一种顾及广义耦合暗信息的卷积码盲识别方法技术

本发明专利技术公开了一种顾及广义耦合暗信息的卷积码盲识别方法，主要研究的是(n，l，m)并行级联卷积码盲识别技术，属于信道编码盲识别技术领域，其技术方案如下：将接收码序列按不同长度进行分段，构建卷积码广义多项式暗信息的线性方程组，进行顾及广义耦合暗信息的并行级联卷积码校验向量盲估计，利用解向量与卷积码耦合多项式的校验关系，构建耦合多项式暗信息线性方程组，进一步计算得出卷积码耦合多项式。本发明专利技术对于高误码率具有较好的适应性，能识别并检测并行级联卷积码，适用于智能通信、信息处理等领域。

【技术实现步骤摘要】
一种顾及广义耦合暗信息的卷积码盲识别方法
本专利技术属于数字通信领域，涉及通信系统的编码参数的盲识别技术，特别涉及一种顾及广义耦合暗信息的卷积码盲识别方法。
技术介绍
信道编码技术在当前的数字通信系统中是具有广泛应用的，利用该技术能够对实现稳定的数据传输。就智能通信系统而言，假如需要将对方通信原始信息，包括视频等进行恢复，那么首先需要实现的目标是对信道编码进行盲识别，而且还可成功译码。经过一段时间的发展，目前在非合作信号处理领域，信道编码盲识别技术已然成为了众多学者的研究热点，很多学者都对此进行了深入研究，而且也取得了较为突出的研究成果。其中，并行级联卷积码的编码增益是相对较高的，因此在很多领域都表现出了较强的应用性，包括卫星通信等。经过文献整理后能够发现，在已有的文献中有关该领域的研究集中于利用矩阵分析实现对序列的有效检验，以及借助Walsh-Hadamard变化等方法进行的有效识别。下面对这几种方法进行简单的阐述。首先，通过矩阵分解进行序列校验，在这种方法中全部的码子序列按照特定顺序排序之后能够得到暗息矩阵，此时对于码子输出路数是可利用矩阵的秩来作为依据进行判断的。故此，可将矩阵进行简化，以实现对码子原始位置的准确判断，通过这种方式可更加容易从矩阵中实现对校验序列的提取，由此，借助校验关系以及校验序列即可获得多项式，通过这种方式可实现识别目标。然而，在该方法中是存在其不足之处的，主要在于利用这种方法，要求码子序列中具有的误码数量应当是尽量少的，如果误码太多，那么矩阵秩和其列数相同的可能性将会大大增加，那么久无法对矩阵进行简化求解了。通过对欧几里得算法进行改进而进行的识别算法设计，该方法中使得码子分路与欧几里得算法改进是同时进行的，由此能够获得n个码字多项式所对应的最高阶数的公因式，即可利用卷积码得到多项式。因此，该方法和上述所提及的矩阵算法是十分相类似的，故此，该方法同样对误码数量有一定要求，因此，只能是依靠多次重复试验，来从中选择误码数量少或者是没有的码序列来应用算法，这就使得算法应用范围是具有较大局限性的。在文献(Gómez-TorrecillasandLobilloandNavarro2016)中，对基于Walsh-Hadamard变换设计的识别方法进行了阐述。在这种方法中，并行级联卷积码被进行了划分，得到了诸多1/2码率卷积码，在Walsh-Hadamard方法中，能够获得全部的多项式。该方法具有的容错性能很好，要求相关传输满足一定条件，而且对于存储空间具有较大要求。通过上述分析能够得出，当前已有的识别方法在具体应用中是受到一定限制的，比如内存空间或是先验条件等等，而这些在实际中是难以有效满足的。
技术实现思路
本专利技术旨在解决现有技术中存在的技术问题，特别创新地提出了一种顾及广义耦合暗信息的卷积码盲识别方法，主要研究的是(n，1，m)并行级联卷积码盲识别技术。为了实现本专利技术的上述目的，本专利技术提供了一种顾及广义耦合暗信息的卷积码盲识别方法，其包括如下步骤：S1：将接收码序列按不同长度进行分段，构建卷积码广义多项式暗信息的线性方程组；S2：进行顾及广义耦合暗信息的并行级联卷积码检验向量盲估计；S3：利用解向量与卷积码耦合多项式的校验关系，构建耦合多项式暗信息线性方程组，进一步计算得出卷积码耦合多项式。本专利技术提出了一种顾及广义耦合暗信息的卷积码盲识别方法，设计提出了并行级联卷积码盲识别方法。该方法中遍历了所有的输出路线n，而且对多项式具有的最高阶数K进行了检验，将全部的码子序列构建形成了一个线性方程组，从该方程组对应的解向量中进行卷积码校验向量的分析，即耦合暗信息向量，通过这种方式能够获得卷积码对应的校验多项式，借助校验关系即可获得卷积码的生成多项式，由此来识别卷积码。本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：图1是本专利技术顾及广义耦合暗信息的卷积码盲识别方法的流程图；图2是本专利技术中n0＝3而且K0＝3时的检测向量；图3是本专利技术中算法在不同方程个数时对应的误码适应能力；图4是本专利技术中在10000bit卷积码下不同算法的误码适应能力。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。本专利技术公开了一种顾及广义耦合暗信息的卷积码盲识别方法，如图1所示，其包括如下步骤：S1：将接收码序列按不同长度进行分段，构建卷积码广义多项式暗信息的线性方程组；S2：进行顾及广义耦合暗信息的并行级联卷积码检验向量盲估计；S3：利用解向量与卷积码耦合多项式的校验关系，构建耦合多项式暗信息线性方程组，进一步计算得出卷积码耦合多项式。本专利技术提出了顾及耦合暗信息的并行级联卷积码识别方法，在本文方法中全部的n、K都遍历了，在此基础上实现了用以求解检验向量的方程组，而且此时可从获得的解向量中进行选择，以确保该选择是可能性最大的，而且可估计耦合多项式。通过仿真实验能够得出，本专利技术所设计的算法对于高误码率依旧具有较好的适应性。在工程应用以及智能控制等方面都是可以应用的，具有重要意义。本专利技术的方法详细过程如下：一、并行级联卷积码盲识别的数学模型建立1/n码率的卷积码代表的是将1路信息序列进行输入，并且使得n路编码序列能够输出，如果u(x)表示的是1/n码率卷积码的信息多项式，V(x)代表的是对应码子多项式矩阵，那么此时在环F2[x]上可通过下式来表示u(x)＝u0+u1x+…+ujxj+…(1)V(x)＝[v1(x)v2(x)…vn(x)](2)gi(x)表示的是卷积码耦合多项式，是与每1路输出相对应的，此时可利用下式来代表G(x)，即耦合多项式矩阵G(x)＝[g1(x)g2(x)…gn(x)](4)上式中，m代表的是gi(x)具有的约束长度，而且此时对于所有的gi(x)来讲，具有相同的约束长度。基于上述过程能够得出码字的输出顺序为卷积码的校验多项式矩阵设为H(x)，H(x)为一个(n-1)×n的多项式矩阵其中K为校验多项式的最高阶数，K≤m。H(x)与G(x)满足G(x)·HT(x)＝0(9)由式(6)和式(9)可知V(x)·HT(x)＝u(x)·G(x)·HT(x)＝0(10)1/n码率卷积码的盲识别就是通过接收的来实现对校验矩阵H(x)的恢复，由此，即可获得G(x)，通过这种方式来获得卷积码译码。二、顾及广义耦合暗信息的并行级联卷积码校验向量盲估计根据式(10)，可以得到此刻，只要vi(x)对应的最高阶数能够达到该校验关系的相关条件，那么此时就可将该多项式模型进行转化，获得二进制序列模型，即为方便构建方程组，式(12)可转换为分析式(13)能够得出，码子序列将会按照其输出路数n，以及K进行排列，由此来得到对应的暗息矩阵，L＝n(K+1)表示的是在该方程组中需要求解的未知参数，其中的h属于一个0、1向量，对应的长度为L，S表示的为向量空间，将全0向量从中剔除，其大小将会为(2L-1)×L。要求从2L-1个向量依据式(13)的要求，从中确定向量h，得到的h并不是唯一的本文档来自技高网...

【技术保护点】
一种顾及广义耦合暗信息的卷积码盲识别方法，其特征在于，包含如下步骤：S1：将接收码序列按不同长度进行分段，构建卷积码广义多项式暗信息的线性方程组；S2：进行顾及广义耦合暗信息的并行级联卷积码检验向量盲估计；S3：利用解向量与卷积码耦合多项式的校验关系，构建耦合多项式暗信息线性方程组，进一步计算得出卷积码耦合多项式。

【技术特征摘要】
1.一种顾及广义耦合暗信息的卷积码盲识别方法，其特征在于，包含如下步骤：S1：将接收码序列按不同长度进行分段，构建卷积码广义多项式暗信息的线性方程组；S2：进行顾及广义耦合暗信息的并行级联卷积码检验向量盲估计；S3：利用解向量与卷积码耦合多项式的校验关系，构建耦合多项式暗信息线性方程组，进一步计算得出卷积码耦合多项式。2.如权利要求1所述的一种顾及广义耦合暗信息的卷积码盲识别方法，其特征在于，所述构建卷积码广义多项式暗信息的线性方程组过程如下：S11：并行级联卷积码盲识别的数学模型建立如下：1/n码率的卷积码代表的是将1路信息序列进行输入，并且使得n路编码序列能够输出，如果u(x)表示的是1/n码率卷积码的信息多项式，V(x)代表的是对应码子多项式矩阵，那么此时在环F2[x]上可通过下式来表示u(x)＝u0+u1x+…+ujxj+…V(x)＝[v1(x)v2(x)…vn(x)]gi(x)表示的是卷积码耦合多项式，是与每1路输出相对应的，此时可利用下式来代表G(x)，即耦合多项式矩阵G(x)＝[g1(x)g2(x)…gn(x)]上式中，m代表的是gi(x)具有的约束长度，而且此时对于所有的gi(x)来讲，具有相同的约束长度。基于上述过程能够得出V(x)＝u(x)·G(x)＝u(x)·[g1(x)g2(x)…gn(x)]＝[v1(x)v2(x)…vn(x)]码字的输出顺序为卷积码的校验多项式矩阵设为H(x)，H(x)为一个(n-1)×n的多项式矩阵其中K为校验多项式的最高阶数，K≤m。H(x)与G(x)满足G(x)·HT(x)＝0由式V(x)方程和上式可知V(x)·HT(x)＝u(x)·G(x)·HT(x)＝01/n码率卷积码的盲识别就是通过接收的来实现对校验矩阵H(x)的恢复，由此，即可获得G(x)，通过这种方式来获得卷积码译码。S12：根据S11最末的表达式，可以得到S13：若vi(x)对应的最高阶数K能够达到该校验关系的相关条件，那么此时就可将该多项式模型进行转化，获得二进制序列模型，即S14：将S13所得之式子进行转化3.如权利要求1所述的一种顾及广义耦合暗信息的卷积码盲识别方法，其特征在于，所述进行顾及广义耦合暗信息的并行级联卷积码检验向量盲估计的过程如下：根据S14所得式子的码子序列按照其输出路数其输出路数n，以及K进行排列，由此来得到对应的暗息矩阵，L＝n(K+1)表示的是在该方程组中需要求解的未知参数，其中的h属于一个0、1向量，对应的长度为L，S表示的为向量空间，将全0向量从中剔除，其大小为(2L-1)×L。从2L-1个向量依据S14式的要求，从中确定向量h，得到的h并不是唯一的，这就是卷积码校验向量。{hr}表示校验向量，将其他向量以{hw}表示，并且假设存在N个方程。若h∈{hw}，则h与暗信息向量的内积的概率为Pr[v·hT＝0]＝0.5，Pr[v·hT＝1]＝0.5，那么此时成立的方程个数是基本等于不成立的方程个数的，即都为N/2；但如果h∈{hr}，以ε来代表具有的卷积码误码率，以w表示校验向量重量，此时误码所出现的位置仅为该向量中对应元素为1的地方，而且如果个数为非偶数，则满足v·hT＝1，而在其他情况中，得到的较严峻结果将会为零、h中元素为1的位置所对应的方程暗信息中误码出现i个事件的可能性，概率水平以下式表示：所以方程不成立的概率为方程成立均值如下M＝N·(1-Pc)如果N取值是相对较大的，那么此时的二项分布将会与正太分布靠近，δ2＝N/4为该分布的方差水平，因此，可通过下式表示此时方程成立个数的分布情况

【专利技术属性】
技术研发人员：冉晟伊，熊于菽，柯亚莉，
申请(专利权)人：重庆电子工程职业学院，
类型：发明
国别省市：重庆,50