Ein dynamisches Programmierverfahren, das symbol‑ bzw. bitweise a‑posteriori‑Wahrscheinlichkeiten auf einem endlichen Zustands‑Trellis durch Vorwärts‑ und Rückwärtsrekursionen über Zustands‑ und Zweigmetriken berechnet; liefert Soft‑Ausgaben (a‑posteriori‑Wahrscheinlichkeiten oder Log‑Likelihood‑Ratios) für jedes Symbol bei gegebenem probabilistischem Kanal und explizitem Zustandsmodell.

Prinzip

Marginale a‑posteriori‑Wahrscheinlichkeiten einzelner Symbole lassen sich effizient erhalten, indem Vorwärts(α)‑ und Rückwärts(β)‑Zustandsrekursionen mit lokalen Zweigmetriken (γ) kombiniert werden, statt sämtliche Sequenzwahrscheinlichkeiten zu enumerieren.

Demonstration

Illustratives Beispiel: Dekodierung eines binären Faltungscodes mit bekanntem Trellis und verrauschter Empfangsfolge. Berechne α_t(Zustand) vorwärts für t=1..T, berechne β_t(Zustand) rückwärts für t=T..1, bilde Pr(u_t|y)=Σ_{Zweigsprüngen kompatibel mit u_t} α_{t−1}(s')·γ_t(s'→s)·β_t(s). Ergebnis sind bitweise Posterior‑Wahrscheinlichkeiten und LLRs als Soft‑Inputs für nachfolgende Decoder.

Fehlanwendung

Die BCJR‑Ausgabe als exakt anzusehen, obwohl das Trellis oder Kanalmodell falsch ist (z. B. falsche Rauschvarianz oder fehlerhafte Zustandsübergänge), ist ein Fehler; ebenso die Verwechslung von Viterbi‑Sequenzschätzungen mit BCJR‑Symbol‑Posteriors (Sequenz‑MAP ≠ Symbol‑MAP).

Konsequenz

Bei korrektem Trellis und Kanalmodell liefert BCJR die symbolweisen MAP‑Wahrscheinlichkeiten des Modells und erlaubt soft‑input‑iteratives Dekodieren; bei Fehlanwendung (Modell‑Mismatch) können die Posteriors systematisch verzerrt sein und nachfolgende Soft‑Verarbeitung verschlechtern.

Umkehrung

Die Exaktheit setzt einen endlichen, handhabbaren Zustandsraum und ein genaues probabilistisches Modell voraus; bei sehr großen oder kontinuierlichen Zustandsräumen sind Approximationen (reduzierter‑State BCJR, Partikelmethoden) erforderlich und exakte MAP‑Garantien entfallen.

Abgrenzung

Klar innerhalb: Dekodierung eines Faltungscodes endlicher Speicherlänge oder Inferenz in einem endlichen Hidden‑Markov‑Modell mit bekannten Kanalstatistiken. Grenzfall: Kanal mit Gedächtnis und unsicheren Parametern, BCJR läuft mit geschätzten Parametern, Posteriors spiegeln diese Unsicherheit. Klar außerhalb: Einsatz von BCJR ohne explizites Zustandsmodell (gedächtnisloser Kanal, bei dem symbolweiser MAP ohne Trellis trivial ist).

Semantische Spannung

Exakte Marginalisierung (modellbasierte optimalität) versus Rechenaufwand und Modelltreue: exakte BCJR‑Posteriors sind unter dem angenommenen Modell optimal, aber hoher Aufwand oder Modellfehler können approximative Methoden bevorzugen.

Synthese

BCJR verwandelt das globale Sequenzwahrscheinlichkeitsproblem durch dynamische Programmierung in lokale, exakte Symbol‑Posteriors; seinen praktischen Nutzen bestimmen Modelltreue und Zustandsraumgröße.