｉｍｅ．ａｃ．ｃｎ．

· ５４·
Ｊｏｕｒｎａｌ ｏｆ Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ （ Ｎｅｗ Ｓｅｒｉｅｓ） ， Ｖｏｌ．２２， Ｎｏ．１， ２０１５

（ １５， １１ ） ｃｏｄｅ ｉｓ ３ ａｎｄ ｔｈｅ ｃｏｄｅ ｉｓ ｃａｐａｂｌｅ ｏｆ 􀭵Ｂ ｂｅ ｔｈｅ ｅｘｔｅｎｄｅｄ ｃｏｄｅ ｏｆ

ＢＣＨ （１５， １１） ｃｏｄｅ． Ｌｅｔ Ｃ
ｃｏｒｒｅｃｔｉｎｇ ａｎｙ ｓｉｎｇｌｅ ｂｉｔ ｅｒｒｏｒ ｕｎｄｅｒ ｈａｒｄ⁃ｄｅｃｉｓｉｏｎ Ｃ Ｂ ， ｉ．ｅ．，
ｄｅｃｏｄｉｎｇ． Ｔｈｅ ｓｙｎｄｒｏｍｅ ｄｅｃｏｄｉｎｇ ｉｓ ａ ｃｏｍｍｏｎｌｙ⁃ｕｓｅｄ １５

ｍｅｔｈｏｄ ｆｏｒ ｄｅｃｏｄｉｎｇ ｔｈｉｓ ｃｏｄｅ， ｗｈｉｃｈ ｃａｎ ｂｅ 􀭵

ｉｍｐｌｅｍｅｎｔｅｄ ｂｙ ｌｏｏｋｉｎｇ⁃ｕｐ ｔａｂｌｅ （ ＬＵＴ） ｉｎ ｐｒａｃｔｉｃｅ ［８］ ．
Ｓｉｎｃｅ ＢＣＨ （ １５， １１ ） ｃｏｄｅ ｉｓ ｐｅｒｆｅｃｔ ［６］ ， ｉｔ ｃａｎ ｂｅ
ｓｈｏｗｎ ｔｈａｔ ｔｈｅ ｓｙｎｄｒｏｍｅ ｄｅｃｏｄｉｎｇ ｈａｓ ｔｈｅ ＭＬ
ｐｒｏｐｅｒｔｙ， ｉ． ｅ．， ｔｈｅ ｅｓｔｉｍａｔｅｄ ｃｏｄｅｗｏｒｄ ｉｓ ｔｈｅ ＭＬ
ｃｏｄｅｗｏｒｄ ｇｉｖｅｎ ｔｈｅ ｒｅｃｅｉｖｅｄ ｈａｒｄ⁃ｄｅｃｉｓｉｏｎ ｖｅｃｔｏｒ．
３ 　 Ｓｏｆｔ⁃Ｄｅｃｉｓｉｏｎ ＭＬ Ｄｅｃｏｄｉｎｇ Ｓｃｈｅｍｅ ｆｏｒ ＢＣＨ
（１５， １１） Ｃｏｄｅ
Ａｌｔｈｏｕｇｈ ｔｈｅ ｂｉｔ ｅｒｒｏｒ ｒａｔｅ （ ＢＥＲ） ｐｅｒｆｏｒｍａｎｃｅ ｏｆ
ＢＣＨ ｃｏｄｅ ｕｎｄｅｒ ｈａｒｄ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ ｉｓ ｉｍｐｒｏｖｅｄ
ｃｏｍｐａｒｅｄ ｗｉｔｈ ｕｎｃｏｄｅｄ ｓｙｓｔｅｍ， ｔｈｅ ｃｏｄｉｎｇ ｇａｉｎ
ａｃｈｉｅｖｅｄ ｉｓ ｒｅｌａｔｉｖｅｌｙ ｓｍａｌｌ． Ｉｎ ｔｈｉｓ ｐａｐｅｒ， ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ
ｄｅｃｏｄｉｎｇ ｏｆ ＢＣＨ ｃｏｄｅ ｉｓ ｉｎｖｅｓｔｉｇａｔｅｄ ｉｎ ｏｒｄｅｒ ｔｏ
ｉｍｐｒｏｖｅ ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｈａｒｄ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ．
３􀆰 １　 Ｂｒｉｅｆ Ｒｅｖｉｅｗ ｏｆ Ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ Ｄｅｃｏｄｉｎｇ
Ｃｏｎｓｉｄｅｒｉｎｇ ａ ｂｉｎａｒｙ ｌｉｎｅａｒ ｂｌｏｃｋ ｃｏｄｅ ｃ ｏｆ ｂｌｏｃｋ
ｌｅｎｇｔｈ ｎ． ｃ ＝ ［ ｃ１ ，ｃ２ ，…，ｃ ｎ ］ ｉｓ ｓｕｐｐｏｓｅｄ ａｓ ｔｈｅ
ｃｏｄｅｗｏｒｄ ｔｏ ｂｅ ｔｒａｎｓｍｉｔｔｅｄ ａｎｄ ｔｈｅ ｂｉｎａｒｙ⁃ｐｈａｓｅ ｓｈｉｆｔ⁃
ｋｅｙｉｎｇ （ ＢＰＳＫ ） ｍｏｄｕｌａｔｉｏｎ ｉｓ ｕｓｅｄ． Ｔｈｅ ｍｏｄｕｌａｔｏｒ
ｍａｐｓ ｔｈｅ ｃｏｄｅｗｏｒｄ ｉｎｔｏ ａ ｂｉｐｏｌａｒ ｓｅｑｕｅｎｃｅ
ｘ ＝ ［ ｘ １ ，ｘ ２ ，…，ｘ ｎ ］
ｗｈｅｒｅ
＋ １， ｃ ｉ ＝ ０
ｘ ｉ ＝ １ － ２ｃ ｉ ＝ {
－ １， ｃ ｉ ＝ １
（１）
ｗｈｅｒｅ １ ≤ ｉ ≤ ｎ．
Ｔｈｉｓ ｂｉｐｏｌａｒ ｓｅｑｕｅｎｃｅ ｉｓ ａｓｓｕｍｅｓｄ ｔｏ ｂｅ
ｔｒａｎｓｍｉｔｔｅｄ ｏｖｅｒ ａ ｂｉｎａｒｙ ｉｎｐｕｔ ａｄｄｉｔｉｖｅ ｗｈｉｔｅ Ｇａｕｓｓｉａｎ
ＣＢ ＝ { ［ｃ０，ｃ１，…，ｃ１５］ ｜ ［ｃ１，…，ｃ１５］ ∈ ＣＢ ，ｃ０ ＝ ∑ ｃｉ } （３）
ｉ ＝１
　 　 Ｉｔ ｃａｎ ｂｅ ｓｅｅｎ ｆｒｏｍ Ｅｑ．（３） ｔｈａｔ ｅａｃｈ ｃｏｄｅｗｏｒｄ ｏｆ
􀭵Ｂ ｉｓ ｏｂｔａｉｎｅｄ ｂｙ ａｄｄｉｎｇ ａｎ ｏｖｅｒａｌｌ ｐａｒｉｔｙ⁃ｃｈｅｃｋ ｓｙｍｂｏｌ
Ｃ
ｃ０ ｔｏ ａ ｃｏｄｅｗｏｒｄ ｉｎ Ｃ Ｂ ． Ａｓ ａ ｒｅｓｕｌｔ， ｔｈｅｒｅ ｉｓ ａｎ ｏｎｅ⁃ｔｏ⁃
ｏｎｅ ｃｏｒｒｅｓｐｏｎｄｅｎｃｅ ｂｅｔｗｅｅｎ ｔｈｅ ｃｏｄｅｗｏｒｄｓ ｉｎ Ｃ Ｂ ａｎｄ
􀭵Ｂ ． Ｆｏｒ ｃｏｎｖｅｎｉｅｎｃｅ， ｔｈｅ ｃｏｄｅｗｏｒｄ ｃ􀭰ｉｎ Ｃ
Ｃ 􀭵Ｂ ｉｓ ｓａｉｄ ｔｏ ｂｅ
ｔｈｅ ｅｘｔｅｎｄｅｄ ｃｏｄｅｗｏｒｄ ｏｆ ｃ ｉｆ ｃ􀭰ｉｓ ｏｂｔａｉｎｅｄ ｆｒｏｍ ｃ ｂｙ
ａｄｄｉｎｇ ａｎ ｏｖｅｒａｌｌ ｐａｒｉｔｙ⁃ｃｈｅｃｋ ｓｙｍｂｏｌ． Ｍｏｒｅｏｖｅｒ， ｉｔ
ｈａｓ ｂｅｅｎ ｓｈｏｗｎ ｔｈａｔ Ｃ 􀭵Ｂ ｉｓ ｅｑｕｉｖａｌｅｎｔ ｔｏ ｔｈｅ ｓｅｃｏｎｄ⁃
ｏｒｄｅｒ ＲＭ （１６， １１） ｃｏｄｅ ［６］ ．
Ａ ｃｏｄｅｗｏｒｄ ｉｎ Ｃ Ｂ ｉｓ ｓｕｐｐｏｓｅｄ ｔｏ ｂｅ ｔｒａｎｓｍｉｔｔｅｄ
ｏｖｅｒ ａｎ ＡＷＧＮ ｃｈａｎｎｅｌ ａｎｄ ｒ ＝ ［ ｒ １ ，ｒ ２ ，…，ｒ １５ ］ ｉｓ ｔｈｅ
ｒｅｃｅｉｖｅｄ ｖｅｃｔｏｒ． Ｃｏｎｓｔｒｕｃｔ ａ ｖｅｃｔｏｒ ｒ􀭰ｂｙ ａｐｐｅｎｄｉｎｇ ａ
ｚｅｒｏ ｅｌｅｍｅｎｔ ｔｏ ｒ， ｉ．ｅ．，
ｒ􀭰＝ ［０，ｒ］ ＝ ［０，ｒ １ ，…，ｒ １５ ］ （４）
　 　 Ｓｉｎｃｅ ｔｈｅ ｌｅｎｇｔｈ ｏｆ ｒ􀭰ｉｓ １６， ｏｎｅ ｍａｙ ａｓｋ ａ
ｑｕｅｓｔｉｏｎ： ｗｈａｔ ｉｓ ｔｈｅ ｅｓｔｉｍａｔｅｄ ｃｏｄｅｗｏｒｄ ｇｉｖｅｎ ｔｈｅ
ｖｅｃｔｏｒ ｒ􀭰ｉｆ ｔｈｅ ＭＬ ｒｕｌｅ ｉｓ ａｐｐｌｉｅｄ ｆｏｒ ｄｅｃｏｄｉｎｇ Ｃ􀭵Ｂ ？ Ｔｈｅ
ｆｏｌｌｏｗｉｎｇ ｔｈｅｏｒｅｍ ａｎｓｗｅｒｓ ｔｈｉｓ ｑｕｅｓｔｉｏｎ．
Ｔｈｅｏｒｅｍ　 ｃ ＭＬ ｉｓ ａｓｓｕｍｅｄ ｔｏ ｂｅ ｔｈｅ ｄｅｃｏｄｅｄ ＭＬ
ｃｏｄｅｗｏｒｄ ｇｉｖｅｎ ｒ ｉｓ ｒｅｃｅｉｖｅｄ． Ｌｅｔ ｃ􀭰 ＭＬ ｂｅ ｔｈｅ ｅｘｔｅｎｄｅｄ
ｃｏｄｅｗｏｒｄ ｏｆ ｃ ＭＬ ． Ｉｔ ｈｏｌｄｓ ｔｈａｔ ｃ􀭰 ｉｓ ｔｈｅ ｄｅｃｏｄｅｄ ＭＬ
ＭＬ
ｃｏｄｅｗｏｒｄ ｇｉｖｅｎ ｒ􀭰ｉｓ ｒｅｃｅｉｖｅｄ， ｗｈｅｒｅ ｒ􀭰ｉｓ ｄｅｆｉｎｅｄ ｂｙ
Ｅｑ．（４） ．
Ｐｒｏｏｆ　 Ｌｅｔ ｃ ∈ Ｃ Ｂ ａｎｄ ｃ􀭰ｔｈｅ ｅｘｔｅｎｄｅｄ ｃｏｄｅｗｏｒｄ
ｏｆ ｃ． Ｏｂｖｉｏｕｓｌｙ， ｃ􀭰∈ Ｃ 􀭵Ｂ ． Ｌｅｔ ｘ􀭵ａｎｄ ｘ ｂｅ ｔｈｅ ｂｉｐｏｌａｒ
ｓｅｑｕｅｎｃｅｓ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｔｏ ｃ􀭰ａｎｄ ｃ， ｒｅｓｐｅｃｔｉｖｅｌｙ． Ｇｉｖｅｎ
１５

ｎｏｉｓｅ （ ＡＷＧＮ） ｃｈａｎｎｅｌ， ａｎｄ ｌｅｔ ｒ ＝ ［ ｒ １ ，ｒ ２ ，…，ｒ ｎ ］ ｂｅ ｔｈｅ ｒｅｃｅｉｖｅｄ ｖｅｃｔｏｒ ｒ， ｔｈｅ ｃｏｓｔ ｏｆ ｃ ｉｓ ｍ ｃ ＝ ∑
ｉ＝１
ｘｉ ｒｉ ．
ｔｈｅ ｒｅｃｅｉｖｅｄ ｖｅｃｔｏｒ． Ｉｔ ｉｓ ｋｎｏｗｎ ｔｈａｔ ｔｈｅ ＭＬ ｒｕｌｅ ｉｓ Ｍｅａｎｗｈｉｌｅ， ｔｈｅ ｃｏｓｔ ｏｆ ｃ􀭰ｃａｎ ｂｅ ｃａｌｃｕｌａｔｅｄ ａｓ
ｏｐｔｉｍａｌ ｆｏｒ ｄｅｃｏｄｉｎｇ ｔｈｅ ｃｏｄｅ Ｃ ａｎｄ ｔｈｅ ＭＬ ｃｏｄｅｗｏｒｄ １５ １５ １５

ｇｉｖｅｎ ｒ ｉｓ ｔｈｅ ｓｏｌｕｔｉｏｎ ｏｆ ｔｈｅ ｆｏｌｌｏｗｉｎｇ ｍｉｎｉｍｉｚａｔｉｏｎ ｍｃ􀭰＝ ∑ ｘ􀭰

ｉ􀭰
ｒｉ ＝ ０·ｘ􀭰
０
＋ ∑ ｘｉ ｒｉ ＝ ∑ ｘｉ ｒｉ ＝ ｍｃ （５）
ｐｒｏｂｌｅｍ ［６］
ｉ＝０ ｉ＝１ ｉ＝１

ｎ
ｗｈｉｃｈ ｍｅａｎｓ ｔｈａｔ ｔｈｅ ｃｏｓｔ ｏｆ ｃ ｇｉｖｅｎ ｒ ｉｓ ｅｑｕａｌ ｔｏ ｔｈｅ
ｍｉｎ ∑ ｘｉ ｒｉ （２） ｃｏｓｔ ｏｆ ｃ􀭰ｇｉｖｅｎ ｒ􀭰
．
ｃ∈Ｃ
ｘ ｉ ＝ １ － ２ｃ ｉ ｉ １
＝ Ｏｎ ｔｈｅ ｏｔｈｅｒ ｈａｎｄ， ｓｉｎｃｅ ｃ ＭＬ ｉｓ ｔｈｅ ＭＬ ｃｏｄｅｗｏｒｄ
　 　 Ｆｒｏｍ ｔｈｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｔｈｅｏｒｙ ［９］ ， ｔｈｅ ｏｂｊｅｃｔｉｖｅ ｇｉｖｅｎ ｒ ｉｓ ｒｅｃｅｉｖｅｄ， ｉｔ ｆｏｌｌｏｗｓ ｆｒｏｍ Ｅｑ． （ ２） ｔｈａｔ ｃ ＭＬ ＝
１５

∑ ｘ ｉ ｒ ｉ ． Ａｓ
ｎ
ｆｕｎｃｔｉｏｎ ｖａｌｕｅ ∑ ｘ ｉ ｒ ｉ ｃａｎ ｂｅ ｉｎｔｅｒｐｒｅｔｅｄ ａｓ ｔｈｅ ｃｏｓｔ ｏｆ ｃ ａｒｇ ｍｉｎ
ｃ ∈ Ｃ ， ｘ ＝ １ － ２ｃ ｉ ＝ １
Ｂ ｉ ｉ
ａ ｒｅｓｕｌｔ， ｉｔ ｈｏｌｄｓ ｔｈａｔ ｃ􀭰
ＭＬ
＝
ｉ＝１
１５
ｇｉｖｅｎ ｒ ｉｓ ｒｅｃｅｉｖｅｄ， ａｎｄ ＭＬ ｄｅｃｏｄｉｎｇ ｉｓ ｔｏ ｆｉｎｄ ｔｈｅ
ｃｏｄｅｗｏｒｄ ｉｎ Ｃ ｗｉｔｈ ｔｈｅ ｍｉｎｉｍｕｍ ｃｏｓｔ． Ｉｎ ｇｅｎｅｒａｌ，
ａｒｇ ｍｉｎ
􀭵 ，􀭰
ｃ􀭰∈Ｃ ｘ ＝ １ － ２􀭰
∑ ｘ􀭰ｉ ｒ􀭰ｉ ， ｗｈｉｃｈ ｐｒｏｖｅｓ ｔｈｅ ｔｈｅｏｒｅｍ．
ｃ ｉ＝０
Ｂ ｉ ｉ

ｈｏｗｅｖｅｒ， ｓｏｌｖｉｎｇ ｔｈｅ ａｂｏｖｅ ｍｉｎｉｍｉｚａｔｉｏｎ ｐｒｏｂｌｅｍ ｉｓ Ｂａｓｅｄ ｏｎ ｔｈｅ ａｂｏｖｅ ｔｈｅｏｒｅｍ， ａ ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ ＭＬ
ｄｉｆｆｉｃｕｌｔ， ｗｈｉｃｈ ｍａｋｅｓ ＭＬ ｄｅｃｏｄｉｎｇ ｏｆ ｂｌｏｃｋ ｃｏｄｅｓ ｄｅｃｏｄｉｎｇ ｓｃｈｅｍｅ ｆｏｒ ＢＣＨ （ １５， １１ ） ｃｏｄｅ ｃａｎ ｂｅ
ｐｒａｃｔｉｃａｌｌｙ ｉｎｔｒａｃｔａｂｌｅ． Ｂｙ ｎｏｗ， ｔｈｅ ｅｆｆｉｃｉｅｎｔ ＭＬ ｐｒｏｐｏｓｅｄ， ｗｈｉｃｈ ｉｓ ｇｉｖｅｎ ａｓ ｆｏｌｌｏｗｓ．
ｄｅｃｏｄｉｎｇ ａｌｇｏｒｉｔｈｍｓ ｈａｖｅ ｂｅｅｎ ｐｒｏｐｏｓｅｄ ｆｏｒ ｏｎｌｙ ａ ｆｅｗ Ｉｎｐｕｔ： Ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ ｖｅｃｔｏｒ ｒ． Ｏｕｔｐｕｔ： Ｔｈｅ ＭＬ
ｃｌａｓｓｅｓ ｏｆ ｂｌｏｃｋ ｃｏｄｅｓ （ ｓｕｃｈ ａｓ ＲＭ ｃｏｄｅｓ） ［６］ ． ｃｏｄｅｗｏｒｄ ｃ ＭＬ ．
３􀆰 ２ 　 Ｐｒｏｐｏｓｅｄ Ｓｃｈｅｍｅ ｆｏｒ Ｄｅｃｏｄｉｎｇ ＢＣＨ （ １５， Ｓｔｅｐ １　 Ｃｏｎｓｔｒｕｃｔ ｔｈｅ ｖｅｃｔｏｒ 􀭰
ｒ ａｃｃｏｒｄｉｎｇ ｔｏ Ｅｑ．（４）．
１１） Ｃｏｄｅ Ｓｔｅｐ ２　 Ｆｉｎｄ ｔｈｅ ＭＬ ｃｏｄｅｗｏｒｄ
Ｉｎ ｔｈｉｓ ｓｅｃｔｉｏｎ， ｔｈｅ ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ ｓｃｈｅｍｅ
１５

ｆｏｒ ＢＣＨ （ １５， １１） ｃｏｄｅ ｉｓ ｐｒｏｐｏｓｅｄ． Ｌｅｔ Ｃ Ｂ ｂｅ ｔｈｅ

ｃ􀭰
ＭＬ
＝ ａｒｇ ｍｉｎ
􀭵Ｂ，􀭰
ｃ􀭰∈Ｃ ｘ ｉ ＝ １ － ２􀭰
∑ ｘ􀭰ｉ ｒ􀭰ｉ ．
ｃｉ ｉ ＝ ０

· ５５·
Ｊｏｕｒｎａｌ ｏｆ Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ （ Ｎｅｗ Ｓｅｒｉｅｓ） ， Ｖｏｌ．２２， Ｎｏ．１， ２０１５

Ｓｔｅｐ ３　 Ｄｅｌｅｔｅ ｔｈｅ ｆｉｒｓｔ ｂｉｔ ｏｆ ｃ􀭰

ＭＬ ａｎｄ ｏｂｔａｉｎ ｃ ＭＬ ． ｓｅｑｕｅｎｃｅ ｏｆ ｏｕｔｐｕｔ ｂｉｔｓ． Ｔｈｅｒｅ ｉｓ ａ ｏｎｅ⁃ｔｏ⁃ｏｎｅ
Ｔｈｅ ｒｅａｓｏｎ ｗｈｙ ｔｈｅ ｄｅｃｏｄｉｎｇ ｓｃｈｅｍｅ ｉｓ ｐｒｏｐｏｓｅｄ ｃｏｒｒｅｓｐｏｎｄｅｎｃｅ ｂｅｔｗｅｅｎ ｔｈｅ ｓｅｔ ｏｆ ｃｏｄｅｗｏｒｄｓ ｉｎ Ｃ ａｎｄ
ｂａｓｅｄ ｏｎ Ｃ 􀭵Ｂ ｉｓ ｔｈａｔ ｉｔｓ ｔｒｅｌｌｉｓ ｄｉａｇｒａｍ ｉｓ ｗｅｌｌ ｔｈｅ ｓｅｔ ｏｆ ｐａｔｈｓ ｔｈｒｏｕｇｈ ｔｈｅ ｔｒｅｌｌｉｓ， ａｎｄ ｔｈｅ ｃｏｄｅｗｏｒｄ
􀭵Ｂ ａｎｄ ｔｈｅ ａｓｓｏｃｉａｔｅｄ ｗｉｔｈ ａｎｙ ｐａｒｔｉｃｕｌａｒ ｐａｔｈ ｉｓ ｔｈｅ ｓｅｑｕｅｎｃｅ ｏｆ
ｕｎｄｅｒｓｔｏｏｄ ［６，１０］
． Ｂａｓｅｄ ｏｎ ｔｈｅ ｔｒｅｌｌｉｓ ｏｆ Ｃ
ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｌａｂｅｌｓ．
Ｖｉｔｅｒｂｉ ａｌｇｏｒｉｔｈｍ， ａｎ ｅｆｆｉｃｉｅｎｔ ｍｅｔｈｏｄ ｆｏｒ ｔｈｅ
Ａｓ ａｎ ｅｘａｍｐｌｅ， ｔｈｅ （６， ３） ｃｏｄｅ Ｃ ｉｓ ｃｏｎｓｉｄｅｒｅｄ，
ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｏｆ Ｓｔｅｐ ２ ｏｆ ｔｈｅ ａｂｏｖｅ ｓｃｈｅｍｅ ｃａｎ ｂｅ
ｗｈｉｃｈ ｃｏｎｔａｉｎｓ ｔｈｅ ｆｏｌｌｏｗｉｎｇ ｅｉｇｈｔ ｃｏｄｅｗｏｒｄｓ：
ｄｅｓｉｇｎｅｄ， ｗｈｉｃｈ ｉｓ ｐｒａｃｔｉｃａｌｌｙ ａｍｉｃａｂｌｅ．
（００００００） ， （００００１１） ， （００１１００） ， （１１００００） ，
（００１１１１） ， （１１００１１） ， （１１１１００） ， （１１１１１１） ．
４　 Ｅｆｆｉｃｉｅｎｔ Ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｏｆ ｔｈｅ Ｐｒｏｐｏｓｅｄ ＭＬ
　 　 Ｆｉｇｓ． １ （ ａ） ａｎｄ １ （ ｂ） ｄｅｐｉｃｔ ｔｗｏ ｄｉｆｆｅｒｅｎｔ ｔｒｅｌｌｉｓ
Ｄｅｃｏｄｉｎｇ Ｓｃｈｅｍｅ
ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｏｆ ｔｈｅ ｃｏｄｅ． Ｆｏｒ ａ ｇｉｖｅｎ ｔｒｅｌｌｉｓ ｄｉａｇｒａｍ，
ａ ｃｏｍｍｏｎ ｍｅａｓｕｒｅ ｏｆ ｉｔｓ ｃｏｍｐｌｅｘｉｔｙ ｉｓ ｉｔｓ ｓｔａｔｅ
Ｉｎ ｔｈｉｓ ｓｅｃｔｉｏｎ， ａｎ ｅｆｆｉｃｉｅｎｔ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｍｅｔｈｏｄ
ｃｏｍｐｌｅｘｉｔｙ ｐｒｏｆｉｌｅ， ｗｈｉｃｈ ｉｓ ｔｈｅ ｓｅｑｕｅｎｃｅ ｏｆ ｓｔａｔｅ ｓｐａｃｅ
ｏｆ ｔｈｅ ｐｒｏｐｏｓｅｄ ＭＬ ｄｅｃｏｄｉｎｇ ｓｃｈｅｍｅ ｉｓ ｐｒｅｓｅｎｔｅｄ ｂａｓｅｄ
ｓｉｚｅｓ． Ｆｏｒ ａ ｇｉｖｅｎ ｃｏｄｅ， ａ ｔｒｅｌｌｉｓ ｄｉａｇｒａｍ ｔｈａｔ ｈａｓ ｔｈｅ
􀭵Ｂ ． Ｆｉｒｓｔｌｙ， ａ ｂｒｉｅｆ ｒｅｖｉｅｗ ｏｆ ｔｈｅ ｔｒｅｌｌｉｓ
ｏｎ ｔｈｅ ｔｒｅｌｌｉｓ ｏｆ Ｃ ｍｉｎｉｍｕｍ ｐｏｓｓｉｂｌｅ ｓｔａｔｅ ｓｐａｃｅ ｓｉｚｅ ａｔ ｅａｃｈ ｔｉｍｅ ｉｓ ｓａｉｄ
ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｏｆ ｌｉｎｅａｒ ｂｌｏｃｋ ｃｏｄｅｓ ｉｓ ｇｉｖｅｎ． ｔｏ ｂｅ ａ ｍｉｎｉｍａｌ ｔｒｅｌｌｉｓ． Ｆｏｒ ｅｘａｍｐｌｅ， ｔｈｅ ｓｔａｔｅ
４􀆰 １　 Ｒｅｖｉｅｗ ｏｆ ｔｈｅ Ｔｒｅｌｌｉｓ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｏｆ Ｌｉｎｅａｒ ｃｏｍｐｌｅｘｉｔｙ ｐｒｏｆｉｌｅｓ ｏｆ ｔｈｅ ｔｗｏ ｔｒｅｌｌｉｓｅｓ ｄｉａｇｒａｍｓ ｇｉｖｅｎ
Ｂｌｏｃｋ Ｃｏｄｅｓ ｉｎ Ｆｉｇｓ． １（ ａ） ａｎｄ １ （ ｂ） ａｒｅ （１，４，４，１） ａｎｄ （１，１，１，
Ｌｅｔ Ｃ ｂｅ ａ ｌｉｎｅａｒ ｂｌｏｃｋ ｃｏｄｅ． Ａ ｔｒｅｌｌｉｓ ｄｉａｇｒａｍ［６，１０］ ｏｆ １） ， ｒｅｓｐｅｃｔｉｖｅｌｙ， ａｎｄ ｔｈｅ ｔｒｅｌｌｉｓ ｇｉｖｅｎ ｉｎ Ｆｉｇ．１（ ｂ） ｉｓ ａ
Ｃ ｉｓ ａ （ｄｉｒｅｃｔｅｄ） ｇｒａｐｈ ｉｎ ｗｈｉｃｈ ｔｈｅｒｅ ｉｓ ｏｎｅ ｓｔａｒｔ ｓｔａｔｅ ａｔ ｍｉｎｉｍａｌ ｔｒｅｌｌｉｓ． Ｆｉｇ． １ （ ｃ ） ｇｉｖｅｓ ａｎ ｅｑｕｉｖａｌｅｎｔ
ｔｉｍｅ －０， ｏｎｅ ｅｎｄｉｎｇ ｓｔａｔｅ ａｔ ｔｉｍｅ⁃Ｎ， ａｎｄ ｓｔａｔｅ ｓｐａｃｅｓ Ｓ ｋ ｄｅｓｃｒｉｐｔｉｏｎ ｏｆ ｔｈｅ ｔｒｅｌｌｉｓ ｉｎ Ｆｉｇ． １ （ ｂ） ． Ｎｏｔｅ ｔｈａｔ ｅａｃｈ
ａｔ ａｌｌ Ｎ － １ ｉｍｍｅｄｉａｔｅ ｔｉｍｅ⁃ｋ （１ ≤ ｋ ≤ Ｎ － １） ． Ａｌｌ ｅｄｇｅ ｉｎ Ｆｉｇ． １ （ ｃ ） ｒｅｐｒｅｓｅｎｔｓ ｉｎ ｆａｃｔ ｔｗｏ ｐａｒａｌｌｅｌ
ｅｄｇｅｓ ｉｎ ｔｈｅ ｇｒａｐｈ ｇｏ ｆｒｏｍ ａ ｓｔａｔｅ ａｔ ｔｉｍｅ⁃ｋ ｔｏ ａ ｓｔａｔｅ ａｔ ｂｒａｎｃｈｅｓ ａｎｄ ｔｈｅｒｅ ａｒｅ ｔｗｏ ｌａｂｅｌｓ ｏｎ ｅａｃｈ ｂｒａｎｃｈ．
ｔｈｅ ｎｅｘｔ ｔｉｍｅ⁃（ ｋ ＋ １） ． Ｅａｃｈ ｅｄｇｅ ｉｓ ｌａｂｅｌｅｄ ｗｉｔｈ ａ
Ti
me 0 1 2 3
00
11 00
00
11 11 1 1 00 00 00
00 00 00 00
1
1 00
00 11 11 11
00 1 1 1 1 11 1 1 11
11
00 (b)Anothe
rt r
ell
isr
epre
sent
at
io
ns(
c)Equi
val
entdes
cri
pti
on
(
a)Tr
ell
isr
epres
enta
ti
onsoftheco
de o ft
hecode oft
hetr
ell
is
Ｆｉｇ．１　 Ｔｈｒｅｅ ｔｒｅｌｌｉｓ ｄｉａｇｒａｍｓ ｏｆ ａ （６， ３） ｃｏｄｅ

４􀆰 ２　 Ｅｆｆｉｃｉｅｎｔ Ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｏｆ ｔｈｅ Ｐｒｏｐｏｓｅｄ ＭＬ 　 　 Ａｓ ｓｈｏｗｎ ｉｎ Ｆｉｇ．２， ｔｈｅ ｓｔａｔｅ ｃｏｍｐｌｅｘｉｔｙ ｐｒｏｆｉｌｅ ｏｆ
Ｄｅｃｏｄｉｎｇ Ｓｃｈｅｍｅ ｔｈｅ ｔｒｅｌｌｉｓ ｉｓ （１，８，８，８，１） ． Ｂｅｓｉｄｅｓ， ｔｈｅ ｗｈｏｌｅ ｔｒｅｌｌｉｓ
Ｔｈｅ ｅｆｆｉｃｉｅｎｔ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｏｆ ｔｈｅ ｐｒｏｐｏｓｅｄ ＭＬ ｃａｎ ｂｅ ｄｅｃｏｍｐｏｓｅｄ ｉｎｔｏ ｔｗｏ ｓｔｒｕｃｔｕｒａｌｌｙ ｉｄｅｎｔｉｃａｌ
ｄｅｃｏｄｉｎｇ ｓｃｈｅｍｅ ｉｓ ｂａｓｅｄ ｏｎ Ｃ 􀭵Ｂ ， ａｎｄ ｔｈｅ ｓｅｃｏｎｄ⁃ｏｒｄｅｒ ｓｕｂｔｒｅｌｌｉｓｅｓ ｗｉｔｈｏｕｔ ｃｒｏｓｓ ｃｏｎｎｅｃｔｉｏｎｓ． Ｔｈｅｓｅ ｔｗｏ
ＲＭ （１６， １１） ｃｏｄｅ ｗｈｏｓｅ ｔｒｅｌｌｉｓ ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｈａｖｅ ｓｕｂｔｒｅｌｌｉｓｅｓ ａｒｅ ｓｙｍｍｅｔｒｉｃａｌ ｉｎ ｒｅｌａｔｉｏｎ ｔｏ ｔｈｅ ｄａｓｈｅｄ
ｂｅｅｎ ｗｉｄｅｌｙ ｓｔｕｄｉｅｄ． Ｆｉｇ．２ ｉｌｌｕｓｔｒａｔｅｓ ａ ｍｉｎｉｍａｌ ｔｒｅｌｌｉｓ ｌｉｎｅ． Ｓｉｎｃｅ ｔｈｅ ｔｗｏ ｓｕｂｔｒｅｌｌｉｓｅｓ ａｒｅ ｓｔｒｕｃｔｕｒａｌｌｙ
􀭵Ｂ ［６，１０］ ．
ｄｉａｇｒａｍ ｏｆ Ｃ ｉｄｅｎｔｉｃａｌ， ａｎ ｅｄｇｅ ｉｎ ｔｈｅ ｔｏｐ ｓｕｂｔｒｅｌｌｉｓ ｈａｓ ａ
ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｅｄｇｅ ｉｎ ｔｈｅ ｂｏｔｔｏｍ ｓｕｂｔｒｅｌｌｉｓ． Ｔｈｅ ｔｗｏ
ｅｄｇｅｓ ｍａｒｋｅｄ ｗｉｔｈ ｃｙｃｌｅｓ ｉｎ ｔｈｅ ｆｉｇｕｒｅ ａｒｅ ａ ｐａｉｒ ｏｆ
Ti
me 0 1 2 3 4 ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｅｄｇｅｓ．
　 　 Ｅａｃｈ ｅｄｇｅ ｉｎ ｔｈｅ ｔｒｅｌｌｉｓ ｒｅｐｒｅｓｅｎｔｓ ｔｗｏ ｐａｒａｌｌｅｌ
ｂｒａｎｃｈｅｓ， ａｎｄ ｔｈｅ ｂｒａｎｃｈ ｌａｂｅｌｓ ａｒｅ ｇｉｖｅｎ ｉｎ Ｒｅｆ．［１０］．
Ｂｙ ｓｏｍｅ ｃａｒｅｆｕｌ ｏｂｓｅｒｖａｔｉｏｎｓ ｏｎ ｔｈｅ ｂｒａｎｃｈ ｌａｂｅｌｓ， ｓｏｍｅ
ｉｎｔｅｒｅｓｔｉｎｇ ｐｒｏｐｅｒｔｉｅｓ ｃａｎ ｂｅ ｆｏｕｎｄ． Ｆｉｒｓｔｌｙ， ｅａｃｈ ｂｒａｎｃｈ
ｏｆ ｔｈｅ ｔｒｅｌｌｉｓ ｉｓ ｌａｂｅｌｅｄ ｗｉｔｈ ｆｏｕｒ ｃｏｎｓｅｃｕｔｉｖｅ ｂｉｔｓ ｏｆ ａ
ｃｏｄｅｗｏｒｄ． Ｓｅｃｏｎｄｌｙ， ｔｈｅ ｔｗｏ ｂｒａｎｃｈ ｌａｂｅｌｓ
ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｔｏ ｔｈｅ ｓａｍｅ ｅｄｇｅ ａｒｅ ｃｏｍｐｌｅｍｅｎｔａｒｙ， ｉ．
ｅ．， ｉｆ ｏｎｅ ｂｒａｎｃｈ ｉｓ ｌａｂｅｌｅｄ ｗｉｔｈ （ａ，ｂ，ｃ，ｄ）， ｔｈｅ ｏｔｈｅｒ
ｂｒａｎｃｈ ｉｓ ｌａｂｅｌｅｄ ｗｉｔｈ （１ ＋ ａ，１ ＋ ｂ，１ ＋ ｃ，１ ＋ ｄ）， ｗｈｅｒｅ
Ｆｉｇ．２　 Ａ ｍｉｎｉｍａｌ ｔｒｅｌｌｉｓ ｄｉａｇｒａｍ ｏｆ 􀭺
Ｃ Ｂ ， ｔｈｅ ｓｅｃｏｎｄ⁃ｏｒｄｅｒ “ ＋ ” ｉｓ ｔｈｅ ｍｏｄ⁃２ ａｄｄｉｔｉｏｎ ｏｐｅｒａｔｉｏｎ． Ｔｈｉｒｄｌｙ， ｉｆ ｏｎｅ
ＲＭ （１６， １１） ｃｏｄｅ ｅｄｇｅ ｉｎ ｔｈｅ ｔｏｐ ｓｕｂｔｒｅｌｌｉｓ ｉｓ ｌａｂｅｌｅｄ ｗｉｔｈ （ａ，ｂ，ｃ，ｄ） ａｎｄ

· ５６·
Ｊｏｕｒｎａｌ ｏｆ Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ （ Ｎｅｗ Ｓｅｒｉｅｓ） ， Ｖｏｌ．２２， Ｎｏ．１， ２０１５

（１ ＋ ａ，１ ＋ ｂ，１ ＋ ｃ，１ ＋ ｄ）， ｉｔｓ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｅｄｇｅ ｉｎ
ｔｈｅ ｂｏｔｔｏｍ ｓｕｂｔｒｅｌｌｉｓ ｉｓ ｌａｂｅｌｅｄ ｗｉｔｈ （ａ，ｂ，ｃ，１ ＋ ｄ） ａｎｄ
（１ ＋ ａ，１ ＋ ｂ，１ ＋ ｃ，ｄ）． Ｆｏｒ ｅｘａｍｐｌｅ， ｔｈｅ ｔｗｏ ｅｄｇｅｓ
ｍａｒｋｅｄ ｗｉｔｈ ｃｙｃｌｅｓ ａｒｅ ｌａｂｅｌｅｄ ｗｉｔｈ ｛００００， １１１１｝ ａｎｄ
｛０００１， １１１０｝， ｒｅｓｐｅｃｔｉｖｅｌｙ． Ｔｈｅｓｅ ｐｒｏｐｅｒｔｉｅｓ ｃａｎ ｂｅ
ｕｓｅｄ ｔｏ ｒｅｄｕｃｅ ｔｈｅ ｃｏｍｐｕｔａｔｉｏｎａｌ ｃｏｍｐｌｅｘｉｔｙ ｉｎ ｔｈｅ
ｄｅｃｏｄｉｎｇ ｐｒｏｃｅｓｓ， ｗｈｉｃｈ ｗｉｌｌ ｂｅ ｄｉｓｃｕｓｓｅｄ ｉｎ ｎｅｘｔ
ｓｕｂｓｅｃｔｉｏｎ．
Ｎｅｘｔ， ａｎ ｅｆｆｉｃｉｅｎｔ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ｏｕｒ
ｐｒｏｐｏｓｅｄ ｄｅｃｏｄｉｎｇ ｓｃｈｅｍｅ ｉｓ ｐｒｅｓｅｎｔｅｄ ｂａｓｅｄ ｏｎ ｔｈｅ
ｔｒｅｌｌｉｓ ｄｉａｇｒａｍ ｇｉｖｅｎ ｉｎ Ｆｉｇ． ２ ａｓ ｗｅｌｌ ａｓ ｔｈｅ Ｖｉｔｅｒｂｉ
ａｌｇｏｒｉｔｈｍ ［１１－１２］ ． Ｉｎ ｆａｃｔ， ｔｈｅ Ｖｉｔｅｒｂｉ ａｌｇｏｒｉｔｈｍ ｓｏｌｖｅｓ
ｔｈｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｐｒｏｂｌｅｍ （ ２） ｉｎ ａ ｒｅｃｕｒｓｉｖｅ ｍａｎｎｅｒ，
ｗｈｉｃｈ ｇｕａｒａｎｔｅｅｓ ｔｈｅ ｄｅｃｏｄｉｎｇ ｏｕｔｐｕｔ ｉｓ ｔｈｅ ＭＬ
ｃｏｄｅｗｏｒｄ．
Ｌｅｔ Ｓ ｋ（ ｉ） ｂｅ ａ ｓｔａｔｅ ａｔ ｔｉｍｅ⁃ｋ． α ｋ（ ｉ） ｉｓ ｄｅｆｉｎｅｄ ａｓ
ｔｈｅ ｍｅｔｒｉｃ ｏｆ Ｓ ｋ（ ｉ） ． Ｓｕｐｐｏｓｉｎｇ ｔｈｅ ｍｅｔｒｉｃ ｏｆ ｔｈｅ ｓｔａｔｅ ａｔ
ｔｉｍｅ⁃０ ｉｓ ｚｅｒｏ， ｉ． ｅ．， α０（０） ＝ ０． Ａｓｓｕｍｉｎｇ Ｓ ｋ（ ｉ） ｉｓ ａ
ｓｔａｔｅ ａｔ ｔｉｍｅ⁃ｋ ａｎｄ Ｓ ｋ ＋ １（ ｌ） ｉｓ ａ ｓｔａｔｅ ａｔ ｔｉｍｅ⁃（ ｋ ＋ １） ，
ａｎｄ ｔｈｅ ｔｗｏ ｓｔａｔｅｓ ａｒｅ ｃｏｎｎｅｃｔｅｄ ｂｙ ａ ｂｒａｎｃｈ ｗｉｔｈ ｌａｂｅｌ
（ ｃ４ｋ ，ｃ４ｋ ＋ １ ，ｃ４ｋ ＋ ２ ，ｃ４ｋ ＋ ３ ） ． Ａ ｍｅｔｒｉｃ γ ｋ，ｋ ＋ １（ ｉ，ｌ） ｉｓ ａｓｓｉｇｎｅｄ
ｔｏ ｔｈｅ ｂｒａｎｃｈ， ｗｈｉｃｈ ｉｓ ｃａｌｃｕｌａｔｅｄ ｂｙ
４ｋ ＋ ３
γ ｋ，ｋ ＋ １（ ｉ，ｌ） ＝ ∑
ｊ ＝ ４ｋ
（１ － ２ｃ ｊ ） ｒ ｊ
　 　 Ｔｈｅ ｓｔａｔｅ ｍｅｔｒｉｃ ｏｆ Ｓ ｋ ＋ １（ ｌ） ， ｄｅｎｏｔｅｄ ａｓ α ｋ ＋ １（ ｌ） ，
ｉｓ ｕｐｄａｔｅｄ ｂｙ
α ｋ ＋ １（ ｌ） ＝ ｍｉｎ｛ α ｋ（ ｉ） ＋ γ ｋ，ｋ ＋ １（ ｉ，ｌ） ｝
ｗｈｅｒｅ ｔｈｅ ｍｉｎｉｍｕｍ ｉｓ ｓｅａｒｃｈｅｄ ｔｈｒｏｕｇｈ ａｌｌ ｔｈｅ ｓｔａｔｅｓ
ｔｈａｔ ａｒｅ ｃｏｎｎｅｃｔｅｄ ｔｏ Ｓ ｋ ＋ １（ ｌ） ． Ｉｎ ａｄｄｉｔｉｏｎ， ｔｈｅ
ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｂｒａｎｃｈ ｌａｂｅｌ ｉｓ ａｌｓｏ ｓｔｏｒｅｄ ａｔ ｔｈｉｓ ｓｔａｔｅ．
Ｆｉｎａｌｌｙ， ｔｈｅｒｅ ｉｓ ｏｎｌｙ ｏｎｅ ｐａｔｈ ａｔ ｔｈｅ ｓｔａｔｅ ｉｎ ｔｉｍｅ⁃４，
ａｎｄ ｔｈｅ ｓｅｑｕｅｎｃｅ ｏｆ ｂｒａｎｃｈ ｌａｂｅｌｓ ｇｉｖｅｓ ｔｈｅ ＭＬ
ｃｏｄｅｗｏｒｄ ｃ􀭰 ＭＬ ．
４􀆰 ３　 Ｃｏｍｐｌｅｘｉｔｙ Ａｎａｌｙｓｉｓ
Ａｓ ｃａｎ ｂｅ ｓｅｅｎ ｆｒｏｍ Ｅｑｓ．（６） ａｎｄ （７） ， ｔｈｅ ｂａｓｉｃ
ｃｏｍｐｕｔａｔｉｏｎｓ ｕｓｅｄ ｉｎ ｔｈｅ Ｖｉｔｅｒｂｉ ａｌｇｏｒｉｔｈｍ ａｒｅ ｔｈｅ ａｄｄ，
ａｒｅ ｇｉｖｅｎ ｂｙ － ｓ ＋ ｒ ３ ａｎｄ ｓ － ｒ ３ ， ｒｅｓｐｅｃｔｉｖｅｌｙ． Ｈｅｎｃｅ，
ｏｎｌｙ ｓｉｘ ａｄｄｉｔｉｏｎｓ ａｒｅ ｎｅｅｄｅｄ ｆｏｒ ｔｈｅ ｃｏｍｐｕｔａｔｉｏｎ ｏｆ
ｔｈｅｓｅ ｆｏｕｒ ｂｒａｎｃｈ ｍｅｔｒｉｃｓ ｉｎ ｔｏｔａｌ． Ｔａｂｌｅ １ ｓｕｍｍａｒｉｚｅｓ
ｔｈｅ ｃｏｍｐｕｔａｔｉｏｎａｌ ｃｏｍｐｌｅｘｉｔｙ ｏｆ ｔｈｅ ｐｒｅｓｅｎｔｅｄ
ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ ｏｆ
ＢＣＨ （ １５， １１ ） ｃｏｄｅ． Ｂｅｓｉｄｅｓ， ｔｈｅ ｃｏｍｐｕｔａｔｉｏｎａｌ
ｃｏｍｐｌｅｘｉｔｙ ｏｆ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｈａｒｄ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ
ｇｉｖｅｎ ｉｎ ｓｕｂｓｅｃｔｉｏｎ ２􀆰 ２ ｉｓ ａｌｓｏ ｉｎｃｌｕｄｅｄ ｆｏｒ
ｃｏｍｐａｒｉｓｏｎ．
Ｉｔ ｉｓ ｋｎｏｗｎ ｆｒｏｍ Ｔａｂｌｅ １ ｔｈａｔ ｔｈｅ ｃｏｍｐｕｔａｔｉｏｎａｌ
ｃｏｍｐｌｅｘｉｔｙ ｉｎｃｒｅａｓｅ ｏｆ ｔｈｅ ｐｒｅｓｅｎｔｅｄ ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ
ｄｅｃｏｄｉｎｇ ｓｃｈｅｍｅ ｉｓ ｍｏｄｅｒａｔｅ ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈｅ
ｔｒａｄｉｔｉｏｎａｌ ｈａｒｄ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ． Ｍｏｒｅｏｖｅｒ， ｔｈｅ
ｏｐｅｒａｔｉｏｎｓ ｉｎ ｔｈｅ ｐｒｅｓｅｎｔｅｄ ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ
ｓｃｈｅｍｅ ｃａｎ ｂｅ ｅａｓｉｌｙ ｉｍｐｌｅｍｅｎｔｅｄ ｉｎ ｐｒａｃｔｉｃｅ．
Ｔａｂｌｅ １　 Ｃｏｍｐｕｔａｔｉｏｎａｌ ｃｏｍｐｌｅｘｉｔｉｅｓ ｏｆ ｔｈｅ ｐｒｅｓｅｎｔｅｄ ｓｏｆｔ⁃
ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ ａｎｄ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｈａｒｄ⁃
ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ ｏｆ ＢＣＨ （１５， １１） ｃｏｄｅ
Ｏｐｅｒａｔｉｏｎｓ ＢＡ ＬＵＴ ＲＡ ＲＣ
Ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ — — ２４０ １３５
Ｈａｒｄ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ ３０ １ — —
（６） 　 Ｎｏｔｅ： ＢＡ： Ｂｉｎａｒｙ ａｄｄｉｔｉｏｎ； ＬＵＴ： Ｌｏｏｋ⁃ｕｐ ｔａｂｌｅ；
ＲＡ： Ｒｅａｌ ａｄｄｉｔｉｏｎ； ＲＣ： Ｒｅａｌ ｃｏｍｐａｒｉｓｏｎ．
５　 Ｓｉｍｕｌａｔｉｏｎ Ｒｅｓｕｌｔｓ ａｎｄ Ｄｉｓｃｕｓｓｉｏｎ
（７）
Ｉｎ ｏｒｄｅｒ ｔｏ ｖｅｒｉｆｙ ｔｈｅ ｐｒｏｐｏｓｅｄ ｄｅｃｏｄｉｎｇ ｓｃｈｅｍｅ，
ｃｏｍｐｕｔｅｒ ｓｉｍｕｌａｔｉｏｎｓ ａｒｅ ｐｅｒｆｏｒｍｅｄ ｔｏ ｅｖａｌｕａｔｅ ｉｔｓ
ｐｅｒｆｏｒｍａｎｃｅ． Ｆｉｇ．３ ｉｌｌｕｓｔｒａｔｅｓ ｔｈｅ ＢＥＲ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ
ｔｈｅ ＢＣＨ （ １５， １１ ） ｃｏｄｅ ｉｎ ｔｈｅ ＧＮＳＳ． Ｓｉｎｃｅ ｔｈｅ
ｐｒｏｐｏｓｅｄ ｄｅｃｏｄｉｎｇ ｓｃｈｅｍｅ ｅｘａｃｔｌｙ ｐｅｒｆｏｒｍｓ ＭＬ
ｄｅｃｏｄｉｎｇ， ｉｔｓ ｐｅｒｆｏｒｍａｎｃｅ ａｇｒｅｅｓ ｗｉｔｈ ｔｈｅ ＭＬ ｂｏｕｎｄ
ａｎｄ ｉｓ ｏｐｔｉｍａｌ．
0-1
1

ｃｏｍｐａｒｅ ａｎｄ ｓｅｌｅｃｔ． Ｄｕｅ ｔｏ ｔｈｅ ｎｉｃｅ ｐｒｏｐｅｒｔｉｅｓ ｏｆ ｔｈｅ

ｂｒａｎｃｈ ｌａｂｅｌｓ， ｔｈｅ ｃｏｍｐｌｅｘｉｔｙ ｆｏｒ ｔｈｅ ｂｒａｎｃｈ ｍｅｔｒｉｃ 0-2
1

ｃｏｍｐｕｔａｔｉｏｎ ｃａｎ ｂｅ ｒｅｄｕｃｅｄ．

BER

Ｓｉｎｃｅ ｔｈｅ ｔｗｏ ｂｒａｎｃｈ ｌａｂｅｌｓ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｔｏ ｔｈｅ

0-3
1

ｓａｍｅ ｅｄｇｅ ａｒｅ ｃｏｍｐｌｅｍｅｎｔａｒｙ， ｔｈｅｓｅ ｔｗｏ ｂｒａｎｃｈ

Harddesci
sion
Sof
tdecis
ion
ｍｅｔｒｉｃｓ ａｒｅ ｉｎｖｅｒｓｅ ｔｏ ｅａｃｈ ｏｔｈｅｒ． Ａｓ ａ ｒｅｓｕｌｔ， ｏｎｌｙ ｔｈｅ
0-4
1 MLbo und
Sof
tdecis
ion,qua
nti
zed
ｃｏｍｐｕｔａｔｉｏｎ ｏｆ ｏｎｅ ｂｒａｎｃｈ ｍｅｔｒｉｃ ｉｓ ｎｅｅｄｅｄ． UncodedBPS K
Ｆｕｒｔｈｅｒｍｏｒｅ， ｓｉｎｃｅ ｔｈｅ ｆｉｒｓｔ ｔｈｒｅｅ ｂｉｔｓ ｏｆ ａ ｂｒａｎｃｈ ｉｎ
0-5
1
2 3 4 5 6 7
ｔｈｅ ｔｏｐ ｓｕｂｔｒｅｌｌｉｓ ａｎｄ ｔｈｅ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｂｒａｎｃｈ ｉｎ ｔｈｅ Eb/
N0(
dB)
ｂｏｔｔｏｍ ｓｕｂｔｒｅｌｌｉｓ ａｒｅ ｔｈｅ ｓａｍｅ， ｔｈｅ ｃｏｍｐｕｔａｔｉｏｎａｌ Ｆｉｇ．３　 ＢＥＲ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ＢＣＨ （１５，１１） ｃｏｄｅ ｉｎ ｔｈｅ ＧＮＳＳ
ｃｏｍｐｌｅｘｉｔｙ ｃａｎ ｂｅ ｆｕｒｔｈｅｒ ｒｅｄｕｃｅｄ． Ｔｈｅ ｔｗｏ ｅｄｇｅｓ
ｍａｒｋｅｄ ｗｉｔｈ ｃｙｃｌｅｓ ａｒｅ ｃｏｎｓｉｄｅｒｅｄ ａｓ ａｎ ｅｘａｍｐｌｅ． 　 　 Ｉｔ ｉｓ ｋｎｏｗｎ ｆｒｏｍ Ｆｉｇ． ３ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｓｏｆｔ⁃
Ｒｅｃａｌｌｉｎｇ ｔｈａｔ ｔｈｅ ｌａｂｅｌｓ ｏｆ ｔｈｅｓｅ ｔｗｏ ｅｄｇｅｓ ａｒｅ ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ ｓｃｈｅｍｅ ｏｕｔｐｅｒｆｏｒｍｓ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ
｛００００， １１１１｝ ａｎｄ ｛０００１， １１１０｝ ， ｒｅｓｐｅｃｔｉｖｅｌｙ． Ｉｔ ｉｓ ｈａｒｄ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ ｓｉｇｎｉｆｉｃａｎｔｌｙ． Ｆｏｒ ａｎｙ ｄｅｃｏｄｉｎｇ
ｓｕｐｐｏｓｅｄ ｔｈａｔ ｔｈｅ ｆｉｒｓｔ ｆｏｕｒ ｅｎｔｒｉｅｓ ｏｆ ｒ􀭰ａｒｅ ｒ ０ ，ｒ １ ，ｒ ２ ， ａｎｄ ｓｃｈｅｍｅ， ｔｈｅｒｅ ｅｘｉｓｔｓ ａｎ ＳＮＲ （ Ｅ ｂ ／ Ｎ ０ ） ｂｅｌｏｗ ｗｈｉｃｈ ｔｈｅ
ｒ ３ ． Ｌｅｔ ｓ ＝ ｒ ０ ＋ ｒ １ ＋ ｒ ２ ． Ｔｈｅ ｔｗｏ ｂｒａｎｃｈ ｍｅｔｒｉｃｓ ｏｆ ｔｈｅ ｔｏｐ ｃｏｄｅ ｉｓ ｉｎｅｆｆｅｃｔｉｖｅ． Ｔｈｉｓ ＳＮＲ ｖａｌｕｅ ｉｓ ｃａｌｌｅｄ ｔｈｅ ｃｏｄｉｎｇ
ｓｕｂｔｒｅｌｌｉｓ ａｒｅ ｇｉｖｅｎ ｂｙ ｓ ＋ ｒ ３ ａｎｄ － ｓ － ｒ ３ ， ｒｅｓｐｅｃｔｉｖｅｌｙ， ｔｈｒｅｓｈｏｌｄ ［６］ ． Ｉｔ ｉｓ ｎｅｃｅｓｓａｒｙ ｔｏ ｋｅｅｐ ｔｈｉｓ ｔｈｒｅｓｈｏｌｄ ａｓ
ｗｈｅｒｅａｓ ｔｈｅ ｔｗｏ ｂｒａｎｃｈ ｍｅｔｒｉｃｓ ｏｆ ｔｈｅ ｂｏｔｔｏｍ ｓｕｂｔｒｅｌｌｉｓ ｌｏｗ ａｓ ｐｏｓｓｉｂｌｅ ｉｎ ａｎｙ ｃｏｍｍｕｎｉｃａｔｉｏｎ ｓｙｓｔｅｍ． Ａｓ ｓｈｏｗｎ

· ５７·
Ｊｏｕｒｎａｌ ｏｆ Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ （ Ｎｅｗ Ｓｅｒｉｅｓ） ， Ｖｏｌ．２２， Ｎｏ．１， ２０１５
ｉｎ Ｆｉｇ．３， ｔｈｅ ｃｏｄｉｎｇ ｔｈｒｅｓｈｏｌｄ ｏｆ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｈａｒｄ⁃
ｄｅｃｉｓｉｏｎ ｍｅｔｈｏｄ ｉｓ ａｂｏｕｔ ４ ｄＢ， ｗｈｉｌｅ ｔｈｅ ｃｏｄｉｎｇ
ｔｈｒｅｓｈｏｌｄ ｏｆ ｔｈｅ ｐｒｏｐｏｓｅｄ ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ
ｍｅｔｈｏｄ ｉｓ ｌｏｗｅｒ ｔｈａｎ ２ ｄＢ．
Ｆｏｒ ａ ｐｒａｃｔｉｃａｌ ＧＮＳＳ ｒｅｃｅｉｖｅｒ， ｔｈｅ ＢＥＲ ｏｆ
ｎａｖｉｇａｔｉｏｎ ｍｅｓｓａｇｅｓ ｓｈｏｕｌｄ ｂｅ ｌｅｓｓ ｔｈａｎ １０ －３ ｉｎ ｏｒｄｅｒ ｔｏ
ｐｒｏｖｉｄｅ ｉｎｉｔｉａｌ ｐｏｓｉｔｉｏｎ ｓｅｒｖｉｃｅｓ ［１３－１４］ ． Ｉｔ ｃａｎ ｂｅ ｓｅｅｎ
ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ ｓｃｈｅｍｅ
ａｃｈｉｅｖｅｓ ａｂｏｕｔ １􀆰 ２ ｄＢ ｃｏｄｉｎｇ ｇａｉｎ ａｔ ａ ＢＥＲ ｏｆ １０ －３
ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｈａｒｄ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ．
Ｔｈｅ ａｖｅｒａｇｅ ｔｉｍｅ ｆｏｒ ｔｈｅ ｐｒｏｐｏｓｅｄ ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ
ｄｅｃｏｄｉｎｇ ｍｅｔｈｏｄ ａｎｄ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｈａｒｄ⁃ｄｅｃｉｓｉｏｎ
ｄｅｃｏｄｉｎｇ ｍｅｔｈｏｄ ｉｓ ｓｈｏｗｎ ｉｎ Ｔａｂｌｅ ２． Ｔｈｅ ＳＮＲ ｉｓ ｓｅｔ
ａｓ ４ ｄＢ．
　 　 Ｉｔ ｉｓ ｋｎｏｗｎ ｆｒｏｍ Ｔａｂｌｅ ２ ｔｈａｔ ｔｈｅ ｓｏｆｔｗａｒｅ
ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｏｆ ｔｈｅ ｐｒｏｐｏｓｅｄ ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ
ｍｅｔｈｏｄ ｉｓ ｓｕｆｆｉｃｉｅｎｔ ｆｏｒ ｔｈｅ ＧＮＳＳ， ｗｈｏｓｅ ｄａｔａ ｒａｔｅ ｉｓ
５０ ｂｐｓ ［７］ ．
Ｔａｂｌｅ ２ 　 Ａｖｅｒａｇｅ ｄｅｃｏｄｉｎｇ ｔｉｍｅ ｆｏｒ ｔｈｅ ｔｗｏ ｄｅｃｏｄｉｎｇ
ｍｅｔｈｏｄｓ ａｔ ４ ｄＢ
Ｈａｒｄ⁃ｄｅｃｉｓｉｏｎ Ｐｒｏｐｏｓｅｄ ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ
Ｄｅｃｏｄｉｎｇ ｍｅｔｈｏｄ
ｄｅｃｏｄｉｎｇ ｄｅｃｏｄｉｎｇ
Ａｖｅｒａｇｅ ｄｅｃｏｄｉｎｇ ｔｉｍｅ （ ｓ） ６􀆰 ２×１０ －５ ２􀆰 ７×１０ －４
　 　 Ｉｎ ｏｒｄｅｒ ｔｏ ｉｍｐｌｅｍｅｎｔ ｔｈｅ ｄｅｃｏｄｉｎｇ ｓｃｈｅｍｅ ｉｎ
ｐｒａｃｔｉｃｅ， ｔｈｅ ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ ｖａｌｕｅｓ ｓｈｏｕｌｄ ｂｅ ｑｕａｎｔｉｚｅｄ，
ｗｈｉｃｈ ｍａｙ ｃａｕｓｅ ｐｅｒｆｏｒｍａｎｃｅ ｌｏｓｓｅｓ． Ｉｎ ｔｈｅ ｃｏｍｍｏｎ
ｌｉｔｅｒａｔｕｒｅ， ｔｈｅ ｑｕａｎｔｉｚａｔｉｏｎ ｓｃｈｅｍｅ ｉｓ ４ － ６ ｂｉｔｓ ｆｏｒ
Ｖｉｔｅｒｂｉ ｄｅｃｏｄｉｎｇ ［１５－１６］ ． Ｔｈｅ ｕｎｉｆｏｒｍ ６⁃ｂｉｔ ｑｕａｎｔｉｚａｔｉｏｎ
ｓｃｈｅｍｅ ［１６］ ｉｓ ｓｅｌｅｃｔｅｄ ｉｎ ｏｕｒ ｓｉｍｕｌａｔｉｏｎ ｆｏｒ ｐｅｒｆｏｒｍａｎｃｅ
ｅｖａｌｕａｔｉｏｎ， ａｎｄ ｔｈｅ ｒｅｓｕｌｔｓ ａｒｅ ａｌｓｏ ｓｈｏｗｎ ｉｎ Ｆｉｇ．３． Ｉｔ
ｉｓ ｋｎｏｗｎ ｔｈａｔ ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｌｏｓｓ ｏｆ ｔｈｅ ｑｕａｎｔｉｚｅｄ ｓｏｆｔ
ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ ｉｓ ｓｌｉｇｈｔ ｃｏｍｐａｒｅｄ ｗｉｔｈ ｆｌｏａｔｉｎｇ ｐｏｉｎｔ
ｐｅｒｆｏｒｍａｎｃｅ． Ｆｏｒ ｅｘａｍｐｌｅ， ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｌｏｓｓ ｉｓ ｏｎｌｙ
ａｂｏｕｔ ０􀆰 １ ｄＢ ａｔ ａ ＢＥＲ ｏｆ １０ －３ ． Ｔｈｅｒｅｆｏｒｅ， ｔｈｅ
ｐｒｏｐｏｓｅｄ ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ ｓｃｈｅｍｅ ｉｓ ａ ｇｏｏｄ
ｃｈｏｉｃｅ ｆｏｒ ａ ｐｒａｃｔｉｃａｌ ＧＮＳＳ ｒｅｃｅｉｖｅｒ．
６　 Ｃｏｎｃｌｕｓｉｏｎｓ
Ｉｎ ｔｈｉｓ ｐａｐｅｒ， ａ ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ ｓｃｈｅｍｅ ｆｏｒ
ＢＣＨ （１５，１１） ｃｏｄｅ ｉｎ ｔｈｅ ＧＮＳＳ ｉｓ ｐｒｏｐｏｓｅｄ ｂａｓｅｄ ｏｎ
ｔｈｅ ｔｒｅｌｌｉｓ ｄｉａｇｒａｍ ｏｆ ｉｔｓ ｅｘｔｅｎｄｅｄ ｃｏｄｅ． Ｉｔ ｈａｓ ｂｅｅｎ
ｐｒｏｖｅｄ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｓｃｈｅｍｅ ｅｘａｃｔｌｙ ｐｅｒｆｏｒｍｓ ＭＬ
ｄｅｃｏｄｉｎｇ， ｗｈｉｃｈ ｍｅａｎｓ ｔｈｅ ｄｅｃｏｄｉｎｇ ｐｅｒｆｏｒｍａｎｃｅ ｉｓ
ｏｐｔｉｍａｌ． Ａｎ ｅｆｆｉｃｉｅｎｔ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｍｅｔｈｏｄ ｏｆ ｔｈｅ
ｐｒｏｐｏｓｅｄ ｓｃｈｅｍｅ ｉｓ ａｌｓｏ ｐｒｅｓｅｎｔｅｄ ｂａｓｅｄ ｏｎ Ｖｉｔｅｒｂｉ
ａｌｇｏｒｉｔｈｍ． Ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ
· ５８·
ｏｆ ｔｈｅ ｐｒｏｐｏｓｅｄ ｓｏｆｔ⁃ｄｅｃｉｓｉｏｎ ｄｅｃｏｄｉｎｇ ｓｃｈｅｍｅ ｉｓ
ｓｉｇｎｉｆｉｃａｎｔｌｙ ｉｍｐｒｏｖｅｄ ｏｖｅｒ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｈａｒｄ⁃ｄｅｃｉｓｉｏｎ
ｄｅｃｏｄｉｎｇ ａｔ ｔｈｅ ｅｘｐｅｎｓｅ ｏｆ ｍｏｄｅｒａｔｅ ｃｏｍｐｌｅｘｉｔｙ
ｉｎｃｒｅａｓｅ． Ｉｎ ｃｏｎｃｌｕｓｉｏｎ， ｔｈｅ ｐｒｏｐｏｓｅｄ ｄｅｃｏｄｉｎｇ ｍｅｔｈｏｄ
ｉｓ ｖｅｒｙ ｓｕｉｔａｂｌｅ ｆｏｒ ｐｒａｃｔｉｃａｌ ｐｕｒｐｏｓｅｓ， ｅｓｐｅｃｉａｌｌｙ ｉｎ
ｓｉｔｕａｔｉｏｎｓ ｓｕｃｈ ｔｈａｔ ｔｈｅ ｄｅｃｏｄｉｎｇ ｐｅｒｆｏｒｍａｎｃｅ ｎｅｅｄｓ
ｔｈｅｏｒｅｔｉｃａｌ ｇｕａｒａｎｔｅｅｓ．
Ｒｅｆｅｒｅｎｃｅｓ
［１］ Ｈｅｇａｒｔｙ Ｃ Ｊ， Ｃｈａｔｒｅ Ｅ． Ｅｖｏｌｕｔｉｏｎ ｏｆ ｔｈｅ ｇｌｏｂａｌ ｎａｖｉｇａｔｉｏｎ
ｓａｔｅｌｌｉｔｅ ｓｙｓｔｅｍ （ ＧＮＳＳ ） ． Ｐｒｏｃ． ＩＥＥＥ， ２００８， ９６ （ １２ ） ：
１９０２－１９１７．
［２］ Ｒａｏ Ｃ Ｒ． Ｇｌｏｂａｌ Ｎａｖｉｇａｔｉｏｎ Ｓａｔｅｌｌｉｔｅ Ｓｙｓｔｅｍｓ． Ｎｏｉｄａ：Ｔａｔａ
ＭｃＧｒａｗ⁃Ｈｉｌｌ Ｅｄｕｃａｔｉｏｎ， ２０１０􀆰 ３５－５１．
［３］ Ｋｅｍｐｐｉ Ｐ． Ｎｅｘｔ Ｇｅｎｅｒａｔｉｏｎ Ｓａｔｅｌｌｉｔｅ Ｎａｖｉｇａｔｉｏｎ Ｓｙｓｔｅｍｓ．
Ｆｉｎｌａｎｄ： ＶＴＴ Ｔｅｃｈｎｉｃａｌ Ｒｅｓｅａｒｃｈ Ｃｅｎｔｒｅ ｏｆ Ｆｉｎｌａｎｄ，
２００７􀆰 １４７－１５０．
［４］ Ｐｅｔｅｒｓｏｎ Ｗ Ｗ． Ｅｎｃｏｄｉｎｇ ａｎｄ ｅｒｒｏｒ⁃ｃｏｒｒｅｃｔｉｏｎ ｐｒｏｃｅｄｕｒｅｓ
ｆｏｒ ｔｈｅ Ｂｏｓｅ⁃Ｃｈａｕｄｈｕｒｉ ｃｏｄｅｓ． ＩＲＥ Ｔｒａｎｓ． Ｉｎｆｏｒｍ． Ｔｈｅｏｒｙ，
１９６０，６（４） ：４５９－４７０．
［ ５］ Ｐｅｔｅｒｓｏｎ Ｗ Ｗ， Ｊｒ． Ｗｅｌｄｏｎ Ｅ Ｊ． Ｅｒｒｏｒ⁃ｃｏｒｒｅｃｔｉｎｇ Ｃｏｄｅｓ． ２ ｎｄ
ｅｄ．． Ｃａｍｂｒｉｄｇｅ： ＭＩＴ Ｐｒｅｓｓ， １９７２􀆰 ３７９－４０５．
［６］ Ｌｉｎ Ｓ， Ｊｒ． Ｃｏｓｔｅｌｌｏ Ｄ Ｊ． Ｅｒｒｏｒ Ｃｏｎｔｒｏｌ Ｃｏｄｉｎｇ： Ｆｕｎｄａｍｅｎｔａｌｓ
ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ． Ｕｐｐｅｒ Ｓａｄｄｌｅ Ｒｉｖｅｒ， ＮＪ： Ｐｒｅｎｔｉｃｅ⁃Ｈａｌｌ， ２ｎｄ
ｅｄ．． ２００４􀆰 ４７９－４８６．
［７］ Ｃｈｉｎａ Ｓａｔｅｌｌｉｔｅ Ｎａｖｉｇａｔｉｏｎ Ｏｆｆｉｃｅ． ＢｅｉＤｏｕ ｎａｖｉｇａｔｉｏｎ ｓａｔｅｌｌｉｔｅ
ｓｙｓｔｅｍ ｓｉｇｎａｌ ｉｎ ｓｐａｃｅ ｉｎｔｅｒｆａｃｅ ｃｏｎｔｒｏｌ ｄｏｃｕｍｅｎｔ：ｏｐｅｎ ｓｅｒｖｉｃｅ
ｓｉｇｎａｌ Ｂ１Ｉ （Ｖｅｒｓｉｏｎ １􀆰 ０）． ２０１２􀆰 １２－２４． ｈｔｔｐ：／ ／ ｗｗｗ．ｂｅｉｄｏｕ．
ｇｏｖ． ｃｎ ／ ａｔｔａｃｈ ／ ２０１２／ １２／ ２７／ ２０１２１２２７３ｄａ２９ｃ５ ｅｂ８２７４ｄｅｂ８
ｃｄ２ｂ １７８２２８ｂａ２ｂｄ．ｐｄｆ． ２０１２－１２－２７．
［８］ Ｍｅｇｇｉｔｔ Ｊ Ｅ． Ｅｒｒｏｒ ｃｏｒｒｅｃｔｉｏｎ ｃｏｄｅｓ ａｎｄ ｔｈｅｉｒ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ
ｆｏｒ ｄａｔａ ｔｒａｎｓｍｉｓｓｉｏｎ ｓｙｓｔｅｍｓ． ＩＲＥ Ｔｒａｎｓ． Ｉｎｆｏｒｍ． Ｔｈｅｏｒｙ，
１９６１，７（４） ：２３２－２４４．
［９］ Ｂｅｒｔｓｉｍａｓ Ｄ， Ｔｓｉｔｓｉｋｌｉｓ Ｊ Ｎ． Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ Ｌｉｎｅａｒ Ｏｐｔｉｍｉｚａｔｉｏｎ．
Ｂｅｌｍｏｎｔ， ＭＡ： Ａｔｈｅｎａ Ｓｃｉｅｎｔｉｆｉｃ， １９９７􀆰 １５４－１６２．
［１０］ Ｌｉｎ Ｓ， Ｋａｓａｍｉ Ｔ， Ｆｕｊｉｗａｒａ Ｔ， ｅｔ ａｌ． Ｔｒｅｌｌｉｓｅｓ ａｎｄ Ｔｒｅｌｌｉｓ⁃
Ｂａｓｅｄ Ｄｅｃｏｄｉｎｇ Ａｌｇｏｒｉｔｈｍｓ ｆｏｒ Ｌｉｎｅａｒ Ｂｌｏｃｋ Ｃｏｄｅｓ．
Ｂｏｓｔｏｎ： Ｋｌｕｗｅｒ Ａｃａｄｅｍｉｃ， １９９８􀆰 ８７－１２０．
［１１］ Ｊｒ． Ｆｏｒｎｅｙ Ｇ Ｄ． Ｔｈｅ Ｖｉｔｅｒｂｉ ａｌｇｏｒｉｔｈｍ． Ｐｒｏｃ． ＩＥＥＥ， １９７３，
６１（３） ： ２６８－２７８．
［１２］ Ｗｏｌｆ Ｊ Ｋ． Ｅｆｆｉｃｉｅｎｔ ｍａｘｉｍｕｍ⁃ｌｉｋｅｌｉｈｏｏｄ ｄｅｃｏｄｉｎｇ ｏｆ ｌｉｎｅａｒ
ｂｌｏｃｋ ｃｏｄｅｓ ｕｓｉｎｇ ａ ｔｒｅｌｌｉｓ． ＩＥＥＥ Ｔｒａｎｓ． Ｉｎｆｏｒｍ． Ｔｈｅｏｒｙ，
１９７８，ＩＴ－２４（１） ：７６－８０．
［１３］ Ｔｓｕｉ Ｊ Ｂ Ｙ． Ｆｕｎｄａｍｅｎｔａｌｓ ｏｆ Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ
Ｒｅｃｅｉｖｅｒｓ Ａ Ｓｏｆｔｗａｒｅ Ａｐｐｒｏａｃｈ． ２ｎｄ Ｅｄ．． Ｊｏｈｎ Ｗｉｌｅｙ ＆
Ｓｏｎｓ， Ｉｎｃ．， ２００５􀆰 ２１０－２２８．
［１４］ Ｋａｐｌａｎ Ｅ． Ｕｎｄｅｒｓｔａｎｄｉｎｇ ＧＰＳ： Ｐｒｉｎｃｉｐｌｅｓ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ．
２ｎｄ Ｅｄ．． Ｎｏｒｗｏｏｄ， ＭＡ：Ａｒｔｅｃｈ Ｈｏｕｓｅ， Ｉｎｃ．， ２００６．
［１５］ Ｈｅｋｓｔｒａ Ａ Ｐ． Ａｎ ａｌｔｅｒｎａｔｉｖｅ ｔｏ ｍｅｔｒｉｃ ｒｅｓｃａｌｉｎｇ ｉｎ Ｖｉｔｅｒｂｉ
ｄｅｃｏｄｅｒｓ． ＩＥＥＥ Ｔｒａｎｓ． Ｃｏｍｍｕｎ．， １９８９， ３７ （ １１） ： １２２０ －
１２２２．
［ １６］ Ｏｎｙｓｚｃｈｕｋ Ｉ Ｍ， Ｃｈｅｕｎｇ Ｋ⁃Ｍ， Ｃｏｌｌｉｎｓ Ｏ． Ｑｕａｎｔｉｚａｔｉｏｎ ｌｏｓｓ
ｉｎ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｄｅｃｏｄｉｎｇ． ＩＥＥＥ Ｔｒａｎｓ． Ｃｏｍｍｕｎ．， １９９３，
４１（２） ：２６１－２６５．