CN110098839B - 一种高误码下非系统卷积码编码参数的盲识别方法 - Google Patents

Abstract

本发明属于无线通信技术领域，公开了一种高误码下非系统卷积码编码参数的盲识别方法，包括将卷积码比特流排列成L×l的分析矩阵，识别出码长n；将卷积码比特流按照码长n构建分析矩阵，识别信息位长度k；将卷积码比特流按照码长n构建分析矩阵，利用与校验向量的线性约束关系识别校验向量；对于系统卷积码，遍历寄存器长度m，对校验序列重新排列并与m+1维的向量空间做卷积运算，进行高斯变换，得到系统卷积码的生成矩阵和寄存器长度m；对于非系统码，利用校验矩阵建立方程组，解方程然后筛选得到非系统码的最优生成矩阵和寄存器长度m。本发明较好地克服了高误码情况下卷积码编码参数的盲识别问题，可用于智能通信、通信侦查和通信对抗等领域。

Description

一种高误码下非系统卷积码编码参数的盲识别方法

技术领域

本发明属于无线通信技术领域，尤其涉及一种高误码下非系统卷积码编码参数的盲识别方法。

背景技术

目前，数字信号在信道传输过程中，由于噪声的干扰使得信号失真，为了提高数据传输的可靠性，需要对信号进行信道编码。卷积码作为一种分组码，具有简单的编译码方式和良好的纠错性能，所以在卫星通信、深空通信、移动通信等领域中有广泛的应用。在非协作场景下，急需一种仅利用获取的编码数据快速准确地识别出编码参数的技术，以便获取对方解码的数据更好地分析信息数据中的有用信息。

现有技术一《一种(n,k,m)系统卷积码盲识别的方法》中在无误码的前提下，通过矩阵分析法可以实现高码率卷积码的识别，该技术无法在有误码的情境下识别卷积码编码参数。现有技术二《一种容误码的系统卷积码盲识别方法》中利用多段数据综合分析的方法具有一定的容错性，可以在一定的误码条件下识别k/n码率的系统卷积码，但是针对非系统卷积码生成矩阵的识别并未提到。

综上所述，现有技术存在的问题是：容错性有限；对于非系统卷积码盲识别方法研究少之又少，本发明解决了高误码条件下非系统卷积码的盲识别问题。

解决上述技术问题的难度：

系统码与非系统码区别在于生成矩阵与校验矩阵的对应关系，系统码是一对一的确定关系，而非系统码则是一对多的不确定关系，只能通过

关系式来识别生成多项式矩阵，因此非系统卷积码的识别更加复杂，目前对于非系统卷积码盲识别的研究较少，主要为对得到的生成矩阵进行多次初等变换，此方法复杂度较高，且不能准确识别出生成多项式矩阵。

解决上述技术问题的意义：

在卷积码参数n，k和m相同的条件下，非系统码所能达到的最小距离比系统码好。理论上已经证明，非系统码距离的渐近限优于系统码的渐近限。因此，在实际应用中，非系统卷积码比系统适用范围更广，因此非系统卷积码得到盲识别具有重要的意义。

发明内容

针对现有技术存在的问题，本发明提供了一种高误码下非系统卷积码编码参数的盲识别方法。

本发明是这样实现的，一种高误码下非系统卷积码编码参数的盲识别方法，所述高误码下非系统卷积码编码参数的盲识别方法包括以下步骤：

第一步，将卷积码比特流排列成L×l的分析矩阵，根据编码器编码与信息码字的相关性，识别出码长n；

第二步，将卷积码比特流按照码长n构建分析矩阵，根据编码码字间相关性识别信息位长度k；

第三步，将卷积码比特流按照码长n构建分析矩阵，利用卷积码比特流与校验向量的线性约束关系识别校验向量；

第四步，对于系统卷积码，遍历寄存器长度m，对校验序列进行重新排列并与m+1维的向量空间做卷积运算，进行高斯变换，提取对角元素即可得到的生成多项式矩阵和寄存器长度m；

第五步，对于非系统卷积码，根据校验向量，利用生成矩阵和校验矩阵的线性约束关系可得到生成矩阵集合，之后通过最优准则筛选得到卷积码的最优生成矩阵和寄存器长度m。

进一步，所述第一步将卷积码比特流排列成L×l的分析矩阵，根据编码器编码与信息码字的相关性，识别出码长n具体包括：

(1)对l进行遍历，其中l为可能的码长值，范围为2～25；若l不是2～8的倍数，则进入(6)，否则进入(2)；

(2)将得到的卷积码信息比特流C_s排列成L×l的分析矩阵R_L×l，令L＝1000为分析矩阵的行数；

(3)建立1×2^l维的全零矩阵v，将R_L×l的行转换成对应的十进制，v对应的十进制位置上记录该数出现的次数；

(4)将v进行快速Walsh变换，得到最大Walsh谱峰值并归一化得V_lmax；

(5)若满足V_lmax＞max(γ,d₁h)，继续判断f＝0，f＝l-1，V_max＞d₂h，若存在条件成立，则令f＝l,h＝V_lmax，进入(6)；若均不成立，有n＝l-f，完成码长n的识别，算法结束；

(6)令l＝l+1，返回(1)。

进一步，所述第二步将卷积码比特流按照码长n构建分析矩阵，根据编码码字间相关性识别信息位长度k具体包括：

(1)在二元域上，接收到的卷积码比特流C_s＝{C₁,C₂,…C_i,…}，其中C_i＝(c_i,0,c_i,1,…,c_i,n-1)表示第i时刻输出的n个比特信息；

(2)建立分析矩阵识别模型

将卷积码比特流C_s信息依次放入识别模型中，构造初始分析矩阵组Y＝{y₁,y₂,…y_Nu}，其中列数s为45除以码长n取整，分析矩阵组的个数Nu为卷积码码字长度除以s取整；

(3)依次对初始分析矩阵组中的矩阵求秩，选取秩最小的矩阵构成分析矩阵组Y'＝{y′₁,y'₂,…}；

(4)依次对分析矩阵组Y'＝{y′₁,y'₂,…}的分析矩阵y′_i，进行初等行变换处理，将其对角元素放入对角元素矩阵

中；

(5)对角元素矩阵O各行相加归一化，并向下取整，得到矩阵O'＝{o′₁,o'₂,…,o'_ns}；

(6)将O'重新排列为列数为n的信息矩阵，并删除信息矩阵中全为0和全为1的行，得到矩阵O”，然后对其进行累加求和归一化，得到一个长度为n的向量，向下取整，得到向量E＝{e₁,e₂,…,e_n}，E中1的个数即为信息位长度k。

进一步，所述第三步将卷积码比特流按照码长n构建分析矩阵，利用卷积码比特流与校验向量的线性约束关系识别校验向量具体包括：

初始化：内层迭代计数器为t＝0，上限值为t_max，疑似校验向量集合为h_est＝[],元素选取个数σ＝σ_min，线性组合的行数p＝1，分析矩阵列数初值设为mul＝2n；

(1)对接收到的码字重新排列，构建分析矩阵R_mul，在分析矩阵R_mul前放入一个单位矩阵得到分块矩阵

(2)将分块矩阵H_sys中的单位矩阵I_mul随机分为2个子集I₁和I₂，分别包含

个和

个元素，并据此将分块矩阵H_sys剩余列分为对应的H₁和H₂，H_sys的列数集合为N＝(1,2,…)，令集合J＝N\I_mul为集合I_mul的补集；

(3)在集合J中随机选取σ个元素放入集合L中；

(4)将H₁中任意p行向量进行线性组合，结果记录在集合Λ₁，将Λ₁在集合L上的取值记为Λ_1|L；将H₂中任意p行向量进行线性组合，结果记录在集合Λ₂，将Λ₂在集合L上的取值记为Λ_2|L；

(5)

若存在s_1|L＝s_2|L，s_1|L≠0且

判断两行模2加的码重是否小于等于阈值，若wt((s₁+s₂))/(M+N)≤γ，则令h＝s₁+s₂，h_est＝h_est∪{h}；

(6)若σ达到上限值σ_max，令σ＝σ_min；否则随机选取λ∈I,μ∈J，更新

并通过初等行变换得到

多次执行此操作，令σ＝σ+1；返回(3)；

(7)若t未达到上限值t_max，令t＝t+1，返回(1)；

(8)若mul＜15n，则令t＝0，mul＝mul+n，返回(1)；否则根据信息位长度k确定校验向量维度，返回校验向量H(x)，算法结束。

进一步，所述第四步对于系统卷积码，遍历寄存器长度m，对校验序列进行重新排列并与m+1维的向量空间做卷积运算，进行高斯变换，提取对角元素即可得到的生成多项式矩阵和寄存器长度m具体包括：

(1)初始化寄存器长度m₀＝1；根据识别的码长n对所得到的校验序列进行抽取，对校验向量的每一列按h_ih_i+n…,h_i+1h_i+n+1…,h_i+n-1h_i+n…进行抽取，得到校验序列的子多项式矩阵S；

(2)构造m₀+1维的向量空间

将向量空间

与得到的子多项式矩阵S进行卷积运算得到系数矩阵Q；

(3)根据识别的码长n和当前寄存器长度m₀，将系数矩阵重新排列成列为约束长度N＝n(m₀+1)，行为系数矩阵总元素除以N的矩阵Q'；

(4)对矩阵Q'进行初等变换单位化，提取对角元素，令对角线元素为1的个数为X(m₀)；

(5)若N-X(m₀)≥k，提取对角元素为0的前k列，长度为N，将对角线所对应元素0改为1，得到生成多项式g，按照长度为(m₀+1)进行提取得到{g₁,g₂,…,g_k}，对于系统卷积码得到生成矩阵的估计值为G'＝[g₁；g₂；…；g_k]，寄存器长度m＝m₀完成识别；否则令m₀＝m₀+1重复(2)～(4)。

进一步，所述第五步对于非系统卷积码，根据校验向量，利用生成矩阵和校验矩阵的线性约束关系可得到生成矩阵集合，之后通过最优准则筛选得到卷积码的最优生成矩阵和寄存器长度m具体包括：

(1)初始化寄存器长度m₀＝1；根据识别的码长n对所得到的校验序列进行抽取，对校验向量的每一列按h_ih_i+n…,h_i+1h_i+n+1…,h_i+n-1h_i+n…进行抽取，得到校验序列的子多项式矩阵S；

(2)根据子多项式矩阵S与寄存器长度m₀，建立系数矩阵Q，对系数矩阵进行快速Walsh-Hadamard变换，得到Walsh谱并进行归一化得到F_S；

(3)令X(m₀)表示F_S中除去第一个位置外，元素为1的个数，若X(m₀)＞k，则找到F_S中除去第一个位置外，其他元素为1的位置，然后转换为二进制，并重排为多项式形式，得到生成多项式矩阵组记为G'，进入(4)；若X(m₀)≤k则令m₀＝m₀+1，返回(2)；

(4)对G'中的每个G_i的子生成多项式求其最大公约数，若最大公约数不为1，则剔除G_i，若G_i为其他两个或多个生成多项式的线性组合，则剔除G_i；若G_i中某一路全为0发生缺失，则剔除G_i，经过上述的筛选得到最可能为生成多项式的矩阵组G”，之后将G”按照最小自由距离排序，最小自由距离中最大值所对应的生成矩阵即为最优卷积码生成矩阵。

本发明的另一目的在于提供一种应用所述高误码下非系统卷积码编码参数的盲识别方法的卫星通信系统。

本发明的另一目的在于提供一种应用所述高误码下非系统卷积码编码参数的盲识别方法的深空通信系统。

本发明的另一目的在于提供一种应用所述高误码下非系统卷积码编码参数的盲识别方法的移动通信系统。

本发明的另一目的在于提供一种应用所述高误码下非系统卷积码编码参数的盲识别方法的无线通信系统。

图7、图8以及图9是本发明与现有卷积码盲识别技术识别率的对比图，其中实线为本发明算法，虚线为现有技术方法。通过对比可以看出，本发明容错性能优于现有技术。

综上所述，本发明的优点及积极效果为：本发明采用快速Walsh-Hadamard变换法识别码长，降低了时间复杂度。本发明对信息位长度的识别首先进行预处理筛选，进一步利用统计的方法识别信息位长度，提高了信息位长度的抗误码性能。本发明对于校验向量的识别采用求解低码重码字的方法，提高了卷积码的识别率。本发明对于任意码率系统码和非系统码可以做到全盲识别，对于非系统卷积码，根据最优编码的理论得到最优生成多项式，解决了非系统码生成矩阵识别的问题。

本发明克服了现有技术在高误码下识别率较低的技术偏见，进一步提高了卷积码编码参数盲识别的容错性。现有技术未提及非系统卷积码生成矩阵的识别问题，本发明在识别出校验向量后，利用校验矩阵与生成矩阵线性约束关系识别出非系统卷积码的生成矩阵，取得了较好的技术效果。

附图说明

图1是本发明实施例提供的高误码下非系统卷积码编码参数的盲识别方法流程图。

图2是本发明实施例提供的码长识别的子流程图。

图3是本发明实施例提供的信息位长度识别的子流程图。

图4是本发明实施例提供的校验向量识别的子流程图。

图5是本发明实施例提供的系统卷积码生成矩阵的子流程图。

图6是本发明实施例提供的非系统卷积码生成多项式矩阵识别的子流程图。

图7是本发明实施例提供的本发明与现有技术码长识别对比图。

图8是本发明实施例提供的本发明与现有技术信息位长度识别对比图。

图9是本发明实施例提供的本发明与现有技术卷积码盲识别参数对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有卷积码识别算法存在在高误码情境下，传统识别算法失效，抗误码性能较差；对于非系统卷积码无法实现有效地识别的问题。发明采用快速Walsh-Hadamard变换法识别码长，降低了时间复杂度。本发明对信息位长度的识别首先进行预处理筛选，进一步利用统计的方法识别信息位长度，提高了信息位长度的抗误码性能。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的高误码下非系统卷积码编码参数的盲识别方法包括以下步骤：

S101：将卷积码比特流排列成L×l的分析矩阵，根据编码器编码与信息码字的相关性，识别出码长n；

S102：将卷积码比特流按照码长n构建分析矩阵，根据编码码字间相关性识别信息位长度k；

S103：将卷积码比特流按照码长n构建分析矩阵，利用卷积码比特流与校验向量的线性约束关系识别校验向量；

S104：对于系统卷积码，遍历寄存器长度m，对校验序列进行重新排列并与m+1维的向量空间做卷积运算，进行高斯变换，提取对角元素即可得到的生成多项式矩阵和寄存器长度m；

S105：对于非系统卷积码，根据校验向量，利用生成矩阵和校验矩阵的线性约束关系可得到生成矩阵集合，之后通过最优准则筛选得到卷积码的最优生成矩阵和寄存器长度m。

下面结合附图对本发明的应用原理作进一步的描述。

本发明实施例提供的高误码下非系统卷积码编码参数的盲识别方法具体包括以下步骤：

第一步，识别卷积码的码长n，参照图2，具体步骤的实现过程如下：

1.1)对l进行遍历，其中l为可能的码长值，范围为2～25。若l不是2～8的倍数，则进入1.6)，否则进入1.2)；

1.2)将得到的卷积码信息比特流C_s排列成L×l的分析矩阵R_L×l，令L＝1000为分析矩阵的行数；

1.3)建立1×2^l维的全零矩阵v，将R_L×l的行转换成对应的十进制，v对应的十进制位置上记录该数出现的次数；

1.4)将v进行快速Walsh变换，得到最大Walsh谱峰值并归一化得V_lmax；

1.5)若满足V_lmax＞max(γ,d₁h)，继续判断f＝0，f＝l-1，V_max＞d₂h，若存在条件成立，则令f＝l,h＝V_lmax，进入6)；若均不成立，有n＝l-f，完成码长n的识别，算法结束；

1.6)令l＝l+1，返回1.1)。

第二步，识别信息位长度k，参照图3，具体步骤的实现过程如下：

2.1)在二元域上，接收到的卷积码比特流C_s＝{C₁,C₂,…C_i,…}，其中C_i＝(c_i,0,c_i,1,…,c_i,n-1)表示第i时刻输出的n个比特信息；

2.2)建立分析矩阵识别模型

将卷积码比特流C_s信息依次放入识别模型中，构造初始分析矩阵组Y＝{y₁,y₂,…y_Nu}，其中列数s为45除以码长n取整，分析矩阵组的个数Nu为卷积码码字长度除以s取整；

2.3)依次对初始分析矩阵组中的矩阵求秩，选取秩最小的矩阵构成分析矩阵组Y'＝{y′₁,y'₂,…}；

2.4)依次对分析矩阵组Y'＝{y′₁,y'₂,…}的分析矩阵y′_i，进行初等行变换处理，将其对角元素放入对角元素矩阵

中；

2.5)对角元素矩阵O各行相加归一化，并向下取整，得到矩阵O'＝{o′₁,o'₂,…,o'_ns}；

2.6)将O'重新排列为列数为n的信息矩阵，并删除信息矩阵中全为0和全为1的行，得到矩阵O”，然后对其进行累加求和归一化，得到一个长度为n的向量，向下取整，得到向量E＝{e₁,e₂,…,e_n}，E中1的个数即为信息位长度k。

第三步，识别校验向量H(x)，参照图4，具体步骤的实现过程如下：

初始化：内层迭代计数器为t＝0，上限值为t_max，疑似校验向量集合为h_est＝[],元素选取个数σ＝σ_min，线性组合的行数p＝1，分析矩阵列数初值设为mul＝2n；

3.1)对接收到的码字重新排列，构建分析矩阵R_mul，在分析矩阵R_mul前放入一个单位矩阵得到分块矩阵

3.2)将分块矩阵H_sys中的单位矩阵I_mul随机分为2个子集I₁和I₂，分别包含

个和

个元素，并据此将分块矩阵H_sys剩余列分为对应的H₁和H₂，H_sys的列数集合为N＝(1,2,…)，令集合J＝N\I_mul为集合I_mul的补集；

3.3)在集合J中随机选取σ个元素放入集合L中；

3.4)将H₁中任意p行向量进行线性组合，结果记录在集合Λ₁，将Λ₁在集合L上的取值记为Λ_1|L；将H₂中任意p行向量进行线性组合，结果记录在集合Λ₂，将Λ₂在集合L上的取值记为Λ_2|L；

3.5)

若存在s_1|L＝s_2|L，s_1|L≠0且

判断两行模2加的码重是否小于等于阈值，若wt((s₁+s₂))/(M+N)≤γ，则令h＝s₁+s₂，h_est＝h_est∪{h}；

3.6)若σ达到上限值σ_max，令σ＝σ_min；否则随机选取λ∈I,μ∈J，更新

并通过初等行变换得到

多次执行此操作，令σ＝σ+1。返回3.3)；

3.7)若t未达到上限值t_max，令t＝t+1，返回3.1)；

3.8)若mul＜15n，则令t＝0，mul＝mul+n,返回3.1)；否则根据信息位长度k确定校验向量维度，返回校验向量H(x)，算法结束。

第四步，别系统卷积码生成矩阵G和寄存器长度m，参照图5，具体步骤的实现过程如下：

4.1)初始化寄存器长度m₀＝1；根据识别的码长n对所得到的校验序列进行抽取，对校验向量的每一列按h_ih_i+n…,h_i+1h_i+n+1…,h_i+n-1h_i+n…进行抽取，得到校验序列的子多项式矩阵S；

4.2)构造m₀+1维的向量空间

将向量空间

与得到的子多项式矩阵S进行卷积运算得到系数矩阵Q；

4.3)根据识别的码长n和当前寄存器长度m₀，将系数矩阵重新排列成列为约束长度N＝n(m₀+1)，行为系数矩阵总元素除以N的矩阵Q'；

4.4)对矩阵Q'进行初等变换单位化，提取对角元素，令对角线元素为1的个数为X(m₀)；

4.5)若N-X(m₀)≥k，提取对角元素为0的前k列，长度为N，将对角线所对应元素0改为1，得到生成多项式g，按照长度为(m₀+1)进行提取得到{g₁,g₂,…,g_k}，对于系统卷积码得到生成矩阵的估计值为G＝[g₁；g₂；…；g_k]，寄存器长度m＝m₀完成识别；否则令m₀＝m₀+1重复4.2)～4.4)。

第五步，识别非系统卷积码最优生成多项式矩阵G”和寄存器长度m，参照图6，具体步骤的实现过程如下：

5.1)初始化寄存器长度m₀＝1；根据识别的码长n对所得到的校验序列进行抽取，对校验向量的每一列按h_ih_i+n…,h_i+1h_i+n+1…,h_i+n-1h_i+n…进行抽取，得到校验序列的子多项式矩阵S；

5.2)根据子多项式矩阵S与寄存器长度m₀，建立系数矩阵Q，对系数矩阵进行快速Walsh-Hadamard变换，得到Walsh谱并进行归一化得到F_S；

5.3)令X(m₀)表示F_S中除去第一个位置外，元素为1的个数，若X(m₀)＞k，则找到F_S中除去第一个位置外，其他元素为1的位置，然后转换为二进制，并重排为多项式形式，得到生成多项式矩阵组记为G'，进入(4)；若X(m₀)≤k则令m₀＝m₀+1，返回(2)；

5.4)对G'中的每个G_i的子生成多项式求其最大公约数，若最大公约数不为1，则剔除G_i，若G_i为其他两个或多个生成多项式的线性组合，则剔除G_i；若G_i中某一路全为0发生缺失，则剔除G_i，经过上述的筛选得到最可能为生成多项式的矩阵组G”，之后将G”按照最小自由距离排序，最小自由距离中最大值所对应的生成矩阵即为最优卷积码生成矩阵。

图7是本发明与现有技术码长识别对比图，其中实线表示本发明卷积码识别码长算法，虚线代表现有技术卷积码识别码长算法，横坐标表示信道中误比特率，纵坐标表示循环1000次后算法的识别率，可以看出本发明码长识别算法的容错性优于现有技术。

图8是本发明与现有技术信息位长度识别对比图，其中实线表示本发明卷积码信息位长度识别算法，虚线表示现有技术卷积码信息位长度识别算法，横坐标表示信道中误比特率，纵坐标表示循环1000次后算法的识别率，可以看出本发明信息位长度识别算法的容错性优于现有技术。

图9是本发明与现有技术卷积码盲识别参数对比，其中实线表示本发明卷积码信息位长度识别算法，虚线表示现有技术卷积码信息位长度识别算法，横坐标表示信道中误比特率，纵坐标表示循环1000次后算法的识别率，可以看出本发明卷积码参数盲识别算法的容错性优于现有技术。

本发明克服了现有技术在高误码下识别率较低的技术偏见，进一步提高了卷积码编码参数盲识别的容错性。现有技术未提及非系统卷积码生成矩阵的识别问题，本发明在识别出校验向量后，利用校验矩阵与生成矩阵线性约束关系识别出非系统卷积码的生成矩阵，取得了较好的技术效果。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种高误码下非系统卷积码编码参数的盲识别方法，其特征在于，所述高误码下非系统卷积码编码参数的盲识别方法包括以下步骤：

第一步，将卷积码比特流排列成L×l的分析矩阵，根据编码器编码与信息码字的相关性，识别出码长n；

第二步，将卷积码比特流按照码长n构建分析矩阵，根据编码码字间相关性识别信息位长度k；

第三步，利用卷积码比特流与校验向量的线性约束关系识别校验向量；

具体包括：

初始化：内层迭代计数器为t＝0，上限值为t_max，疑似校验向量集合为h_est＝[],元素选取个数σ＝σ_min，线性组合的行数p＝1，分析矩阵列数初值设为mul＝2n；

(1-1)对接收到的码字重新排列，构建分析矩阵R_mul，在分析矩阵R_mul前放入一个单位矩阵得到分块矩阵

(1-2)将分块矩阵H_sys中的单位矩阵I_mul随机分为2个子集I₁和I₂，分别包含

个和

个元素，并据此将分块矩阵H_sys剩余列分为对应的H₁和H₂，H_sys的列数集合为N＝(1,2,…)，令集合J＝N\I_mul为集合I_mul的补集；

(1-3)在集合J中随机选取σ个元素放入集合L中；

(1-4)将H₁中任意p行向量进行线性组合，结果记录在集合Λ₁，将Λ₁在集合L上的取值记为Λ_1|L；将H₂中任意p行向量进行线性组合，结果记录在集合Λ₂，将Λ₂在集合L上的取值记为Λ_2|L；

(1-5)

若存在s_1|L＝s_2|L，s_1|L≠0且

判断两行模2加的码重是否小于等于阈值，若wt((s₁+s₂))/(M+N)≤γ，则令h＝s₁+s₂，h_est＝h_est∪{h}；

(1-6)若σ达到上限值σ_max，令σ＝σ_min；否则随机选取λ∈I,μ∈J，更新

并通过初等行变换得到

多次执行此操作，令σ＝σ+1；返回(1-3)；

(1-7)若t未达到上限值t_max，令t＝t+1，返回(1-1)；

(1-8)若mul＜15n，则令t＝0，mul＝mul+n，返回(1-1)；否则根据信息位长度k确定校验向量维度，返回校验向量h_est，算法结束；

第四步，对于系统卷积码，遍历寄存器长度m，对校验序列进行重新排列并与m+1维的向量空间做卷积运算，进行高斯变换，提取对角元素即可得到生成多项式矩阵和寄存器长度m；

第五步，对于非系统卷积码，根据校验向量，利用生成矩阵和校验矩阵的线性约束关系可得到生成矩阵集合，之后通过最优准则筛选得到卷积码的最优生成矩阵和寄存器长度m。

2.如权利要求1所述的高误码下非系统卷积码编码参数的盲识别方法，其特征在于，所述第一步将卷积码比特流排列成L×l的分析矩阵，根据编码器编码与信息码字的相关性，识别出码长n具体包括：

(2-1)对l进行遍历，其中l为可能的码长值，范围为2～25；若l不是2～8的倍数，则进入(2-6)，否则进入(2-2)；

(2-2)将得到的卷积码信息比特流C_s排列成L×l的分析矩阵R_L×l，令L＝1000为分析矩阵的行数；

(2-3)建立1×2^l维的全零矩阵v，将R_L×l的行转换成对应的十进制，v对应的十进制位置上记录l出现的次数；

(2-4)将v进行快速Walsh变换，得到最大Walsh谱峰值归一化得V_lmax；

(2-5)若满足V_lmax＞max(γ,d₁h)，继续判断f＝0，f＝l-1，V_max＞d₂h，若存在条件成立，则令f＝l,h＝V_lmax，进入(2-6)；若均不成立，有n＝l-f，完成码长n的识别，算法结束；

(2-6)令l＝l+1，返回(2-1)。

3.如权利要求1所述的高误码下非系统卷积码编码参数的盲识别方法，其特征在于，所述第二步将卷积码比特流按照码长n构建分析矩阵，根据编码码字间相关性识别信息位长度k具体包括：

(3-1)在二元域上，接收到的卷积码比特流C_s＝{C₁,C₂,…C_i,…}，其中C_i＝(c_i,0,c_i,1,…,c_i,n-1)表示第i时刻输出的n个比特信息；

(3-2)建立分析矩阵识别模型

将卷积码比特流C_s信息依次放入识别模型中，构造初始分析矩阵组Y＝{y₁,y₂,…y_Nu}，其中列数s为45除以码长n取整，分析矩阵组的个数Nu为卷积码码字长度除以s取整；

(3-3)依次对初始分析矩阵组中的矩阵求秩，选取秩最小的矩阵构成分析矩阵组Y'＝{y′₁,y'₂,…}；

(3-4)依次对分析矩阵组Y'＝{y′₁,y'₂,…}的分析矩阵y′_i，进行初等行变换处理，将其对角元素放入对角元素矩阵

中；

(3-5)对角元素矩阵O各行相加归一化，并向下取整，得到矩阵O'＝{o′₁,o'₂,…,o'_ns}；

(3-6)将O'重新排列为列数为n的信息矩阵，并删除信息矩阵中全为0和全为1的行，得到矩阵O”，然后对其进行累加求和归一化，得到一个长度为n的向量，向下取整，得到向量E＝{e₁,e₂,…,e_n}，E中1的个数即为信息位长度k。

4.如权利要求1所述的高误码下非系统卷积码编码参数的盲识别方法，其特征在于，所述第四步对于系统卷积码，遍历寄存器长度m，对校验序列进行重新排列并与m+1维的向量空间做卷积运算，进行高斯变换，提取对角元素即可得到的生成多项式矩阵和寄存器长度m具体包括：

(4-1)初始化寄存器长度m₀＝1；根据识别的码长n对所得到的校验序列进行抽取，对校验向量的每一列按h_ih_i+n…,h_i+1h_i+n+1…,h_i+n-1h_i+n…进行抽取，得到校验序列的子多项式矩阵S；

(4-2)构造m₀+1维的向量空间

将向量空间

与得到的子多项式矩阵S进行卷积运算得到系数矩阵Q；

(4-3)根据识别的码长n和当前寄存器长度m₀，将系数矩阵重新排列成列为约束长度N＝n(m₀+1)，行为系数矩阵总元素除以N的矩阵Q'；

(4-4)对矩阵Q'进行初等变换单位化，提取对角元素，令对角线元素为1的个数为X(m₀)；

(4-5)若N-X(m₀)≥k，提取对角元素为0的前k列，长度为N，将对角线所对应元素0改为1，得到生成多项式g，按照长度为(m₀+1)进行提取得到{g₁,g₂,…,g_k}，对于系统卷积码得到生成矩阵的估计值为G'＝[g₁；g₂；…；g_k]，寄存器长度m＝m₀完成识别；否则令m₀＝m₀+1重复(4-2)～(4-4)。

5.如权利要求1所述的高误码下非系统卷积码编码参数的盲识别方法，其特征在于，所述第五步对于非系统卷积码，根据校验向量，利用生成矩阵和校验矩阵的线性约束关系可得到生成矩阵集合，之后通过最优准则筛选得到卷积码的最优生成矩阵和寄存器长度m具体包括：

(5-1)初始化寄存器长度m₀＝1；根据识别的码长n对所得到的校验序列进行抽取，对校验向量的每一列按h_ih_i+n…,h_i+1h_i+n+1…,h_i+n-1h_i+n…进行抽取，得到校验序列的子多项式矩阵S；

(5-2)根据子多项式矩阵S与寄存器长度m₀，建立系数矩阵Q，对系数矩阵进行快速Walsh-Hadamard变换，得到Walsh谱并进行归一化得到F_S；

(5-3)令X(m₀)表示F_S中除去第一个位置外，元素为1的个数，若X(m₀)＞k，则找到F_S中除去第一个位置外，其他元素为1的位置，然后转换为二进制，并重排为多项式形式，得到生成多项式矩阵组记为G'，进入(5-4)；若X(m₀)≤k则令m₀＝m₀+1，返回(5-2)；

(5-4)对G'中的每个G_i的子生成多项式求其最大公约数，若最大公约数不为1，则剔除G_i，若G_i为其他两个或多个生成多项式的线性组合，则剔除G_i；若G_i中某一路全为0发生缺失，则剔除G_i，经过上述的筛选得到最可能为生成多项式的矩阵组G”，之后将G”按照最小自由距离排序，最小自由距离中最大值所对应的生成矩阵即为最优卷积码生成矩阵。

6.一种应用如权利要求1-5任意一项所述高误码下非系统卷积码编码参数的盲识别方法的卫星通信系统。

7.一种应用如权利要求1-5任意一项所述高误码下非系统卷积码编码参数的盲识别方法的深空通信系统。

8.一种应用如权利要求1-5任意一项所述高误码下非系统卷积码编码参数的盲识别方法的移动通信系统。

9.一种应用如权利要求1-5任意一项所述高误码下非系统卷积码编码参数的盲识别方法的无线通信系统。

Images