CN106411328B

CN106411328B - 一种基于软比特的Turbo码交织器的盲识别方法

Info

Publication number: CN106411328B
Application number: CN201610961411.6A
Authority: CN
Inventors: 胡斌杰; 谭妥
Original assignee: South China University of Technology SCUT
Current assignee: South China University of Technology SCUT
Priority date: 2016-10-28
Filing date: 2016-10-28
Publication date: 2019-10-18
Anticipated expiration: 2036-10-28
Also published as: CN106411328A

Abstract

本发明公开了一种基于软比特的Turbo码交织器的盲识别方法，采用了软比特信息，首先构造一个校验向量，再利用校验向量的特征，把交织器的每个位置分离开来，逐位恢复交织器。本发明适用于真实环境下的通信系统，能够在高误码率下识别交织关系，并且本发明具有算法简捷，复杂度低，识别速度快等特点。

Description

一种基于软比特的Turbo码交织器的盲识别方法

技术领域

本发明涉及智能通信及信息对抗领域，具体涉及一种基于软比特的Turbo码交织器的盲识别方法。

背景技术

Turbo码作为通信信道中一种重要的前向纠错码,因其具有接近香农理论极限的优异特性,现已广泛应用于3G、4G通信标准中,当前，越来越多的领域设涉及到Turbo码盲识别技术，Turbo码盲识别技术也成为当今通信研究的前沿。经典的并行级联Turbo码编码器结构如图2所示，主要由两个递归系统卷积码(RSC)编码器并行级联而成，卷积码编码器的之间由交织器相连，一般情况下，各RSC编码器的结构相同。

Turbo码盲识别技术具体包括帧起点位置识别、编码参数识别、交织深度识别和交织关系识别。帧起点位置识别、编码参数识别、交织深度识别这几个问题现有的方案已经较好的解决，能应对有误码的情况下识别出这几项参数。对于交织关系识别，现有技术中对于交织器交织关系的恢复是在先恢复Turbo含交织的校验序列后，通过组合信息序列和含交织的校验序列构造“卷积+交织”的模式分析序列进而得到交织关系。在无误码的情况下，该方法能有效地恢复交织关系，但在真实环境下，通信系统无误码的概率极低，该方法则不适用了。

发明内容

为了克服现有技术存在的缺点与不足，本发明提供一种适用于复杂度低、适用于真实环境下的Turbo码交织器的盲识别方法。

本方法采用了软比特信息，首先构造一个校验向量，再利用校验向量的特征，把交织器的每个位置分离开来，逐位恢复交织器。本发明适用于真实环境下的通信系统，能够在高误码率下识别交织关系，并且本发明具有算法简捷，复杂度低，识别速度快等特点。

本发明采用如下技术方案：

一种基于软比特的Turbo码交织器的盲识别方法，包括如下步骤：

步骤一，根据接收的软比特数据，截取其中的M帧每帧长度为L的Turbo码软比特；

步骤二，根据turbo码分量编码器的生成多项式构造校验向量：

p_a＝{0,-1,...,-d},p_b＝{0,-1,...,-d}

步骤三，确定交织长度N，初始化矩阵X_M×N,Z_M×N，初始化矩阵S_M×N，令其所有元素都为0，初始化变量k＝0，初始化交织关系矩阵π_1×N，令其所有元素都为-1；

步骤四，按计算法则计算矩阵S_M×N中所有的元素值S[i][j]，

i＝0,1,...,N-1,j＝0,1,...,N-1；

步骤五，确定第k位对应的交织位置y，令π[k]＝y，校验向量p_a,p_b里每个元素的值都加1，k＝k+1，如果k≥N，则表明所有位置的交织关系已恢复完毕，否则令矩阵S中元素都为0，回到步骤四。

所述步骤中截取是指从帧的起始位置开始取数据，所述软比特数据是指信号由星座图软判决解调出来后的比特信息。

步骤二中，所述turbo码分量编码器是指递归系统卷积码，所述多项式是指递归系统卷积码的多项式，具体如下：

其中，P₁≠P₂，d为多项式的次数，公式中每一项按照从低到高的顺序排列；

步骤二中，构造校验向量具体如下：向量p_a,p_b的元素个数分别等于多项式P₁,P₂中系数不为0的项数，向量p_a,p_b的元素值分别等于多项式P₁,P₂每一项值的次数的相反数。

步骤三中，所述初始化矩阵X_M×N,Z_M×N是指取出M帧中每一帧Turbo软比特序列中的信息序列，如果为归零Turbo码则把信息序列最后的归零比特去掉,确保最后长度为N，作为矩阵X_M×N的每一行；

取出M帧中每一帧Turbo软比特序列中交织后的校验序列，如果为归零Turbo码则把交织后的检验序列最后的归零比特去掉，确保最后长度为N，作为矩阵Z_M×N的每一行，其中信息序列是指turbo码编码中的原始序列，交织后的校验序列是指turbo码编码中的原始序列经过交织器后再通过分量编码器生成的序列。

步骤三中，交织长度N＝L/3-d-1，如果Turbo码为非归零Turbo码，则d＝1。

所述S[i][j]由以下公式计算：

S[i][j]＝(|X[i][j]|+|X[i][π[p_a[1]]]|+...+|X[i][π[p_a[d]]]|+|Z[i][p_b[0]]|+...+|Z[i][p_b[d])·sign

所述的计算法则是指如果p_a[x](x≥0)或者p_b[x](x≥0)的取值为负数，则把公式中相应的X[i][π[p_a[x]]]、或者Z[i][π[p_b[x]]]、去掉。

步骤五中，确定第k位对应的交织位置y，具体为：把矩阵S_M×N的每一列相加求和，找到每一列和的最大值，则最大值对应的列数y。

本发明的有益效果：

本发明采用了软比特，更能充分利用信道信息，提高识别率；能在较差的信道条件完成交织关系的识别；识别方法简单，校验向量一般只有几个元素，因此算法复杂度极低，识别速度很快。

附图说明

图1本发明的交织关系识别流程图；

图2本发明的Turbo码的一般结构图以及其通过噪声信道模型；

图3本发明实施例中不同误比特率下识别成功率达到99％需要的帧数；

图4本发明实施例中不同误比特率下识别成功率达到99％需要的时间。

具体实施方式

下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例

如图1所示，一种基于软比特的Turbo码交织器的盲识别方法，包括如下步骤：

步骤一根据接收的软比特数据，截取其中的M帧每帧长度为L的Turbo码软比特；

所述的软比特是指信号由星座图软判决解调出来后的比特信息；

所述截取是指从帧的起始位置开始取数据；

所述M是一个经验值，可参考附表1来取值；

表1

p_a＝{0,-1,...,-d},p_b＝{0,-1,...,-d}

所述的turbo码分量编码器一般指递归系统卷积码(RSC)；

所述的生成多项式一般指递归系统卷积码的生成多项式，其公式为：

(每一项按次数从低到高排列)

其中，P₁≠P₂，d为多项式的次数。

所述构造校验向量的处理如下：

向量p_a,p_b的元素个数分别等于多项式P₁,P₂中系数不为0的项数，向量p_a,p_b的元素值分别等于多项式P₁,P₂每一项值的次数的相反数。

所述交织长度N的确定：通过公式N＝L/3-d-1求得，其中，如果Turbo码为非归零Turbo码，则d＝1；

所述初始化矩阵X_M×N,Z_M×N是指取出M帧中每一帧Turbo软比特序列中的信息序列，如果为归零Turbo码则把信息序列最后的归零比特去掉,确保最后长度为N，作为矩阵X_M×N的每一行；

取出M帧中每一帧Turbo软比特序列中交织后的校验序列，如果为归零Turbo码则把交织后的检验序列最后的归零比特去掉，确保最后长度为N，作为矩阵Z_M×N的每一行，其中信息序列是指turbo码编码中的原始序列如图2所示，交织后的校验序列是指turbo码编码中的原始序列经过交织器后再通过分量编码器生成的序列，如图2中的Z。

步骤四，按计算法则计算矩阵S_M×N中所有的元素值S[i][j]，

i＝0,1,...,N-1,j＝0,1,...,N-1；

所述S[i][j]由以下公式计算：

所述第k位对应的交织位置y的确定是指把矩阵S_M×N的每一列相加求和，找到每一列和的最大值和最大值对应的列数y。

本实施例的目的是对不同误比特率条件下本方法的识别性能进行仿真。以1/3码率、两分量编码器相同且生成多项式为的PCCC结构为例，

在交织深度为512的条件下调节误比特率，同时通过调节帧数M使识别成功率保持在99％，记录帧数M，得到图3。可以看出通过调节帧数M可以有效抵抗高误比特率，说明该方法有较好的抗误码性能。在交织深度为512的条件下调节误比特率，同时利用图3中对应的帧数M，记录识别成功率在99％时方法所需的时间，得到图4，可以看出该方法识别速度极快。综合图3、图4说明本发明实用性很强。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims

1.一种基于软比特的Turbo码交织器的盲识别方法，其特征在于，首先构造一个校验向量，再利用校验向量的特征，把交织器的每个位置分离开来，逐位恢复交织器；

包括如下步骤：

p_a＝{0,-1,...,-d},p_b＝{0,-1,...,-d}

步骤四，按计算法则计算矩阵S_M×N中所有的元素值S[i][j]，i＝0,1,...,N-1,j＝0,1,...,N-1；

步骤五，确定第k位对应的交织位置y，令π[k]＝y，校验向量p_a,p_b里每个元素的值都加1，k＝k+1，如果k≥N，则表明所有位置的交织关系已恢复完毕，否则令矩阵S中元素都为0，回到步骤四；

取出M帧中每一帧Turbo软比特序列中交织后的校验序列，如果为归零Turbo码则把交织后的检验序列最后的归零比特去掉，确保最后长度为N，作为矩阵Z_M×N的每一行；

所述S[i][j]由以下公式计算：

S[i][j]＝(|X[i][j]|+|X[i][π[p_a[1]]]|+...+|X[i][π[p_a[d]]]|+|Z[i][p_b[0]]|+...+|Z[i][p_b[d]|)·sign

2.根据权利要求1所述的盲识别方法，其特征在于，所述步骤一中截取是指从帧的起始位置开始取数据，所述软比特数据是指信号由星座图软判决解调出来后的比特信息。

3.根据权利要求1所述的盲识别方法，其特征在于，步骤二中，所述turbo码分量编码器是指递归系统卷积码，所述多项式是指递归系统卷积码的多项式，具体如下：

P₁＝1+D+...+D^d,P₂＝1+D+...+D^d

其中，P₁≠P₂，d为多项式的次数，公式中每一项按照从低到高的顺序排列。

4.根据权利要求1所述的盲识别方法，其特征在于，步骤二中，构造校验向量具体如下：向量p_a,p_b的元素个数分别等于多项式P₁，P₂中系数不为0的项数，向量p_a，p_b的元素值分别等于多项式P₁,P₂每一项值的次数的相反数，P₁＝1+D+...+D^d,P₂＝1+D+...+D^d。

5.根据权利要求1所述的盲识别方法，其特征在于，步骤三中，交织长度N＝L/3-d-1，如果Turbo码为非归零Turbo码，则d＝1。

6.根据权利要求1所述的盲识别方法，其特征在于，步骤五中，确定第k位对应的交织位置y，具体为：把矩阵S_M×N的每一列相加求和，找到每一列和的最大值，则最大值对应的列数y。