Decodificación de Códigos Lineales

1. Decodificación de Máxima Verosimilitud (ML)

Definición:

• También conocida como Maximum Likelihood Decoding.
• Consiste en decodificar el vector recibido seleccionando el codeword con mayor probabilidad de haber sido enviado.
• Si hay más de un codeword con la misma probabilidad máxima, se elige uno aleatoriamente.

Interpretación:

• La decodificación ML asigna al vector recibido el codeword más cercano en términos de distancia de Hamming.

2. Decodificación por Síndrome

Definición:

• Método que utiliza el síndrome para decodificar un vector recibido.
• El síndrome se define como: $$s = H r^T,$$ donde $H$ es la matriz de control y $r$ es el vector recibido.

Propiedades:

• Las clases laterales del espacio vectorial definido por el código son claves en este método.
• Cada clase lateral está representada por un vector coset líder, y los síndromes de estos líderes son únicos.

Ejemplo:

1. Hallar los codewords del código $C$.
2. Determinar cuántas clases laterales distintas tiene el código.
3. Verificar que la unión de las clases laterales cubra todo el espacio vectorial.

3. Ejemplo Práctico de Decodificación por Síndrome

Pasos:

1. Hallar los codewords del código $C$ generado por una matriz $G$.
2. Identificar representantes de las clases laterales.
3. Calcular los síndromes de los representantes.
4. Decodificación: Si se recibe un mensaje $v = 10011$, decodificarlo usando el síndrome.

4. Ejercicios y Aplicaciones

Ejercicio:

• Considere un código $C$ generado por una matriz $G$.
  Realice lo siguiente:
  1. Halle los codewords del código.
  2. Encuentre los representantes de las clases laterales.
  3. Calcule los síndromes de estos representantes.
  4. Decodifique un vector recibido utilizando la matriz de control $H$.

Aplicaciones:

• La decodificación por síndrome es ampliamente utilizada en sistemas de telecomunicaciones para corregir errores de transmisión.
• La decodificación de máxima verosimilitud se emplea cuando se prioriza la probabilidad de decodificación correcta.