CN103501182B - 一种卷积码生成多项式的盲估计方法 - Google Patents

Abstract

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。本专利提出的基于向前概率的卷积码生成多项式盲估计方法，是利用不同生成多项式下用BCJR算法计算卷积码的向前概率的熵不同，完成对卷积码生成多项式的盲估计。本专利具有算法简单，运算复杂度低，识别速度快，性能稳定等特点，且能够抵抗高误码。

Description

一种卷积码生成多项式的盲估计方法

技术领域

本发明属于合作通信的智能通信和非合作通信领域，尤其涉及一种容误码的卷积码生成多项式的识别方法。

背景技术

信道编码作为能纠正传输过程中引入的错误，常用于通信领域中。对于非合作通信，当在信道中得到传送信号以后，由于不知道发送方的各种参数，必须对这些参数进行估计。即使对于合作通信，若接收方需要实时的获得发送方传送的信息，而传输过程中可能由于信道、时延等因素，使得接收方并未实时的接收到相关控制信息，此时也需要对发送方的各种参数进行估计。此外，对于智能通信等领域，为了获得更好的通信效率和质量，系统随时间和环境实时变换的各种参数，也需要对发送方的各种参数进行估计。而卷积码作为一种常用的信道编码方式，被广泛应用到移动通信、深空通信等领域，因此，对卷积码的参数盲估计具有现实意义。

发明内容

本发明的目的在于提供一种卷积码生成多项式的盲估计方法，该方法运算简单，性能稳定。

本发明所要解决的技术问题是这样实现的：一种卷积码生成多项式的盲估计方法，包括如下步骤：

S1、建立卷积码生成多项式库G，库中生成多项式的个数为K；

S2、根据S1所述卷积码生成多项式库G中的第i个生成多项式矩阵G_i，建立卷积码的网格图C_i，其中，G_i为n行k列的生成多项式矩阵，G_i中的每个多项式的最高阶数为m,其中，i＝1,2,...,K；

S3、根据S2所述网格图C_i对解调之后的码字序列进行计算,解调之后的码字序列的长度为L，计算在T时刻的寄存器的向前概率α_T(s_j)，其中＝(v₁,v₂...v_k,v_T)，

T＝fix(L/n*k)，n为卷积码码长，k为卷积码码字信息位长，j＝0,1,...,J-1，J为寄存器的状态个数，J＝2^m，s_j为寄存器的状态；

S4、计算S3所述在T时刻的寄存器的向前概率α_T(s_j)的熵,当k＝T时， $H_i=-\underset{j}{\mathrm{\Σ}}{\mathrm{\α}}_T\left(s_j\right)\log \left({\mathrm{\α}}_T\left(s_j\right)\right),$ 其中，i＝1,2,...,K；

S5、当i＝i+1，重复S2到S4；

S6、当i＝K时，比较所有的熵H_i，最大熵所对应的生成多项式即为卷积码生成多项式G_est。

进一步地，S3所述计算在T时刻的寄存器的向前概率α_T(s_j)的步骤包括：

S31、初始化，α₀(0)＝1；

k＝1,2...,T-1,T，其中，α_k(s_j)表示k时刻寄存器处于状态s_j的向前概率， ${\mathrm{\&gamma;}}_k(s_{j^{\&prime;}},s_j)=\underset{x_k}{\mathrm{\&Sigma;}}p\left(v_k\right|x_k)q\left(x_k\right|s_{j^{\&prime;}},s_j){\mathrm{\&pi;}}_k\left(s_j\right|s_{j^{\&prime;}}),$ x_k表示对S3中解调序列v_k的硬判决， $\begin{array}{c}{x}_k=1,\mathrm{if}{v}_k>0\\ x_k=0,\mathrm{if}{v}_k<=0\end{array},$ γ_k(s_j′,s_j)为一中间变量，由p(v_k|x_k)、q(x_k|s_j′,s_j)和π_k(s_j|s_j′)三项相乘得到，其中，p(v_k|x_k)表示x_k经过信道变为v_k的信道传输概率，完全由信道特性确定，如果信道为高斯信道，则： $p\left(v_k\right|x_k)=\frac{1}{\sqrt{\mathrm{\&pi;}{E}_0}}{e}^{-\frac{v_k-x_k}{E}},$ 其中E表示信号能量，E₀表示噪声的能量,π_k(s_j|s_j′)表示k时刻寄存器状态由s_j′转移到s_j的概率，q(x_k|s_j′,s_j)表示输出概率，

本发明的有益效果是：算法简单，运算复杂度低，识别速度快，性能稳定且能够抵抗高误码。

附图说明

图1为卷积码盲识别流程图。

具体实施方式

下面结合附图来说明本发明的具体实施方式：

以分量码为生成多项式G＝[57]的1/2卷积码为例。

由于工程中应用的卷积码码率多为1/2，且其他码率均为由1/2码率的卷积码删除得到，所以识别时，卷积码库可设为

G＝{[75],[57],[1315],[1513],[2335],[3523],[5375],[7553],[133171],[171133]}，另外，如果再加入两个删除的卷积码，码率为2/3和3/4，由[57]生成的卷积码删除得到，则K＝12。比特误码率（BER）P_e＝0.001；截获数据流长度L＝800_bit，T＝400。

识别步骤如下：

建立卷积码生成多项式库G＝{[75],[57],[1315],[1513],[2335],[3523],[5375],[7553],[133171],[171133]}，库中个数为K=12。

根据库中的第i个生成多项式G_i，建立卷积码的网格图C_i。

根据C_i对接收到的码字序列进行用BCJR算法计算T＝400时刻的寄存器的向前概率α_T(s_j),j＝0,1,...,J-1

计算向前概率的熵 $H_i=-\underset{j}{\mathrm{\&Sigma;}}{\mathrm{\&alpha;}}_T\left(s_j\right)\log \left({\mathrm{\&alpha;}}_T\left(s_j\right)\right),$

i＝i+1，重复第2-4步

当i＝K时，得到所有熵H＝(7.1×10^-1082.3×10^-821.9×10^-1002.4×10^-992.8×10^-1013.3×10^-1012.6×10^-1006.7×10^-1055.5×10^-1072.1×10^-1073.6×10^-1052.2×10^-103)，最大熵为H₂＝2.3×10^-82，其对应的生成多项式G₂＝[57]，则为卷积码的生成多项式G_est＝[57]。

Claims (1)

1.一种卷积码生成多项式的盲估计方法，其特征在于：其步骤如下所述：

S1、建立卷积码生成多项式库G，库中生成多项式的个数为K；

S2、根据S1所述卷积码生成多项式库G中的第i个生成多项式矩阵G_i，建立卷积码的网格图C_i，其中，G_i为n行k列的生成多项式矩阵，G_i中的每个多项式的最高阶数为m,其中，i＝1,2,...,K；

S3、根据S2所述网格图C_i对解调之后的码字序列进行计算,解调之后的码字序列的长度为L，计算在T时刻的寄存器的向前概率α_T(s_j)，其中

T＝fix(L/n*k)，n为卷积码码长，k为卷积码码字信息位长，j＝0,1,...,J-1，J为寄存器的状态个数，J＝2^m，s_j为寄存器的状态，计算在T时刻的寄存器的向前概率α_T(s_j)具体步骤如下：

S31、初始化，α₀(0)＝1；

S32、其中，α_k(s_j)表示k时刻寄存器处于状态s_j的向前概率，x_k表示对S3中解调序列v_k的硬判决，γ_k(s_j′,s_j)为一中间变量，由p(v_k|x_k)、q(x_k|s_j′,s_j)和π_k(s_j|s_j′)三项相乘得到，其中，p(v_k|x_k)表示x_k经过信道变为v_k的信道传输概率，完全由信道特性确定，如果信道为高斯信道，则：其中E表示信号能量，E₀表示噪声的能量,π_k(s_j|s_j′)表示k时刻寄存器状态由s_j′转移到s_j的概率，q(x_k|s_j′,s_j)表示输出概率，

S4、计算S3所述在T时刻的寄存器的向前概率α_T(s_j)的熵,当k＝T时，其中，i＝1,2,...,K；

S5、当i＝i+1，重复S2到S4；

S6、当i＝K时，比较所有的熵H_i，最大熵所对应的生成多项式即为卷积码生成多项式G_est。