解码器：通用极大似然解码器、线性码的校验子解码器、BCH码的PGZ解码器

极大似然解码器

对于任意（非线性、线性）编码$\mathcal{C}\subseteq {\Sigma }^n$，

1. 输入接收到的字$y\in {\Sigma }^n$，任取码字$c\in \mathcal{C}$，计算汉明距离$d\leftarrow dist(c,y))$，令$z\leftarrow c$
2. 对于$\mathcal{C}$中所有的码字$c^{\prime }\ne c$
   1. 计算$d^{\prime }\leftarrow dist(c^{\prime },y)$
   2. 如果$d^{\prime }<d$，那么令$z\leftarrow c^{\prime }$，且记录$d\leftarrow d^{\prime }$
3. 输出$z\in \mathcal{C}$

线性码解码器

对于任意$(n,k,d)$线性码$\mathcal{C}\subseteq GF(q{)}^n$，校验矩阵为$H$，令$t=\lfloor (d-1)/2\rfloor$

1. 输入接收到的字$y\in GF(q{)}^n$
2. 对于$i=0,\cdots ,t$，执行
   • 遍历错误位置$S\subseteq [n],|S|=i$，执行
     • 遍历错误$e\in GF(q{)}^n$，满足汉明重量$wt(e_S)=i$
       • 如果$(y-e)\cdot H^T=0$，那么输出$y-e\in \mathcal{C}$
3. 输出$Fail$

这其实也是极大似然法，从$i=0,\cdots ,t$依次测试，输出的是汉明距离最近的（其实也是半径$t$的汉明球内唯一的）码字。由于$t=\lfloor (d-1)/2\rfloor$，因此输出$Fail$时，字$y$与多个码字的距离一样大。

对于汉明重量至多为$t$的错误$e_1\ne e_2$，计算校验子$s_1=e_1{H}^T$和$s_2=e_2{H}^T$，假设$s_1=s_2$，那么$(e_1-e_2)H^T=0$，从而$e_1-e_2\in \mathcal{C}$，这与$d_{min}\ge 2t+1$矛盾。因此，任意可纠正的错误图样$e$，都一一对应于某个校验子的值。我们有第二种解码算法：

1. 构造预计算表，里面的字典元素是键值对 { s = e H T : e } \{s=eH^T:e\} {s=eHT:e}
2. 输入接收到的字$y\in GF(q{)}^n$，计算$s\leftarrow y{H}^T$
3. 查表，如果存在键值$s$，对应的错误图样为$e$，输出$y-e\in \mathcal{C}$；否则输出$Fail$

循环码解码器

对于任意$(n,k,d)$循环码$\mathcal{C}\subseteq GF(q{)}^n$，生成多项式为$g(x)$，校验多项式为$h(x)$，令$t=\lfloor (d-1)/2\rfloor$

1. 输入接收到的字$y\in GF(q{)}^n$，计算$Y=NTT(y)$，$H=NTT(h)$
2. 对于$i=0,\cdots ,t$，执行
   • 遍历错误位置$S\subseteq [n],|S|=i$，执行
     • 遍历错误$e\in GF(q{)}^n$，满足汉明重量$wt(e_S)=i$
       • 如果$(Y-NTT(e))\cdot H=0^n$，那么输出$y-e\in \mathcal{C}$
3. 输出$Fail$

这就是线性码解码器的变体，只不过可以通过多项式卷积来判断它是否是个码字。

同样的，第二种解码算法：

1. 构造预计算表，里面的字典元素是键值对 { s ( x ) = R g ( x ) [ e ( x ) ] : e ( x ) } \{s(x)=R_{g(x)}[e(x)]:e(x)\} {s(x)=Rg(x)​[e(x)]:e(x)}
2. 输入接收到的字$y\in GF(q{)}^n$，计算$s(x)\leftarrow R_{g(x)}[y(x)]$
3. 查表，如果存在键值$s(x)$，对应的错误图样为$e(x)$，输出$y-e\in \mathcal{C}$；否则输出$Fail$

BCH码的PGZ解码器

对于设计距离为$d=2t+1$的BCH码$\mathcal{C}\subseteq GF(q{)}^n$，选取$n$次单位根$w$

一个错误多项式可以写作：$e(x)={\sum }_{i=0}^{n-1}{e}_i{x}^i$，其中有至多$t$个系数非零。假设有$0\le v\le t$个位置发生错误，将它们记做$i_1,\cdots ,i_v$，那么
$$e(x)=e_{i_1}{x}^{i_1}+\cdots +e_{i_v}{x}^{i_v}$$
其中$e_{i_l}\in GF(q)$是位置$i_l$处的错误大小。

不失一般性地，令$j_0=1$，那么BCH码的根为$w,w^2,\cdots ,w^{2t}$，计算字$c(x)+e(x)$的频域校验子（frequency-domain syndromes），
$$S_j=c(w^j)+e(w^j)=e(w^j)$$
那么
$$S_j=e_{i_1}{w}^{j{i}_1}+\cdots +e_{i_v}{w}^{j{i}_v},j=1,\cdots ,2t$$
简记错误值$Y_l=e_{i_l}$（error-value），错误位置$X_l=w^{i_l}$（error-location），就化为了关于$2v$个未知元的$2t$个非线性方程：
$$\begin{array}{rl}{S}_1& =Y_1{X}_1+Y_2{X}_2+\cdots +Y_v{X}_v\\ S_2& =Y_1{X}_1^2+Y_2{X}_2^2+\cdots +Y_v{X}_v^2\\ & ⋮\\ S_{2t}& =Y_1{X}_1^{2t}+Y_2{X}_2^{2t}+\cdots +Y_v{X}_v^{2t}\end{array}$$
上述非线性方程组难以直接求解，我们首先计算错误定位器（error-locator），
$$\begin{array}{rl}\Lambda (x)& =(1-x{X}_1)(1-x{X}_2)\cdots (1-x{X}_v)\\ & =1+\sum _{i=1}^v{\Lambda }_i{x}^i\end{array}$$
一旦我们知道了它的系数${\Lambda }_i$，我们就可以计算出它的零点$X_l^{-1},l=1,\cdots ,v$，从而得到错误位置$X_l$的值！

对于$l=1,\cdots ,v$，计算

$$Y_l{X}_l^{j+v}\cdot \Lambda (X_l^{-1})=Y_l(X_l^{j+v}+{\Lambda }_1{X}_l^{j+v-1}+\cdots +{\Lambda }_v{X}_l^j)=0$$

相加得到

$$\begin{array}{rl}0& =\sum _{l=1}^v{Y}_l{X}_l^{j+v}+{\Lambda }_1\sum _{l=1}^v{Y}_l{X}_l^{j+v-1}+\cdots +{\Lambda }_v\sum _{l=1}^v{Y}_l{X}_l^j\\ & =S_{j+v}+{\Lambda }_1{S}_{j+v-1}+\cdots +{\Lambda }_v{S}_j\end{array}$$

由于频域校验子$S_j,j=1,\cdots ,2t$容易计算，我们就得到了非齐次线性方程组：

$$\left[\begin{array}{cccc}{S}_1& S_2& \cdots & S_v\\ S_2& S_3& \cdots & S_{v+1}\\ ⋮& & & \\ S_v& S_{v+1}& \cdots & S_{2v-1}\end{array}\right]\cdot \left[\begin{array}{c}{\Lambda }_v\\ {\Lambda }_{v-1}\\ ⋮\\ {\Lambda }_1\end{array}\right]=\left[\begin{array}{c}-S_{v+1}\\ -S_{v+2}\\ ⋮\\ -S_{2v}\end{array}\right]$$

定理：假设$e(x)$的汉明重量为$v$，计算校验子方阵

$$M_u=\left[\begin{array}{cccc}{S}_1& S_2& \cdots & S_u\\ S_2& S_3& \cdots & S_{u+1}\\ ⋮& & & \\ S_u& S_{u+1}& \cdots & S_{2u-1}\end{array}\right]$$

如果$u=v$，那么它是非奇异的；如果$u>v$，那么它是奇异的。

Peterson algorithm：

1. 输入字$c(x)+e(x)$，计算频域校验子$S_j=e(w^j),j=1,\cdots ,2t$
2. 对于$u=t,t-1,\cdots$，依次计算$det(M_u)$，直到$det(u)\ne 0$，于是我们找到了错误的汉明重量$v=u$
3. 计算$M_v$的逆矩阵，求解线性方程组得到错误定位器$\Lambda (x)$的系数${\Lambda }_1,\cdots ,{\Lambda }_v$
4. 计算$\Lambda (x)$的零点$X_l^{-1},l=1,\cdots ,v$，从而得到错误位置$X_l=w^{w^{i_l}}$的值

于是，我们便把非线性方程组化为了关于$Y_1,\cdots ,Y_v$的线性方程组：

$$\left[\begin{array}{cccc}{X}_1& X_2& \cdots & X_v\\ X_1^2& X_2^2& \cdots & X_v^2\\ ⋮& & & \\ X_1^{2t}& X_2^{2t}& \cdots & X_v^{2t}\end{array}\right]\cdot \left[\begin{array}{c}{Y}_1\\ Y_2\\ ⋮\\ Y_v\end{array}\right]=\left[\begin{array}{c}{S}_1\\ S_2\\ ⋮\\ S_{2t}\end{array}\right]$$

且因为$X_1,\cdots ,X_v$是不同的非零值，所以范德蒙矩阵（Vandermonde matrix）的行列式非零，

$$det\left[\begin{array}{cccc}1& 1& \cdots & 1\\ X_1& X_2& \cdots & X_v\\ X_1^2& X_2^2& \cdots & X_v^2\\ ⋮& & & \\ X_1^{v-1}& X_2^{v-1}& \cdots & X_v^{v-1}\end{array}\right]\ne 0$$

于是只需前$v$行，就可以计算出错误规模$Y_1,\cdots ,Y_v$的唯一值。

Gorenstein–Zierler algorithm：

1. 输入字$c(x)+e(x)$，计算频域校验子$S_j=e(w^j),j=1,\cdots ,2t$
2. 根据 Peterson algorithm 计算得到的错误位置$X=[X_1,\cdots ,X_v]\in GF(q{)}^v$的值，由向量$X$计算其他向量$X^2,\cdots ,X^v$，构建方阵$[X,X^2,\cdots ,X^v{]}^T$
3. 计算上述方阵的逆矩阵，求解线性方程组得到错误值$Y_1,\cdots ,Y_v$
4. 根据$X_i$和$Y_j$，恢复出$e(x)$，从而输出码字$c(x)\in \mathcal{C}$

虽然在分析中选取了$j_0=1$，但上述算法对于任意的$j_0$都有效。

在Peterson algorithm中，可以先计算$rank(M_t)$，由于$|M_v|$是$|M_t|$的余子式，因此$v\le rank(M_t)$，对于$u>rank(M_t)$的$det(M_u)$不必挨个测试。对于$\Lambda (x)$的零点，方法是遍历所有的$n$个可能的$w^j$，利用 Horner’s rule 依次计算$\Lambda (w^j)=0$是否成立，复杂度$O(nv)$。也可以使用NTT变换，根据频域分量是否为$0\in GF(q^m)$来确定零点。