《一种卫星链路线性分组码的盲识别方法.pdf》由会员分享,可在线阅读,更多相关《一种卫星链路线性分组码的盲识别方法.pdf(15页完整版)》请在专利查询网上搜索。
1、(10)申请公布号 CN 102868484 A (43)申请公布日 2013.01.09 CN 102868484 A *CN102868484A* (21)申请号 201210209276.1 (22)申请日 2012.06.21 H04L 1/00(2006.01) (71)申请人 中国人民解放军电子工程学院 地址 230037 安徽省合肥市黄山路 460 号 (72)发明人 胡以华 郝士琦 王勇 王磊 闫飞 骆盛 焦均均 王迪 (74)专利代理机构 合肥天明专利事务所 34115 代理人 吴娜 (54) 发明名称 一种卫星链路线性分组码的盲识别方法 (57) 摘要 本发明涉及一种卫星链。
2、路线性分组码的盲 识别方法, 该方法包括下列顺序的步骤 : 基于线 性分组码码重分布概率和循环码的最大公因式 次数分布概率估计码组长度和起始点 ; 基于部分 Walsh-Hadamard 变换法及其改进算法估计校验 矩阵和生成矩阵。本发明采用 Walsh-Hadamard 变换的方法识别分组码的校验矩阵和生成矩阵, Walsh-Hadamard 变换值表示其对应的地址向量 作为方程组解向量时, 方程组中成立方程的个数 和不成立方程个数之差, 因此 Walsh-Hadamard 变 换值的最大值对应的地址向量即为方程组的解向 量, 该方法能够适应在误码率较高的情况。 (51)Int.Cl. 权利。
3、要求书 2 页 说明书 5 页 附图 7 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书 2 页 说明书 5 页 附图 7 页 1/2 页 2 1. 一种卫星链路线性分组码的盲识别方法, 该方法包括下列顺序的步骤 : (1) 基于线性分组码码重分布概率和循环码的最大公因式次数分布概率估计码组长度 和起始点 ; (2) 基于部分 Walsh-Hadamard 变换法及其改进算法估计校验矩阵和生成矩阵。 2. 根据权利要求 1 所述的卫星链路线性分组码的盲识别方法, 其特征在于 : 所述的码 重分布概率采用统计方法估计, 变换码组长度为 和起始点为当两个码重分布之间的相。
4、 关系数最小时, 表示两个码重分布概率之间的差异越大, 则此时的 和是真实的码组长 度和起始点。 3. 根据权利要求 1 所述的卫星链路线性分组码的盲识别方法, 其特征在于 : 所述的最 大公因式次数分布概率采用统计方法估计, 变换码组长度为 和起始点为当两个最大公 因式次数分布概率之间的相关系数 最小时, 表示两个最大公因式次数分布概率之间的 差异越大, 则此时的 和 是真实的码组长度和起始点。 4. 根据权利要求 1 所述的卫星链路线性分组码的盲识别方法, 其特征在于 : 所述的 Walsh-Hadamard 变换采用蝶形运算, 设参加 Walsh-Hadamard 变换的位数为 nw, 。
5、其运算量为 次加 / 减运算, 状态个数为 对 (n,k) 线性分组码, Walsh-Hadamard 变换及其改进算法的状态个数和运算量如表 1 所示 : 表 1 三种 Walsh-Hadamard 变换方法比较 5. 根据权利要求 2 所述的卫星链路线性分组码的盲识别方法, 其特征在于 : 所述基于 码重分布概率估计码组长度和起始点的步骤为 : a) 初始化估计的码组长度 和起始点 b) 对接收到的序列进行分组 ; c) 计算各码组的重量 ; d) 统计各重量的码组数量, 并除以码组总数得到码重分布概率 ; e) 利用实际序列的码重分布概率和随机序列的理论码重分布概率之间的相关系数估 计码。
6、组长度和起始点。 6. 根据权利要求 3 所述的卫星链路线性分组码的盲识别方法, 其特征在于 : 所述基于 最大公因式次数分布概率估计码组长度和起始点采用以下步骤 : a) 依据估计的码组长度 和起始点对接收到的序列进行分组 ; b) 计算各码组与其循环右移形成的码字的最大公因式次数, 循环右移的位数取 3 位 ; c) 统计各最大公因式次数的码组数量, 并除以码组总数得到分布概率 ; 权 利 要 求 书 CN 102868484 A 2 2/2 页 3 d) 计算最大公因式次数分布概率相关系数 e) 寻找最小对应的 7. 根据权利要求 4 所述的卫星链路线性分组码的盲识别方法, 其特征在于 。
7、: 当码长较 短, 即 n 24 时, 采用部分 Walsh-Hadamard 变换法识别线性分组码的校验矩阵, 其步骤为 : a) 读取码元数据并对接收到的数据进行分组 ; b) 取出系数矩阵的前 k 列得到 C0, 并初始化 i=1 ; c) 取出系数矩阵的第 k+i 列得到 C , 进行状态统计 ; d) 利用部分 Walsh-Hadamard 变换, 计算不同的解向量 Hi, 并判断循环次数 i 是否小 于 n-k, 若判断结果为否, 则执行下一步骤, 否则 i=i+1, 并返回步骤 c) ; e) 将 H i和单位矩阵组成校验矩阵。 8. 根据权利要求 4 所述的卫星链路线性分组码的。
8、盲识别方法, 其特征在于 : 当码长较 长, 即 n 24 时, 采用改进的部分 Walsh-Hadamard 变换法识别线性分组码的校验矩阵, 其 步骤为 : a) 读取码元数据并对接收到的数据进行分组 ; b) 取出系数矩阵的前 k 列得到 C0, 并初始化 i=1 ; c) 取出系数矩阵的第 k+i 列得到 C , 进行状态统计 ; d)C0分解成前后两部分即C0C1 C2,让C2参加Walsh-Hadamard变换, 得到解向量, 并判断循环次数 i 是否小于 n-k, 若判断结果为否, 则执行下一步骤, 否则 i=i+1, 并返回步 骤 c) ; e) 将二进制向量和解向量按照顺序组。
9、合起来得到一组解向量 H i; f) 将 H i和单位矩阵组成校验矩阵。 权 利 要 求 书 CN 102868484 A 3 1/5 页 4 一种卫星链路线性分组码的盲识别方法 技术领域 0001 本发明涉及智能移动通信、 多点广播通信和非协作通信领域领域, 尤其是一种卫 星链路线性分组码的盲识别方法。 背景技术 0002 在数字通信系统中, 将信息从信源传送给信宿的过程中, 通信信道中的噪声和干 扰会不可避免地对传输信息产生不同程度的干扰, 信道编码技术主动地在所传输的信息中 增加一些冗余, 使其具有自动检错或纠错能力来克服干扰。信道编码按照编码方法主要可 分为线性分组码、 卷积码、 Tu。
10、rbo 码和 LDPC 码等, 分组码是最早得到研究、 也是成果最丰富、 应用最广泛的一类码, 其中线性分组码是分组码中最重要的一类码, 它有着明显的数学结 构, 是其他编码方式的基础, 它也广泛应用在卫星通信系统中。 0003 在未来的智能移动通信、 多点广播通信等领域中, 自适应调制编码是复杂信道下 实现信息高效可靠传输的重要手段之一, 根据信道变化动态改变信道编码方式, 可以获得 最优的通信效率和服务质量。在这种通信环境中, 一般难以通过协议实现多方通信单元的 同步联络, 由于调制和编码的格式是随着信道的不同质量情况而变化, 因此需要接收方能 够仅通过部分信号数据实现信道编码参数的快速盲。
11、识别, 达到智能通信的目的。非协作通 信领域传输过程由于受信道、 时延等因素的影响, 可能造成相关控制信息不能及时准确地 到达接收方, 接收方为了实时获取传输信息, 就需要研究信道编码的盲识别技术。 目前对信 道编码的识别研究大多集中在卷积码的识别上, 而对分组码识别的研究较少, 只能识别低 码率的线性分组码, 并且适应的误码率较低。 发明内容 0004 本发明的目的在于提供一种在误码情况下, 能够实现不同码长线性分组码和循环 码识别的卫星链路线性分组码的盲识别方法。 0005 为实现上述目的, 本发明采用了以下技术方案 : 一种卫星链路线性分组码的盲识 别方法, 该方法包括下列顺序的步骤 :。
12、 0006 (1) 基于线性分组码码重分布概率和循环码的最大公因式次数分布概率估计码组 长度和起始点 ; 0007 (2) 基于部分 Walsh-Hadamard 变换法及其改进算法估计校验矩阵和生成矩阵。 0008 由上述技术方案可知, 本发明将分组码分为循环码和非循环码两种情况, 对于循 环码来说, 可采用码字与其循环右移后码字的最大公因式次数分布概率相关法识别码组长 度和起始点, 由于最大公因式次数分布概率与循环码的码率没有关系, 因此这种该方法对 高码率的循环码仍然有效 ; 采用 Walsh-Hadamard 变换的方法识别分组码的校验矩阵和生 成矩阵, Walsh-Hadamard 。
13、变换值表示其对应的地址向量作为方程组解向量时, 方程组中成 立方程的个数和不成立方程个数之差, 因此 Walsh-Hadamard 变换值的最大值对应的地址 向量即为方程组的解向量, 该方法能够适应在误码率较高的情况。 说 明 书 CN 102868484 A 4 2/5 页 5 附图说明 0009 图 1 是基于码重分布概率相关法进行线性分组码码组长度和起始点估计流程图 ; 0010 图 2 是基于最大公因式次数分布概率相关法进行循环码码组长度和起始点估计 流程图 ; 0011 图 3、 4 均为线性分组码校验矩阵识别的流程图 ; 0012 图 5 是不同 k 值时 (15,11) 线性分组。
14、码部分 Walsh-Hadamard 变换的结果图 ; 0013 图 6 是不同 i 值时 (15,11) 线性分组码部分 Walsh-Hadamard 变换的结果图 ; 0014 图 7 是解向量矩阵 ; 0015 图 8 是 (63,36) 线性分组码的改进部分 Walsh-Hadamard 变换的结果图。 具体实施方式 0016 一种卫星链路线性分组码的盲识别方法, 该方法包括下列顺序的步骤 :(1) 基于 线性分组码码重分布概率和循环码的最大公因式次数分布概率估计码组长度和起始点 ; (2) 基于部分 Walsh-Hadamard 变换法及其改进算法估计校验矩阵和生成矩阵。 0017 。
15、如图 1 所示, 根据线性分组码的码重分布概率与随机序列的码重分布概率有很大 差距的特性, 利用二者之间的差距估计码组长度和起始点。所述的码重分布概率采用统计 方法估计, 变换码组长度为 和起始点为当两个码重分布之间的相关系数 最小时, 表 示两个码重分布概率之间的差异越大, 则此时的 和是真实的码组长度和起始点。 0018 所述基于码重分布概率估计码组长度和起始点的步骤为 : 0019 a) 初始化估计的码组长度 和起始点 0020 码组长度 的变化范围可以设定为 1nmax, nmax为可能最大的码组长度。nmax选取的 过小会使真实的码组长度不在变化范围内, 选取的过大会增加计算量, 实。
16、际应用时应综合 考虑。实际中, 分组码的码长一般不会超过 255, 起始点 的变换范围可设为 0021 b) 对接收到的序列进行分组 ; 0022 c) 计算各码组的重量 ; 0023 若 Ai是分组码 (n,k) 中汉明重量为 i 的码字数目, 则集合 A0,A1,An 称为该 分组码的重量分布, 简称码重分布。 0024 d) 统计各重量的码组数量, 并除以码组总数得到码重分布概率 ; 0025 若码的重量分布为 Ai A0,A1,An, 则其码重分布概率为 0026 0027 式中, k 为信息组长度。 0028 e) 利用实际序列的码重分布概率和随机序列的理论码重分布概率之间的相关系 。
17、数 估计码组长度和起始点。 0029 其中两个码重分布概率之间的相关系数 的定义为 0030 说 明 书 CN 102868484 A 5 3/5 页 6 0031 如图 2 所示, 当线性分组码是循环码时, 根据循环码的最大公因式次数分布概率 与随机序列的最大公因式次数分布概率有很大差距的特性, 同样可以利用二者之间的差距 估计码组长度和起始点。所述的最大公因式次数分布概率采用统计方法估计, 变换码组长 度为 和起始点为当两个最大公因式次数分布概率之间的相关系数最小时, 表示两个 最大公因式次数分布概率之间的差异越大, 则此时的 和是真实的码组长度和起始点。 0032 所述基于最大公因式次数。
18、分布概率估计码组长度和起始点采用以下步骤 : 0033 a) 依据估计的码组长度 和起始点对接收到的序列进行分组 ; 0034 码组长度 和起始点 的变化范围同上。 0035 b) 计算各码组与其循环右移形成的码字的最大公因式次数, 为了避免高位是 “0” 带来的影响, 循环右移的位数取 3 位 ; 0036 c) 统计各最大公因式次数的码组数量, 并除以码组总数得到分布概率 ; 0037 d) 计算最大公因式次数分布概率相关系数 0038 e) 寻找最小对应的 0039 所述的 Walsh-Hadamard 变换采用蝶形运算, 设参加 Walsh-Hadamard 变换的位数 为 nw, 其。
19、运算量为次加 / 减运算, 状态个数为 0040 对 (n,k) 线性分组码, Walsh-Hadamard 变换及其改进算法的状态个数和运算量如 表 1 所示 : 0041 表 1 三种 Walsh-Hadamard 变换方法比较 0042 0043 所述的基于部分 Walsh-Hadamard 变换法及其改进算法, 分别针对码长较短 (一般 n 24) 和码长较长 (一般 n 24) , 按如下方法处理 : 0044 如图 3 所示, 当码长较短, 即 n 24 时, 采用部分 Walsh-Hadamard 变换法识别线 性分组码的校验矩阵, 其步骤为 : 0045 a) 读取码元数据并对。
20、接收到的数据进行分组 ; 0046 b) 取出系数矩阵的前 k 列得到 C0, 并初始化 i=1 ; 0047 c) 取出系数矩阵的第 k+i 列得到 C , 进行状态统计 ; 0048 d) 利用部分 Walsh-Hadamard 变换, 计算不同的解向量 H i, 并判断循环次数 i 是 否小于 n-k, 若判断结果为否, 则执行下一步骤, 否则 i=i+1, 并返回步骤 c) ; 0049 e) 将 H i和单位矩阵组成校验矩阵。 0050 实际中 k 值未知, 所以需要计算 k 值, 由于 1 k n, 可以采用遍历的方法获得 k 值, 当 k 值小于实际值时, C0中各列互不相关, 。
21、方程组无解。这时需要增加 k 值, 当 k 大于实 际值时, 方程组有多个解, 需要减小 k 值, 遍历到实际值时, 方程组只有一个解。 0051 上述的 Walsh-Hadamard 变换求解含错方程组的解向量 H i具体步骤如下 : 说 明 书 CN 102868484 A 6 4/5 页 7 0052 首先, 将方程组中每个方程二元域上的系数向量表示为十进制数, n 个方程就会得 到 n 个十进制数 ; 0053 接着, 作状态统计, 用这 n 个十进制数构造 2n维列向量 D, 构造方法是首先构造一 个全 0 的 2n维列向量 D, 将十进制数作为地址对应到向量 D 中, 向该位置上的。
22、向量值加 1, 如有多个十进制数对应同一地址, 则多次累加 ; 0054 然后, 按照蝶形运算进行 Walsh-Hadamard 变换, 当只有一个解时, 可以将最大值 所对应的二进制地址向量即为该含错方程组得解。 0055 如图 4 所示, 当码长较长, 即 n 24 时, 采用改进的部分 Walsh-Hadamard 变换法 识别线性分组码的校验矩阵, 其步骤为 : 0056 a) 读取码元数据并对接收到的数据进行分组 ; 0057 b) 取出系数矩阵的前 k 列得到 C0, 并初始化 i=1 ; 0058 c) 取出系数矩阵的第 k+i 列得到 C , 进行状态统计 ; 0059 d)C。
23、0分解成前后两部分即 C0 C1 C2, 让 C2参加 Walsh-Hadamard 变换, 得到解 向量, 并判断循环次数i是否小于n-k, 若判断结果为否, 则执行下一步骤, 否则i=i+1,并返 回步骤 c) ; 0060 C1是 Nr1维矩阵, C2是 Nr2维矩阵, 则 r1+r2 k, N 是方程组中方程的个数码, 让 C2参加 WHT 运算, 这样就减少了 WHT 运算的状态数, 一般 r2的取值在 1624 之间比较合 适。C1采取遍历的方法, 即设置循环将每个固定的 I 转化为 r1维二进制向量 将该二进制向量与矩阵 C1的每个行向量的对应元素相乘再进行模 二加, 并将该值模。
24、二加到向量 C对应行上, 进行状态统计, 利用 Walsh-Hadamard 变换计算 方程组 0061 0062 的解, 如没有解, I 继续遍历, 如有解, 将此时 I 的二进制向量和解向量按照顺序组 合起来即为上述方程组的解向量。 0063 e) 将二进制向量和解向量按照顺序组合起来得到一组解向量 H i; 0064 f) 将 H i和单位矩阵组成校验矩阵。 0065 以下为本发明的仿真实验 : 0066 仿真实验 1 : 线性分组码码组长度和起始点识别实验, 以 (7,4) 码、 (15,5) 码、 (15,11) 码、 (31,11) 码、 (31,21) 码和 (63,30) 码为。
25、实验对象。参数设定如下 : 误码率 e 10-3, (7,4) 码的码组个数为 1000, (15,5) 码、 (31,11) 码和 (63,30) 码的码组个数为 10000, (15,11) 码和 (31,21) 码的码组个数为 40000。删除前 100 个码元, 可知 (7,4) 码、 (15,5) 码和 (15,11) 码第一个完整的码组从第 6 个码元开始, (31,11) 码和 (31,26) 码第 一个完整的码组从第25个码元开始, (63,30)码第一个完整的码组从第27个码元开始。 以 上各线性分组码的码重分布概率相关系数的最小值对应的码组长度n和起始点值m。 (7,4) 。
26、码为 n 7、 m 6, (15,5) 码和 (15,11) 码为 n 15、 m 6, (31,11) 码和 (31,21) 码为 说 明 书 CN 102868484 A 7 5/5 页 8 n 31、 m 25, (63,30) 码为 n 63、 m 27, 以上值都与实际值相符合。 0067 仿真实验 2 : 循环码的码长和起始点识别, 参数设置如下 : 待识别的码为 (7,4)、 (31,26)、 (127,120) 和 (255,247) 循环码, (7,4) 码和 (31,26) 码的码组个数为 100, (127,120) 和 (255,247) 码的码组个数为 1000, 删。
27、除前 100 个码元, 信道误码率为 e 0.001。各码的最大公因式次数分布概率相关系数最小值对应的码组长度和起始点值。 (7,4) 循环码为 n 7 和 m 6, (31,16) 循环码为 n 31 和 m 25, (127,120) 循环码为 n 127 和 m 28, (255,247) 循环码为 n 255 和 m 156, 各码删除了前 100 个码元, 由 此可以计算出这与实际值是相符合的。该仿真试验中的识别对象都为高码率的循环码, 相 对于码重分布概率相关法, 该方法只适用于线性分组码中的循环码, 但识别范围不受码率 的限制, 对于高码率的循环码同样有效, 并且仅需要较少的码组。
28、个数。 0068 仿真实验 3 : 线性分组码的校验矩阵和生成矩阵识别, 参数设置如下 : 待识 别的码为 (15,11) 码, 码组个数为 10000, 信道误码率为 e 0.1, 不同 k 值时部分 Walsh-Hadamard 变换的结果如图 5 所示, 在不同 k 值时有不同的结果 : 当 k 小于 11 时, 没 有明显的峰值 ; 而当 k 大于 11 时, 有多个峰值 ; 当 k 等于 11 时, 只有一个峰值。故可以依 此得到实的 k 值为 11。在得到实际的 k 值后, 可知 i 1,4, 即移到方程组右边的列向 量有 4 个, 故需要进行 4 次部分 Walsh-Hadama。
29、rd 变换得到 4 个解向量, 不同的 i 对应不同 的列向量, 变换的结果如图 6 所示。图 6 中, 不同 i 值的情况下, 满足条件的解向量只有一 个, 其对应的二进制地址向量依次为 “10011010111” 、“11010111100” 、“01101011110”和 “00110101111” 。组成解向量矩阵如图 7 所示。在该矩阵的右边添加 4 阶单位阵即可得到 校验矩阵, 不难发现, 与以上两种方法的结果相同, 这里不再重复给出。 0069 仿真实验 4 : 线性分组码的校验矩阵和生成矩阵识别, 参数设置如下 : (63,36) 分 组码, 码组个数为 10000 个, 信道。
30、误码率为 e 0.1。由于 k 36, 所以需要采用改进的 部分 Walsh-Hadamard 变换, 取 r1 16, r2 20, 则 i 1,27, 这里以 i 1 为例给出 变换结果及其对应的解向量, 当遍历到正确的地址向量, 改进的部分 Walsh-Hadamard 变换 将会出现峰值, 如图 8 所示。由图 8 可以看到遍历向量为 “0000000000000001”时, 变换 结果没有峰值 ; 遍历向量为 “1000011011000001” , 变换结果出现峰值, 对应的地址向量为 “01100010111001010111” 。这两个向量的组合 “10000110110000。
31、0101100010111001010111 ” 即为方程组的解, 变换 i 值求出所有解, 即可按照以上方法得到校验矩阵。 说 明 书 CN 102868484 A 8 1/7 页 9 图 1 说 明 书 附 图 CN 102868484 A 9 2/7 页 10 图 2 说 明 书 附 图 CN 102868484 A 10 3/7 页 11 图 3 说 明 书 附 图 CN 102868484 A 11 4/7 页 12 图 4 说 明 书 附 图 CN 102868484 A 12 5/7 页 13 图 5 说 明 书 附 图 CN 102868484 A 13 6/7 页 14 图 6 图 7 说 明 书 附 图 CN 102868484 A 14 7/7 页 15 图 8 说 明 书 附 图 CN 102868484 A 15 。