CN105763205A - 基于高斯列消元的螺旋形交织器参数盲估计方法 - Google Patents

Abstract

本发明请求保护一种基于高斯列消元的螺旋交织器参数盲估计方法属于信道编码处理技术领域。首先，将截获信息序列横向放入分析矩阵，利用二元域高斯列消元法对分析矩阵进行化简，计算化简后矩阵第k列“1”的比例，通过每列“1”的比例的方差差值确定交织长度。识别出交织长度后，在一个交织长度内循环移位，利用每列“1”的均值估计同步参数。根据螺旋形交织器的特殊置换关系，估计出交织长度和同步参数后即可获得交织置换关系。仿真实验表明：该方法相比矩阵分析模型容错性能好，且适用于各种交织长度、交织码率的螺旋形交织器的交织长度和同步盲估计。

Description

基于高斯列消元的螺旋形交织器参数盲估计方法

技术领域

本发明涉及信道编码信号处理，具体为一种基于高斯列消元的螺旋形交织器参数盲估计问题。

背景技术

数字通信系统中的突发错误无处不在，为了保持信息的可靠性，通常采用交织技术。交织技术通过置换信息序列码字位置，改变原有码结构，这样使得信息序列具有克服突发错误的能力，再在接收端做相反的处理即可得到交织前编码序列。现实信道中传输的编码，绝大部分是经交织处理的。交织通常发生在纠错码后、信道传输之前，并且交织的盲识别只能和纠错码一起进行联合分析，单纯的分析交织参数难度很大。螺旋形交织器广泛应用于数字通信系统中，对其参数(交织长度，同步参数，交织置换关系等)估计技术的研究也应更加深入。

综上所述，交织将是未来信道编码传输中非常重要的一种保密和降低误码的方式，因此对螺旋形交织器的研究也越来越重要，螺旋形交织器的研究主要包括交织长度、交织同步参数以及交织置换位置的判断，这些研究对于编码的识别、信息安全、电子对抗都具有重要作用。

目前，在信道编码盲识别的领域中，对线性分组码、卷积码、Turbo码参数识别与重构研究的比较多，对于交织参数盲识别相对较少。对于各种新型的交织器，比如：基于遗传算法交织器、伪随机交织器、螺旋形交织器的盲识别很少涉及。文献“BurelG,Blindestimationofencoderandinterleavercharacteristicsinanoncooperativecontext.ProceedingsoftheSecondIASTEDInternationalCoferenceOnCommunications,InternetandInformationTechnology,2003.”首次利用线性码“秩亏”的特点识别交织参数，但是没有考虑误码的影响，对于高码率编码估计效果不明显。文献“廖斌，螺旋形交织器交织长度盲识别.电子信息对抗，2014.”通过将分析矩阵化为下三角矩阵，利用下三角下半部分每列含“0”的比率来识别交织参数，但是不能对同步参数进行识别，并且容错性能很低，不具有可行性。因此，本发明提出基于高斯列消元的螺旋形交织器参数盲估计方法。

发明内容

本发明所要解决的技术问题，针对螺旋形交织器参数盲识别的计算量大，高误码情况下性能差等缺陷，提出了一种基于高斯列消元法，解决了螺旋形交织器参数盲估计的难题。该方法能够较精确的估计出螺旋形交织器的交织长度、交织同步位置，且适用于各种交织长度、交织码率的螺旋形交织器的交织长度和同步盲估计。

本发明解决上述技术问题的技术方案是：一种基于高斯列消元的螺旋形交织器参数盲估计方法，其步骤在于，首先，将截获信息序列横向放入分析矩阵，利用二元域高斯列消元法对分析矩阵进行化简，计算化简后矩阵第k列“1”的比例，通过每列“1”比例的方差差值确定交织长度。在未知是否同步的情况下，本发明利用方差差值估计交织长度。识别出交织长度后，在一个交织长度内循环移位，利用每列“1”的均值估计同步参数。根据螺旋形交织器的特殊置换关系，估计出交织长度和同步参数后即可获得交织置换关系。

螺旋形交织器是一种不规则、采用特殊读写方式的分组交织。交织过程为：数据按行方向顺序放入p行q列矩阵，其中p和q互素；交织时从矩阵左上角开始向右下方移位读取数据；每向下一行索引地址同时向右移动一位。若p_i和q_i分别代表第i比特行索引和列索引，则映射函数为其中，i＝0,1,2…S-1,,S＝p×q，S为交织长度。递归运算中p₀＝0,q₀＝0。通过对接收序列进行高斯列消元处理，可在发现分析矩阵每列“1”比例的均值、方差的差值上，交织长度、交织同步位置会表现出较强的数学特性，从而实现螺旋交织器的交织长度、交织同步位置的联合估计。

本发明根据螺旋形交织器的特点，联系线性分组码列相关性质，提出了一种改进的高斯消元法的螺旋形交织器参数盲识别方法。本文根据线性分组码完整码字交织块内分组码字校验位化为“0”的特点，利用分析矩阵中每列含“1”率方差差值幅度变化来对螺旋形交织器交织长度盲识别，利用均值最小实现同步参数盲识别，并分析证明码率对交织性能识别的影响。

附图说明

图1本发明3×5螺旋形交织器示意图；

图2本发明交织长度识别流程图；

图3本发明同步参数识别流程图；

图4本发明交织长度识别示意图；

图5本发明同步参数估计示意图；

图6本发明同步情况下不同码率码长识别性能图；

图7本发明同步参数识别性能图；

图8本发明交织参数识别性能图；

具体实施方式

以下结合附图和具体实例，对本发明的实施作进一步的描述。

螺旋形交织器是一种不规则、采用特殊读写方式的分组交织器。交织过程为：数据按行方向顺序放入p行q列矩阵，其中p和q互素；交织时从矩阵左上角开始向右下方移位读取数据；每向下一行索引地址同时向右移动一位。若p_i和q_i分别代表第i比特行索引和列索引，则映射函数为

其中，i＝0,1,2…S-1,,S＝p×q，S为交织长度。递归运算中p₀＝0,q₀＝0。3×5螺旋形交织器如图1所示。

假设交织之前使用的纠错编码方式为(n,k)二进制线性分组码，n为每个码字长度，k为信息位长度。分组码C经交织长度为S的螺旋形交织器交织后再信道上传输。交织是对分组码码元位置的置换，并不改变完整码字内部的校验关系。

为了保证交织的性能，通常二进制分组码(n,k)(n为分组码长，k为信息位长度)与交织之间满足以下两个条件：

(1)S＝N·n,N∈N₊，即交织长度S为码长n的整数倍；

(2)交织块起点为一个线性分组码的起点。

本发明采用改进的二元域高斯列消元法，将获得的二进制信息序列横向放入分析矩阵H(M,n_a)中，其中M>n_a。在无误码情况下，通过本发明方法的化简，矩阵中相关列被化为0，化简后每列“1”的个数与行数的比值记为截获序列的所有数据都参与运算，在存在误码的情况下得到的结果更加精确。下面通过计算的方差的差值来确定交织长度，k＝1,2,…n_a。

估计交织长度具体步骤如下：

(1)假设交织的长度为S，将获得的未同步的信息数据横向放入分析矩阵H中，H的列数从S_min到S_max变化，步长为1，其中S_min和S_max为估计的最小和最大交织长度。

(2)从矩阵H第i(i＝0)列开始，如果第i列不全为0，选取第i列最上面非0元素，记为p_ij，其中j表示p_ij所在的行。

(3)在第j行内，将第i列与p_ij右侧所有非零元素所在列进行模2加，使p_ij右侧非零元素转化为0。

(4)将列数加1，重复步骤2、3直到列数超过n_a，得到新的矩阵H_S。

(5)计算矩阵H_S每列所含“1”的比率得到长度为n_a的数组X。

(6)计算数组X的均值和方差保存在数组E和V中。

(7)分析矩阵列数加1，重复步骤1到6，直到最大值S_max。

(8)对数组V前后两个数据做差D_k(n)＝(x_n-x_n-1)得到数组V′。

(9)选取V′最小值的n_a值来确定交织长度。

流程图如图2所示。

存在误码情况下，当n_a＝N·S，N为正整数，即分析矩阵的列数为交织长度的整数倍的时，由于分组码约束关系的存在，校验位仍会被信息位化为0，此时因此，这些相关列的近似为0。如果n_a≠N·S，每行中0、1元素随机分布，那么近似为1/2，k＝1,2,…n_a,n_a≠S。

X(n_a)的方差分别为：

差值函数为：

D_k(n)＝(x_n-x_n-1)(3)

未同步情况下，当n_a＝NS,(N≥2)时，在分析矩阵中，一个完整的交织块分布在两行，但每行内交织位置关系依然对应。经过本文方法，交织块内分组码校验位依然化为全0。

设则

由于误码的存在，原本校验列有不能化为全0的可能，而V则能使该变化更为突出，故可利用D_V(n_a)最大，D_V(n_a+1)最小的幅度变化来识别交织长度。

在交织长度正确识别的前提下，当交织起点与分析矩阵起点同步时，每个完整码字的校验位都会化为全“0”列，即分析矩阵含“1”率最小，可用分析矩阵含“1”率均值识别同步参数。具体算法如下：

(1)将分析矩阵的列数固定为交织长度S，行数大于列数。

(2)将信息数据横向放入分析矩阵H。

(3)利用高斯列消元将H转化为H_S。

(4)计算矩阵H_S每列含“1”比列，得到数组X，计算数组X的均值保存在数组E中。

(5)将右移信息序列一位，横向放入分析矩阵H，重复步骤2到4，直到右移位数为S。

(6)E最小值在数组E的位置为同步参数。

同步参数识别流程图如图3所示。

k/n表示线性分组码(n,k)的码率。若(n₁,k₁)表示低码率线性分组码，(n₂,k₂)表示码率较高线性分组码，则k₂/n₂>k₁/n₁，由式(2)、(5)可知：

则

|D_V(S_k1+1)-D_V(S_k1)|>|D_V(S_k2+1)-D_V(S_k2)|(12)

上式证明了当线性分组码码率较大时，则其方差差值变化范围变小，相应的最大、最小值相差变小，识别概率下降。

仿真实验采用(15,5)BCH码，5×9螺旋形交织器，误码率取p＝0.02，本发明方法仿真图如图4所示。

d(d<S)为交织同步参数，表示信息序列前面非完整交织块长度，交织长度识别判决方式为：

从图4中可以看到，在误码率p＝0.02时，本发明方法仍能正确识别出交织长度。由于未同步，当分析矩阵列数为交织长度整数倍时，使得分析矩阵含“1”比率相比于同步时增加，则均值差值变化不明显，利用方差差值则能突出含“1”比率变化。相比传统方法，本发明对分析矩阵的处理，能有效识别出截获序列未同步时的交织长度。

图5是不同方法、不同码率同步时交织长度识别性能对比。由图5可知，随着误码率的上升，交织长度识别概率下降；利用本文方法，(15,5)BCH码，5×9螺旋形交织器在误码率为0.04时的识别正确率高于80％。对比(15,11)BCH码和(15,5)BCH码性能曲线发现，码率越低，识别效果越好，与式(15)、(16)结论相同。

同步参数估计是在正确识别出交织长度的基础上进行仿真，将截获序列移位放入分析矩阵。仿真采用(15,5)BCH，5×9的螺旋形交织器，误码率为p＝0.008,d＝10和d＝15。仿真结果如图6所示。

如图6所示，将截获的信息序列横向放入分析矩阵，当移位进行到第d+1位时，交织块起点与分析矩阵起点重合。此时，E(n_a)出现最小值。

图7为本发明方法不同交织长度、相同同步参数的同步参数识别性能图。由图可知，随误码率上升，同步识别率下降；在误码率为p＝0.01时，(15,5)BCH,5×9螺旋形交织器同步识别率高于90％；(15,5)BCH,5×9识别性能好于相同交织长度、相同码长的(15,11)BCH码，且(15,5)BCH,5×9识别性能好于(7,4)BCH,5×7，可见码率比交织长度对识别率的影响更大。

图8是5×7、5×9螺旋形交织器分别在同步(d＝0)、未同步(d＝15)和不同码率时性能曲线。从图曲线1、3、5和2、4、6可知，码率对识别性能有很大影响；对比曲线1、2；3、4和5、6可知同步识别性能高于为同步时识别性能。同步时，交织长度越长，识别概率越低；未同步时交织长度识别概率明显低于同步识别概率；相同长度的交织器，码率越低，识别成功概率越高。和图5、图6结论一致。

本发明根据螺旋形交织器的特点，结合线性分组码列相关性质，提出了一种改进的高斯消元法的螺旋形交织器参数盲识别方法。本文根据完整码字交织块内分组码字校验位化为“0”的特点，利用分析矩阵中每列含“1”率均值和方差差值幅度变化来对螺旋形交织器交织长度盲识别，利用均值最小实现同步参数盲识别，分析证明码率对交织性能识别的影响。本文方法适用于各种交织长度、各种码率分组码的螺旋形交织器参数盲识别，BCH(15,5)5×9交织在误码率为0.01时交织长度识别率高于90％；BCH(7,4)5×7交织在误码率为0.04是交织长度识别率高于80％；对于高码率的BCH(15,11)5×9交织在误码率为0.01时交织长度识别率高于70％。

Claims (4)

1.一种基于高斯列消元的螺旋交织器参数盲估计方法，其步骤在于，将截获信息序列横向放入分析矩阵，利用二元域高斯列消元法对分析矩阵进行化简，计算化简后矩阵第k列“1”的比例，通过“1”的比例的均值差值和方差差值确定交织长度。在同步的情况下，均值差值识别交织长度有较高的容错率；在未同步情况下，用方差差值识别交织长度，均值确定同步参数；并适用于不同码率。

2.根据权利要求1所述的估计方法，其特征在于，建立交织过程为：数据按行方向顺序放入p行q列矩阵，其中p和q互素；交织时从矩阵左上角开始向右下方移位读取数据；每向下一行索引地址同时向右移动一位。若p_i和q_i分别代表第i比特行索引和列索引，则映射函数为其中，i＝0,1,2…S-1,,S＝p×q，S为交织长度。递归运算中p₀＝0,q₀＝0。3×5螺旋形交织器如图1所示。

3.根据权利要求1所述的估计方法，其特征在于根据权利要求1所述的估计方法，其特征在于假设交织之前使用的纠错编码方式为(n,k)二进制线性分组码，n为每个码字长度，k为信息位长度。分组码C经交织长度为S的螺旋形交织器交织后再信道上传输。交织是对分组码码元位置的置换，并不改变完整码字内部的校验关系。

为了保证交织的性能，通常二进制分组码(n,k)(n为分组码长，k为信息位长度)与交织之间满足以下两个条件：

(1)S＝N·n,N∈N₊，即交织长度S为码长n的整数倍；

(2)交织块起点为一个线性分组码的起点。

4.根据权利要求1-3所述的估计方法，同时结合交织只改变码字位置及线性分组码码字之间线性相关这两点性质，在存在误码且同步情况下，当n_a＝N·S，N为正整数，即分析矩阵的列数为交织长度的整数倍的时，由于分组码约束关系的存在，校验位仍会被信息位化为0，此时因此，这些相关列的近似为0。如果n_a≠N·S，每行中0、1元素随机分布，那么近似为1/2，k＝1,2,…n_a,n_a≠S。X(n_a)的方差分别为：

差值函数为：

D_k(n)＝(x_n-x_n-1)

当n_a＝NS,(N≥2)时，在分析矩阵中，一个完整的交织块分布在两行，但每行内交织位置关系依然对应。经过本文方法，交织块内分组码校验位依然化为全0。

设则

由于误码的存在，原本校验列有不能化为全0的可能，使得E_S较为接近1/2，那么E的变化幅度较小，而V则能使该变化更为突出，故可利用D_V(n_a)最大，D_V(n_a+1)最小的幅度变化来识别交织长度。

k/n表示线性分组码(n,k)的码率。若(n₁,k₁)表示低码率线性分组码，(n₂,k₂)表示码率较高线性分组码，则k₂/n₂>k₁/n₁，由式(2)、(5)可知：

$\left\{\begin{array}{c}E\left(S_{k1}\right)\&Element;\&lsqb;\frac{k_1}{2n_1},\frac{1}{2})\\ E\left(S_{k2}\right)\&Element;(\frac{k_2}{2n_2},\frac{1}{2})\end{array}\right.$

$D_V\left(S_{k1}\right)=E\left(S_{k1}\right)-E(S_{k1}-1)\&Element;\&lsqb;\frac{k_1}{2n_1}-\frac{1}{2},0)$

$D_V\left(S_{k2}\right)=E\left(S_{k2}\right)-E(S_{k2}-1)\&Element;\&lsqb;\frac{k_2}{2n_2}-\frac{1}{2},0)$

$D_V(S_{k1}+1)=E(S_{k1}+1)-E\left(S_{k1}\right)\&Element;(0,\frac{1}{2}-\frac{k_1}{2n_1})$

$D_V(S_{k2}+1)=E(S_{k2}+1)-E\left(S_{k2}\right)\&Element;(0,\frac{1}{2}-\frac{k_2}{2n_2})$

则

|D_V(S_k1+1)-D_V(S_k1)|>|D_V(S_k2+1)-D_V(S_k2)|

上式证明了当线性分组码码率较大时，则其均值差值和方差差值变化范围变小，相应的最大、最小值相差变小，识别概率下降。