In the complexity-reduced ML detect

In the complexity-reduced ML detection methods such as SD and QRM-MLD methods, ML metric values for all the possible transmitted vectors are not available. Since the ML vector can be found after calculating ML metric values for a small set of vectors in SD, complexity can be reduced without hard-decision performance degradation. When soft output or LLR values are required, however, the SD performance is worse than that of ML detection, because only a small set of vectors is considered. Let B denote a set of candidate vectors obtained from the complexity-reduced ML detection methods. Recall that z denote the set of vectors that the lth bit value of the ith symbol is 1 or 0, respectively. If the ML metric values are available only for a subset of the transmitted vectors, the bit-level LLR values in Equation (11.106) must be approximated as

Kết quả (Việt) 1:

Trong các phức tạp-giảm ML phát hiện phương pháp chẳng hạn như SD và QRM-MLD phương pháp, ML số liệu giá trị cho tất cả các vectơ truyền có thể không có sẵn. Kể từ khi ML vector có thể được tìm thấy sau khi tính toán giá trị số liệu ML cho một tập hợp nhỏ các vectơ trong SD, phức tạp có thể được giảm mà không có sự xuống cấp hiệu suất quyết định khó khăn. Khi mềm sản lượng hoặc giá trị LLR được yêu cầu, Tuy nhiên, hiệu suất SD là tồi tệ hơn so với phát hiện ML, bởi vì chỉ là một nhỏ đặt của vectơ xem xét. Cho phép B biểu thị một tập hợp các ứng cử viên vectơ thu được từ phương pháp phức tạp-giảm phát hiện ML. Nhớ lại rằng z biểu thị các thiết lập của vectơ rằng lth chút giá trị biểu tượng ith là 1 hoặc 0, tương ứng. Nếu các giá trị số liệu ML là chỉ có sẵn cho một tập hợp con của vectơ truyền, Các giá trị LLR chút cấp trong phương trình (11.106) phải được xấp xỉ như

Kết quả (Việt) 2:

Trong ML phương pháp phát hiện phức tạp-giảm như SD và phương pháp QRM-MLD, giá trị metric ML cho tất cả các vectơ truyền có thể không có sẵn. Kể từ khi vector ML có thể được tìm thấy sau khi tính toán giá trị metric ML cho một nhóm nhỏ các vectơ trong SD, phức tạp có thể được giảm mà không làm giảm hiệu suất khó quyết định. Khi đầu ra mềm hoặc LLR giá trị được yêu cầu, tuy nhiên, hiệu suất SD là tồi tệ hơn so với phát hiện ML, bởi vì chỉ có một nhóm nhỏ các vector được xem xét. Cho B biểu thị một tập các vectơ ứng cử viên thu được từ các phương pháp phát hiện phức tạp ML-giảm. Nhớ z là biểu thị tập hợp các vector rằng giá trị lth chút biểu tượng thứ i là 1 hoặc 0, tương ứng. Nếu các giá trị metric ML chỉ sẵn có cho một tập hợp con của các vectơ truyền, các giá trị LLR bit cấp trong phương trình (11,106) phải được xấp xỉ như