BP译码算法mark

目标：找到满足校验方程$\mathbf{H}\cdot \mathbf{e}=\mathbf{s}$的错误图样集合$\mathbf{E}$中可能性最大的$\mathbf{e}=[e_1,e_2,...,e_n]$。

目标的数学表达：
${\mathbf{e}}_{\mathrm{MW}}\mapsto {\mathrm{ARGMAX}}_{\mathbf{e}}P(\mathbf{e}\mid \mathbf{s})$，其中${\mathbf{e}}_{\mathrm{MW}}$表示具有最小权重的错误图样。在假定噪声按位相互独立时，该问题可以分解为$e_i=1$的边缘概率的计算：$P_1\left(e_i\right)={\sum }_{\mathbf{e}\sim e_i}P\left(e_1,e_2,e_i=1,e_3,\dots ,e_n\mid \mathbf{s}\right)$，之后利用概率进行判决${\left(e_{\mathrm{MW}}\right)}_i=\{\begin{array}{ll}1,& \text{ if }{P}_1\left(e_i\right)⩾0.5,\\ 0,& \text{ if }{P}_1\left(e_i\right)<0.5\end{array}$

BP译码算法优点：有效计算边缘概率，分解概率分布$P(\mathbf{e}\mid \mathbf{s})$通过减少边缘计算中重复求和次数的方式计算

针对分解概率分布举个例子，假设有四个二值变量$\mathbf{x}=[x_1,x_2,x_3,x_4]$，在不知道这几个变量依赖关系的情况下，用一个联合概率$p(\mathbf{x})$表来记录每一种取值的概率需要$2^4-1$个参数，如果存在一个如下图概率图所示的依赖关系：

那么得到简化后的分解结果为：$p(\mathbf{x})=p\left(x_1\right)p\left(x_2\mid x_1\right)p\left(x_3\mid x_1\right)p\left(x_4\mid x_2,x_3\right)$
针对减少边缘计算中重复求和次数的方式：见和积算法

输入：奇偶校验矩阵$\mathbf{H}$和特征值$\mathbf{s}$。
思想：通过因子图的节点之间传递“置信度”集来迭代更新软决策向量$P_1(\mathbf{e})$。每一轮迭代中BP译码会通过$P_1(\mathbf{e})$上的硬判决输出一个${\mathbf{e}}_{BP}$，如果满足校验方程$\mathbf{H}\cdot {\mathbf{e}}_{BP}=\mathbf{s}$，则BP算法收敛，中止迭代返回该${\mathbf{e}}_{BP}$。

具体过程依照这个顺序看下去基本就懂了

1. 从零学习Belief Propagation算法
2. 置信传播（Belief Propagation）与链式有向图模型前向后向算法——CVMLI Prince读书随笔第11章
3. 5G NR QC-LDPC的解码方法（BP译码算法）（四）