CN102710266B - 一种汉明码编码参数盲识别方法 - Google Patents

Abstract

本发明提供一种汉明码编码参数盲识别方法，通过判断汉明码对偶空间的维数来实现汉明码码长和码组同步时刻的估计，并通过码字码长得到码字中信息位长、利用对偶码的重量分布性质进行穷举搜索找出对偶码字，再根据对偶码字得到校验矩阵；实现了汉明码编码参数的盲识别，进一步的，通过设置合适的门限来提高盲识别对误码的容忍度。

Description

一种汉明码编码参数盲识别方法

技术领域

本发明应用于合作通信领域的智能通信以及非合作通信领域，具体涉及汉明码编码参数盲识别方法。

背景技术

在智能通信领域中，为了获得最优的通信质量，需要不断的适时改变信道编码方式，这在这种通信领域是无法通过网络协议进行同步的，需要对信道编码方式进行快速的盲识别；在非合作通信领域，接收方由于在截获信息时并未知道发射方采用的信道编码参数，这也需要对信道编码方式以及编码参数进行快速的盲识别。对采用汉明码进行信道编码的通信系统，需要识别的汉明码参数包括汉明码的码字码长，码字中信息位长，码组同步时刻和校验矩阵，以实现对信息的正确获取。汉明码是一种完备码，因其编译码简单被广泛应用。

智能通信领域与非合作通信领域的共同点都是在未知通信协议时，都需要对接收的数据进行信道编码参数的盲识别。

目前还没有专门针对汉明码编码参数盲识别的公开技术。

发明内容

本发明所要解决的技术问题是，针对采用汉明码进行信道编码的通信系统，提供一种汉明码编码参数盲识别方法。

本发明为解决上述技术问题所采用的技术方案是，一种汉明码编码参数盲识别方法，包括以下步骤：

（一）截获到长度为L的数据流，选择进行估计判断的对偶空间维数m和码组同步时刻d，并利用当前选择的对偶空间维数m和码组同步时刻d构建对应的截获矩阵X(m,d)；其中，对偶空间维数m的取值范围为 表示向下取整，n_max为该汉明码码字的最大码长，0≤d<2^m-1；

（二）利用当前选择的对偶空间维数m和码组同步时刻d构建对应的对偶码字{h₁,h₂,…h_s}，其中s≤(2^m-1)，并计算截获矩阵X(m,d)对应的对偶空间的维数其中，dim表示求空间维数的运算；

（三）判断维数是否等于当前选择的对偶空间维数m，如是，表示当前对对偶空间维数m和码组同步时刻d的估计正确，存储当前的对偶空间维数m和码组同步时刻d；进入步骤（四）；否则返回步骤（一），重新选择对偶空间维数m和码组同步时刻d进行估计判断；

（四）将当前对偶码字{h₁,h₂,…h_s}按行排列成矩阵H'，

$H^{\&prime;}=\left[\begin{array}{c}{h}_1\\ h_2\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ h_s\end{array}\right]$

对矩阵H'进行高斯行消元并取出非零行，得到系统汉明码所对应的校验矩阵

（五）利用当前的对偶空间维数m计算汉明码的码字码长与码字中信息位长 输出盲识别得到的汉明码的码字码长码字中信息位长码组同步时刻和校验矩阵

本发明通过判断汉明码对偶空间的维数来实现汉明码码长和码组同步时刻的估计，并通过码字码长得到码字中信息位长、再根据对偶码字得到校验矩阵。

具体的，利用当前选择的对偶空间维数m和码组同步时刻d构建对应的截获矩阵X(m,d)具体包括以下步骤：

去除截获数据流的前d比特，然后将剩余的(L-d)比特数据按照长度n为2^m-1依次将(L-d)比特数据划为N个码字，将一个码字作为矩阵X(m,d)的一行，形成一个N×n的截获矩阵X(m,d)。

进一步的，本发明提出一种新的求对偶码字的方法。由于汉明码的对偶码重量满足：(2^m-1,2^m-m-1)汉明码的对偶码是(2^m-1,m)线性码；对偶码的重量分布十分简单，它包括全零码字和所有2^m-1个重量为2^m-1的码字。本发明利用对偶码的重量分布性质进行穷举搜索找出对偶码字，具体步骤如下：

（1）产生 $l=\left(\begin{array}{c}{2}^m-1\\ 2^{m-1}\end{array}\right)$ 个码重ω为2^m-1，长度n为2^m-1的候选向量hⁱ(i＝1…l)；其中， $\left(\begin{array}{c}{2}^m-1\\ 2^{m-1}\end{array}\right)$ 表示从2^m-1中取2^m-1种组合的个数，即 $\left(\begin{array}{c}{2}^m-1\\ 2^{m-1}\end{array}\right)=\frac{(2^m-1)!}{2^{m-1}!((2^m-1)-2^{m-1})!},$ 将截获矩阵X(m,d)与候选向量hⁱ做内积运算，得到N×1的向量Rⁱ：

Rⁱ=X(m,d)(hⁱ)^T

其中，T表示向量的转置；

（2）将候选向量hⁱ对应的向量Rⁱ中的0映射为1，1映射为-1，得到向量将向量中所有的元素求和，得到求和结果Bⁱ， 表示向量的第j位元素，j=1…N；

（3）利用各求和结果Bⁱ逐一与门限T的比较结果得到对偶码字，将大于等于门限T的求和结果Bⁱ所对应的候选向量hⁱ判断为对偶码字，直到判断完所有的l个候选向量，将所有对偶码字构成一个集合：{h₁,h₂,…h_s}，其中，s≤(2^m-1)。

进一步的，本发明还提供一种容误码效果好的门限T，利用随机码字的概率分布曲线与对偶码字的概率分布曲线不同的原理，采用概率论中的3倍标准差准则来确定门限T的值，T=μ-3σ，其中μ=N(1-2τ)^ω，τ为该传播信道的误码率，ω为2^m-1。具体的，计算对偶码字{h₁,h₂,…h_s}组成空间的维数的具体方法为：

将对偶码字{h₁,h₂,…h_s}中各向量按行排列：

$H(m,d)=\left[\begin{array}{c}{h}_1\\ h_2\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ h_s\end{array}\right]$

则其中，gfrank表示求矩阵伽罗华域上的秩，当空集为空对应的伽罗华域上的秩为0。

本发明的有益效果是，实现了汉明码编码参数的盲识别，进一步的，通过设置合适的门限来提高盲识别对误码的容忍度。

附图说明

图1为汉明码编码参数盲识别方法流程图。

图2为截获矩阵构造示意图。

具体实施方式

如图1所示，包括以下步骤：

步骤1：初始化参数：设码长n=0，同步时刻d=0，最大识别长度n_max。令外循环控制变量初始化m=3，令内循环控制变量初始化d=0，0≤d<2^m-1，进入步骤2。

步骤2：令n=2^m-1，如果n>n_max，循环终止；否则，进入步骤3。

步骤3：此时假设该汉明码对偶空间维数为m，同步时刻为d，则码长n=2^m-1，信息位长度为k=2^m-m-1。对截获的长度为L比特的数据，去除前d bit，然后将剩余的(L-d)bit数据按照长度为n依次划为个码字，表示向下取整，将每个码字作为矩阵X(m,d)的每一行，形成一个N×n的截获矩阵X(m,d)，如图2所示，图中的C_ij代表第i个码字的第j位。

产生 $l=\left(\begin{array}{c}{2}^m-1\\ 2^{m-1}\end{array}\right)=\left(\begin{array}{c}n\\ 2^{m-1}\end{array}\right)$ 个码重为ω=2^m-1的长度为n=2^m-1的候选向量hⁱ(i＝1…l)，其中， $\left(\begin{array}{c}{2}^m-1\\ 2^{m-1}\end{array}\right)$ 表示从2^m-1中取2^m-1种组合的个数，即 $\left(\begin{array}{c}{2}^m-1\\ 2^{m-1}\end{array}\right)=\frac{(2^m-1)!}{2^{m-1}!((2^m-1)-2^{m-1})!},$ 将截获矩阵X(m,d)与候选向量hⁱ做内积运算：

Rⁱ=X(m,d)(hⁱ)^T              (1)

则Rⁱ是一个N×1的向量。其中T表示向量的转置。

将向量Rⁱ中的0映射为1，1映射为-1，得到向量并用表示向量的第j(j=1…N)位元素。

将向量中所有的元素求和，得到：

$B^i=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\tilde{R}}_j^i---\left(2\right)$

计算

T=μ-3σ                   (3)

其中，μ=N(1-2τ)^ω，τ为该传播信道的误码率，ω为2^m-1，一般取τ=0.001。

如果Bⁱ≥T，则将该候选向量hⁱ判断为假设(m,d)下的对偶码字，记为h_d(d=1,2,…,s)。如果Bⁱ<T，则对下一个候选向量h^i＝i+1进行判断，直到判断完这l个候选向量。所有的对偶码字将构成一个集合：{h₁,h₂,…h_s}(s≤(2^m-1))，其中对偶码字h_d(d=1,2,…,s)为按进入该集合的顺序依次编号为1,2,…,s。若没有候选向量为对偶码字，则该集合为空集计算此时对偶码字{h₁,h₂,…h_s}(s≤(2^m-1))构成的对偶空间的维数将对偶码字{h₁,h₂,…h_s}各向量按行排列：

$H(m,d)=\left[\begin{array}{c}{h}_1\\ h_2\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ h_s\end{array}\right]$

则

其中，gfrank表示求矩阵伽罗华域上的秩，空集对应的伽罗华域上的秩为0。

如果则判断成功识别出该截获汉明码的参数，即码字码长字中信息位长码组同步时刻进入步骤5；否则d=d+1，进入步骤4。

步骤4：如果d<n，进入步骤3；否则，令m=m+1，d=0，并进入步骤2。

步骤5：将时的对偶码字{h₁,h₂,…h_s}，s≤(2^m-1)，将各向量按行排列得到矩阵H'：

$H^{\&prime;}=\left[\begin{array}{c}{h}_1\\ h_2\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ h_s\end{array}\right]---\left(4\right)$

对矩阵H'进行行高斯消元并取出非零行，即求得系统汉明码所对应的校验矩阵

步骤6：输出盲识别得到的汉明码的码字码长码字中信息位长码组同步时刻和校验矩阵

Claims (5)

1.一种汉明码编码参数盲识别方法，其特征在于，包括以下步骤：

(一)截获到长度为L的数据流，选择进行估计判断的对偶空间维数m和码组同步时刻d，并利用当前选择的对偶空间维数m和码组同步时刻d构建对应的截获矩阵X(m,d)；其中，对偶空间维数m的取值范围为 表示向下取整，n_max为该汉明码码字的最大码长，0≤d<2^m-1；

(二)利用当前选择的对偶空间维数m和码组同步时刻d构建对应的对偶码字{h₁,h₂,…h_s}，其中s≤(2^m-1)，并计算截获矩阵X(m,d)对应的对偶空间的维数其中，dim表示求空间维数的运算；

(三)判断维数是否等于当前选择的对偶空间维数m，如是，表示当前对对偶空间维数m和码组同步时刻d的估计正确，存储当前的对偶空间维数m和码组同步时刻d；进入步骤(四)；否则返回步骤(一)，重新选择对偶空间维数m和码组同步时刻d进行估计判断；

(四)将当前对偶码字{h₁,h₂,…h_s}按行排列成矩阵H'，对矩阵H'进行高斯行消元并取出非零行，得到系统汉明码所对应的校验矩阵

(五)利用当前的对偶空间维数m计算汉明码的码字码长与码字中信息位长 输出盲识别得到的汉明码的码字码长码字中信息位长码组同步时刻和校验矩阵

2.如权利要求1所述一种汉明码编码参数盲识别方法，其特征在于，利用当前选择的对偶空间维数m和码组同步时刻d构建对应的截获矩阵X(m,d)具体方法为：

去除截获数据流的前d比特，然后将剩余的(L-d)比特数据按照长度n为2^m-1依次将(L-d)比特数据划为N个码字，将一个码字作为矩阵X(m,d)的一行，形成一个N×n的截获矩阵X(m,d)。

3.如权利要求2所述一种汉明码编码参数盲识别方法，其特征在于，利用当前选择的对偶空间维数m和码组同步时刻d构建对应的对偶码字{h₁,h₂,…h_s}的具体步骤如下：

(1)产生 $l=\left(\begin{array}{c}{2}^m-1\\ 2^{m-1}\end{array}\right)$ 个码重ω为2^m-1，长度n为2^m-1的候选向量hⁱ，i＝1…l；其中， $\left(\begin{array}{c}{2}^m-1\\ 2^{m-1}\end{array}\right)$ 表示从2^m-1中取2^m-1种组合的个数，即 $\left(\begin{array}{c}{2}^m-1\\ 2^{m-1}\end{array}\right)=\frac{(2^m-1)!}{2^{m-1}!((2^m-1)-2^{m-1})!},$ 将截获矩阵X(m,d)与候选向量hⁱ做内积运算，得到N×1的向量Rⁱ：

Rⁱ＝X(m,d)(hⁱ)^T

其中，(·)^T表示向量的转置；

(2)将候选向量hⁱ对应的向量Rⁱ中的0映射为1，1映射为-1，得到向量将向量中所有的元素求和，得到求和结果Bⁱ， 表示向量的第j位元素，j＝1…N；

(3)利用各求和结果Bⁱ逐一与门限T的比较结果得到对偶码字，将大于等于门限T的求和结果Bⁱ所对应的候选向量hⁱ判断为对偶码字，直到判断完所有的l个候选向量，将所有对偶码字构成一个集合：{h₁,h₂,…h_s}，其中，s≤(2^m-1)。

4.如权利要求3所述一种汉明码编码参数盲识别方法，其特征在于，所述门限T，T＝μ-3σ，其中μ＝N(1-2τ)^ω，τ为传播信道的误码率，ω为2^m-1。

5.如权利要求3或4所述一种汉明码编码参数盲识别方法，其特征在于，计算对偶空间的维数具体方法为：

将对偶码字{h₁,h₂,…h_s}中各向量按行排列得到矩阵H(m,d)， $H(m,d)=\left[\begin{array}{c}{h}_1\\ h_2\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ h_s\end{array}\right];$

则其中，gfrank表示求矩阵伽罗华域上的秩，当空集为空对应的伽罗华域上的秩为0。