Règle de détection qui choisit la séquence de symboles (ou vecteur de symboles) transmise qui maximise la vraisemblance du signal reçu observé selon un modèle de canal et de bruit donné ; pour des canaux linéaires avec bruit blanc gaussien additif, cela équivaut à choisir la séquence minimisant la distance euclidienne entre le signal prédit et le signal reçu.

Principe

Sous le modèle de canal et de bruit supposé, la détection ML minimise la probabilité de sélectionner une séquence transmise incorrecte (probabilité d'erreur de séquence) en choisissant la séquence ayant la probabilité conditionnelle la plus élevée de produire l'observation ; la ML dépend du modèle et devient intractable pour de grands alphabets de symboles ou de longues séquences en raison de l'explosion combinatoire.

Démonstration

Situation : transmission par bloc MIMO avec matrice de canal H connue et AWGN. Reconnaissance : le détecteur ML calcule la vraisemblance p(y|x,H) pour chaque vecteur candidat x. Action : évaluer la métrique ||y−Hx||^2 pour tous les x du produit cartésien de la constellation et sélectionner x minimisant la métrique. Conséquence : le vecteur choisi est la solution ML de séquence et donne la plus faible probabilité d'erreur de séquence sous le modèle, mais le coût de recherche exhaustive croît exponentiellement avec le nombre d'antennes et la taille de la constellation.

Mauvaise application

Appliquer la détection ML en supposant que son optimalité est robuste aux erreurs de modèle — par exemple utiliser ML dérivée pour AWGN quand le bruit est impulsif, ou employer une matrice de canal incorrecte — conduit à des résultats sous‑optimaux ou trompeurs. L'erreur est de supposer l'indépendance vis‑à‑vis du modèle : l'optimalité ML tient seulement sous les hypothèses du modèle.

Conséquence

La détection ML établit une référence de performance (probabilité minimale d'erreur de séquence réalisable sous le modèle) et motive des algorithmes approchés ou à complexité réduite (sphere decoding, branch‑and‑bound, annulation itérative d'interférence). En pratique, ML peut être irréalisable en temps réel pour des systèmes de grande dimension, imposant des arbitrages entre optimalité et complexité.

Inversion

Si les probabilités a priori sur les séquences sont non uniformes ou si les coûts diffèrent (erreur bit par bit vs erreur de séquence), MAP ou d'autres règles de décision peuvent être préférables ; lorsque l'on requiert des probabilités partielles (postérieurs bit à bit) ou en présence d'incertitude sur le modèle, des détecteurs bayésiens ou robustes peuvent surpasser la ML naïve. De plus, les revendications de performance ML échouent si le modèle canal/bruit supposé est incorrect.

Limite

Clairement dans : détection de bloc ou de séquence avec modèle de canal et de bruit entièrement spécifié où l'évaluation exhaustive de l'espace discret des symboles est possible. Cas limite : recherches contraintes (p. ex. ML par symbole vs ML de séquence) qui réduisent la complexité mais changent le critère de décision. Clairement hors : détecteurs linéaires sous‑optimaux (ZF, MMSE) et récepteurs heuristiques qui ne maximisent pas la vraisemblance sous le modèle exact.

Tension sémantique

Optimalité vs tractabilité : la ML fournit la meilleure performance en erreur de séquence sous les hypothèses du modèle mais implique un coût computationnel exponentiel, forçant les systèmes réels à arbitrer entre précision de détection et complexité d'implémentation.

Synthèse

La détection du maximum de vraisemblance est le détecteur formellement optimal sous un modèle explicite et définit donc l'objectif de performance ; en pratique, son fardeau computationnel et sa sensibilité au modèle poussent à employer des algorithmes approximatifs ou des critères alternatifs selon les contraintes de complexité, l'information a priori et l'exigence de robustesse.