Eine Entscheidungsregel, die die übertragene Symbolsfolge (oder den Symbolvektor) auswählt, die unter einem gegebenen Kanal‑ und Rauschmodell die Likelihood des beobachteten Empfangssignals maximiert; für lineare Kanäle mit additivem weißem Gaußschen Rauschen reduziert sich dies auf die Auswahl der Folge, die die euklidische Distanz zwischen vorhergesagtem und empfangenem Signal minimiert.

Prinzip

Unter dem angenommenen Kanal‑ und Rauschmodell minimiert die ML‑Detektion die Wahrscheinlichkeit, eine falsche Folge zu wählen (Fehlerwahrscheinlichkeit der Folge), weil sie die Folge mit der höchsten bedingten Wahrscheinlichkeit für die Beobachtung auswählt; ML ist modellabhängig und wird für große Symbolalphabete oder lange Sequenzen aufgrund des exponentiellen Suchraums rechnerisch unpraktisch.

Demonstration

Situation: MIMO‑Blockübertragung mit bekannter Kanalmatrix H und AWGN. Erkennung: ML‑Detektor berechnet die Likelihood p(y|x,H) für jeden Kandidatenvektor x. Aktion: Metrik ||y−Hx||^2 für alle x im kartesischen Produkt der Konstellation auswerten und das x mit minimaler Metrik wählen. Folge: Der gewählte Vektor ist die ML‑Sequenzlösung und erzielt die geringste Sequenzfehlerwahrscheinlichkeit unter dem Modell, doch der exhaustive Suchaufwand wächst exponentiell mit Antennenzahl und Konstellationsgröße.

Fehlanwendung

ML‑Detektion anzuwenden unter der Annahme, die Zielfunktion sei robust gegenüber Modellfehlern — z. B. ML für AWGN zu verwenden, wenn das Rauschen impulsiv ist, oder eine falsche Kanalmatrix zu nutzen — führt zu suboptimalen oder irreführenden Ergebnissen. Der Fehler besteht darin, Modellunabhängigkeit vorauszusetzen: ML‑Optimalität gilt nur unter den getroffenen Modellannahmen.

Konsequenz

ML‑Detektion definiert eine Leistungsgrenze (minimal erreichbare Sequenzfehlerwahrscheinlichkeit unter dem Modell) und motiviert approximative oder komplexitätsreduzierte Algorithmen (Sphere‑Decoding, Branch‑and‑Bound, sukzessive Interferenzunterdrückung). Praktisch ist ML für Echtzeitsysteme mit hoher Dimensionalität oft nicht durchführbar, wodurch Abwägungen zwischen Optimalität und Komplexität entstehen.

Umkehrung

Sind a‑priori Wahrscheinlichkeiten über Sequenzen nicht uniform oder unterscheiden sich Kosten (Bitfehler vs Sequenzfehler), können MAP‑ oder andere Entscheidungsregeln vorzuziehen sein; bei Bedarf an bitweisen posterioren Wahrscheinlichkeiten oder bei Modellunsicherheit können Bayes‑ oder robuste Detektoren die naive ML übertreffen. ML‑Leistungsaussagen fallen außerdem weg, wenn das angenommene Kanal‑/Rauschmodell falsch ist.

Abgrenzung

Eindeutig innerhalb: Block‑ oder Sequenzdetektion mit vollständig spezifiziertem Kanal‑ und Rauschmodell, wo eine exhaustive Auswertung des diskreten Symbolraums möglich ist. Randfall: eingeengte Suchen (z. B. symbolweise ML vs sequenzielle ML), die Komplexität reduzieren, aber das Entscheidungsprinzip ändern. Eindeutig außerhalb: lineare, suboptimale Detektoren (ZF, MMSE) und heuristische Empfänger, die die Likelihood nicht exakt maximieren.

Semantische Spannung

Optimalität vs. Durchführbarkeit: ML liefert unter Modellannahmen die beste Sequenzfehlerleistung, verursacht jedoch exponentielle Rechenkosten, sodass praktische Systeme zwischen Detektionsgenauigkeit und Implementierungsaufwand abwägen müssen.

Synthese

Maximum‑Likelihood‑Detektion ist der formale optimale Detektor für ein explizites Modell und legt damit die Leistungsgrenze fest; in der Praxis zwingen Rechenaufwand und Modellempfindlichkeit zu approximativen Algorithmen oder alternativen Kriterien, je nach Komplexitätsanforderungen, Vorwissen und Robustheitsbedürfnis.