Me alegra ver a estudiantes de secundaria interesados en un tema que requeriría muchos antecedentes hasta el último año de estudios de pregrado.
“Me imagino que esperarías hasta tener todos los bits, luego simplemente encontrarás el porcentaje que es 1. Entonces puedes inferir 0 a 1-Pr (1).
Pero eso es solo una suposición. Quiero decir, ¿no podría ser solo un 50/50? ”
– Esto no es probable. Para calcular el índice de probabilidad de registro para LDPC, primero debe comprender qué es la probabilidad.
- ¿Cuál es un ejemplo de un montón que requiere exactamente n * log (n) pasos? Sé que el límite superior de un montón es O (n log n), pero ¿cómo hago para mostrar un ejemplo donde requiera exactamente n * log (n) pasos?
- ¿Cuál es el lado teórico detrás de la informática?
- ¿Se puede aplicar la proporción áurea (Fibonacci) con beneficios en informática?
- ¿Por qué este bucle, usado para agregar caracteres adyacentes en un vector, produce una salida extraña?
- ¿Los programadores de computadoras usan Pi para crear un número 'aleatorio'?
Por ejemplo, está transmitiendo una señal simple de A a B, que podría ser +1 o -1. Denotemos la señal transmitida en A como x. La señal recibida en B es y = x + n, donde n es el ruido en el canal entre A y B. Normalmente suponemos que es gaussiano en los canales de comunicación. La probabilidad se define como la probabilidad de obtener y si transmite x, denotado como P (y | x).
Cuando reciba y, deberá determinar cuál es la señal transmitida x. El enfoque óptimo es la regla max a posteriori (MAP), que es encontrar la señal transmitida que maximiza P (x | y). Tiene sentido, ¿verdad? Solo debes elegir el más probable según lo que tienes. Con un símbolo transmitido igualmente probable, es equivalente a la máxima verosimilitud (ML), es decir, usted elige la señal x entre +1 y -1 que maximiza P (y | x).
Lo que alimentamos al decodificador LDPC, es solo el registro (p (y | x = + 1) / p (y | x = -1)), que se llama relación de probabilidad de registro. Si suponemos que el ruido gaussiano n tiene 0 media y varianza s, entonces p (y | x = a) = 1 / sqrt (2 * pi) * exp (- (ya) ^ 2 / (2s)). Todo lo que necesitas es un conocimiento básico de probabilidad para entender esto.
