Algorithme par programmation dynamique qui calcule les probabilités a posteriori symbole‑par‑symbole ou bit‑par‑bit sur un treillis à états finis en effectuant des récurrences avant et arrière sur des métriques d’état et des métriques de branche ; fournit des sorties « soft » (probabilités postérieures ou rapports de vraisemblance logarithmiques) pour chaque symbole à partir d’un modèle probabiliste du canal et d’un modèle d’états explicite.

Principe

Les probabilités postérieures marginales d’un symbole individuel s’obtiennent efficacement en combinant les récurrences avant (α) et arrière (β) des états avec les métriques locales de branche (γ), sans énumérer toutes les suites possibles.

Démonstration

Scénario illustratif : décodage d’un code convolutionnel binaire sur un treillis connu et réception bruyante. Calculer α_t(état) de t=1 à T en avant, calculer β_t(état) de T à 1 en arrière, puis former Pr(u_t|y)=Σ_{transitions compatibles avec u_t} α_{t−1}(s')·γ_t(s'→s)·β_t(s). On obtient des probabilités bit‑par‑bit et des LLR utilisables comme entrées « soft » pour d’autres décodeurs.

Mauvaise application

Considérer les sorties BCJR comme exactes malgré un treillis ou un modèle de canal erroné (par ex. variance de bruit incorrecte ou transitions d’état mal spécifiées) est une erreur ; substituer l’estimation de séquence Viterbi aux postérieures BCJR confond MAP de séquence et croyances MAP par symbole.

Conséquence

Avec le treillis et le modèle de canal corrects, BCJR fournit les probabilités MAP par symbole pour ce modèle et permet le décodage itératif soft‑input. En cas de mauvaise application (mauvais modèle ou treillis), les postérieures affichées peuvent être biaisées et détériorer tout traitement soft en aval.

Inversion

L’exactitude dépend d’un espace d’états fini et gérable et d’un modèle probabiliste exact ; pour des espaces d’états très grands ou continus il faut recourir à des approximations (BCJR à états réduits, méthodes particulaires) et les garanties MAP exactes n’existent plus.

Limite

Manifestement dans le champ : décodage d’un code convolutionnel à mémoire finie ou inférence dans un modèle de Markov caché à états finis avec statistiques de canal connues. Cas limite : canal à mémoire avec paramètres incertains où BCJR s’exécute sur paramètres estimés mais les postérieures reflètent cette incertitude. Manifestement hors du champ : utiliser BCJR sans modèle d’état explicite (détection symbole‑par‑symbole mémoire‑nulle où le MAP par symbole est trivial sans treillis).

Tension sémantique

Marginalisation exacte (optimalité statistique sous le modèle) versus coût de calcul et précision du modèle : des postérieures BCJR exactes sont optimales sous le modèle supposé, mais un coût élevé ou un modèle inexact peut rendre préférables des méthodes approximatives.

Synthèse

BCJR transforme le problème global de probabilité de séquence en postérieures locales exactes par programmation dynamique ; son utilité pratique dépend autant de la spécification correcte du modèle et de la taille de l’espace d’états que de son optimalité formelle.