CN111245445A - 一种(n,1,v)卷积码生成多项式的盲识别方法 - Google Patents
一种(n,1,v)卷积码生成多项式的盲识别方法 Download PDFInfo
- Publication number
- CN111245445A CN111245445A CN202010187276.0A CN202010187276A CN111245445A CN 111245445 A CN111245445 A CN 111245445A CN 202010187276 A CN202010187276 A CN 202010187276A CN 111245445 A CN111245445 A CN 111245445A
- Authority
- CN
- China
- Prior art keywords
- matrix
- data
- code
- generator polynomial
- convolutional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M13/00—Coding, decoding or code conversion, for error detection or error correction; Coding theory basic assumptions; Coding bounds; Error probability evaluation methods; Channel models; Simulation or testing of codes
- H03M13/03—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words
- H03M13/23—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words using convolutional codes, e.g. unit memory codes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Error Detection And Correction (AREA)
Abstract
本发明属于通信技术领域,具体的说是一种(n,1,v)卷积码生成多项式的盲识别方法。本发明通过对接收数据矩阵经过高斯行消元之后的秩进行判断,若满秩则更换数据矩阵,当秩亏时计算解向量与测试矩阵的乘积,再对乘积的重量进行门限检测实现了校验向量的求解,进而完成生产多项式的识别。本发明的方法无论存储级数v是否已知,都能完成(n,1,v)卷积码生成多项式的盲识别,并且对于大存储级数的卷积码,只要数据量足够,仍然有较好的识别效果。
Description
技术领域
本发明属于通信技术领域,具体的说是一种(n,1,v)卷积码生成多项式的盲识别方法。
背景技术
Elias在1955年时最早引入了卷积码,因其独特的性能立即得到各方面的重视。1967年Viterbi构造的最大似然译码算法,使卷积码能够在深空通信、移动通信等现代通信中扮演重要角色。因为卷积码优秀的纠错性能,广泛在级联码中使用,如在上世纪九十年代发现的Turbo码等。目前W-CDMA、CCSDS、IEE802.11等无线通信标准中均大量应用了卷积码。
通信技术的快速发展,使信道编码识别领域得到越来越多的重视,卷积码作为一种重要的信道编码,其参数估计具有重要的研究价值。总结国内外公开发表的文献资料来看,目前的(n,1,v)卷积码的生成多项式识别方法主要有矩阵高斯消元法、walsh-hadamard变换法、建立关键模方程的双合冲算法等。其中walsh-hadamard变换法的抗误码性能最好,即使在7%的高误率下,生成多项式为(171,133)的(2,1,6)卷积码生成多项式识别率超过80%。但是对于(2,1,v)的卷积码,walsh-hadamard变换法的空间复杂度为24(v+1),计算时占用的存储空间随着存储级数v指数增加,当v=15时,空间复杂度为264约1.85×1019,一般的计算机已经难以进行计算。所以walsh-hadamard变换法的适用范围受存储级数的限制,当存储级数超过15基本不在适用。其它方法也难以识别存储级数v>20的卷积码。
为了解决识别算法对存储级数的适应范围,本发明提出了一种(n,1,v)卷积码生成多项式盲识别方法,虽然相较于walsh-hadamard变换法抗误码性能有所下降,但大大拓宽了对卷积码存储级数的适应范围,对(4,1,61)卷积码仍然能够完成识别。
发明内容
本发明的目的,就是利用接收数据,完成(n,1,v)卷积码的生成多项式的盲识别。本发明通过对接收数据矩阵经过高斯行消元之后的秩进行判断,若满秩则更换数据矩阵,当秩亏时计算解向量与测试矩阵的乘积,再对乘积的重量进行门限检测实现了校验向量的求解,进而完成生产多项式的识别。在本发明中,具体给出了存储级数v已知和未知情况下的识别生成多项式的解决方案。
本发明针对的是1/n码率的卷积码,其中n≥2。在介绍n>2的(n,1,v)卷积码识别方法之前,先给出(2,1,v)卷积码生成多项式的盲识别方法,因为1/n码率的卷积码可以看成是n-1个1/2码率卷积码的组合,如图1所示。换句话说,识别(n,1,v)卷积码生成多项式的问题可以归结为做n-1次(2,1,v)码率卷积码生成多项式盲识别问题。
本发明的具体实施步骤如下:
S1:对待识别的(n,1,v)卷积码的码率n和存储级数v进行判断:
如果n=2,并且存储级数v已知,则进入步骤S11;
如果n=2,并且存储级数v未知,则进入步骤S2;
如果n>2,则进入步骤S3;
S11:初始化i=0,利用卷积码接收数据C={c1,c2,c3,…cN}的第2i+1比特到第6m+2i-2比特,即共6m-2比特构造系数矩阵A,其中m=v+1:
S12:对矩阵A做二进制上的高斯行消元得到矩阵A',对矩阵A'的秩做判断,如果R(A')=2m,此时方程组AhT=0的解向量h为1×2m的全零解,则舍弃该段数据,更新i=i+1,回到步骤S11;如果R(A')<2m,此时的A'有如下形式:
其中I(2m-1)×(2m-1)为2m-1阶单位阵,01×(2m-1)为1×(2m-1)的全零向量,P(2m-1)×1为(2m-1)×1的非全零向量,01×1为1×1的零元素。
则由矩阵A'中得到方程组AhT=0的解向量h(如下所示),记录h和h的重量w1;
S13:利用接收数据构造另一矩阵B(M×2m)作为测试矩阵,计算s=BhT,计录s的重量为w2,其中B的构造方式如下:
S15:若w2<T,判定已找到正确的解向量,则输出此时对应的解向量h,进入步骤S16;否则,舍弃该段数据,更新i=i+1,回到步骤S11,直到找到正确的解向量h或者接收数据用完为止;
S16:将解向量h先倒序排列得到h':
h'=[h2v+2,h2v+1,…,h2,h1]
再将h'按1/2码率抽取即得到待识别卷积码生成多项式的各项系数,即可得到生成多项式:
G=[g(1)(D),g(2)(D)]
其中g(1)(D),g(2)(D)的各项系数分别为:g1=[h2v+2,h2v,…h2];g2=[h2v+1,h2v-1,…h1];
S2:对n=2,存储级数v未知的(n,1,v)卷积码,其生成多项式的盲识别方法包括:
S21:初始化m=2,设置最大遍历的范围值mmax;
S22:对于当前的m,计算在此m下识别率为p0时所需要的数据量len,具体为,初始化k=6m-2:
S221、计算Pk:Pk=(1-ε)k,ε为数据的误比特率;
S222、判断Pk是否大于或等于预设的p0,若是,则输出len=k;否则更新k=k+2,回到步骤S221;
S23:取接收数据C={c1,c2,c3,…cN}的前len比特数据{c1,c2,c3,…clen}按照S1中的存储级数v已知的方法进行识别,若数据量len的数据使用完仍没有找到正确的解向量,判定当前的m不正确,则继续遍历m=m+1,如果遍历到m=mmax仍没有得到正确的解向量,则识别失败;
S3:对n>2的(n,1,v)卷积码,其生成多项式的盲识别方法包括:
S31:将1/n卷积码序列按码长分组成n路,抽取其中两路构成1/2码率卷积码,抽取组合方式为:第1路和第2路组合,第1路和第3路组合,……,第1路和第n路组合,共n-1个1/2码率卷积码,按照S2中的识别方法进行识别,共进行n-1次识别操作,并存储各次的识别结果:
S32:在S31的n-1组全部识别结果中,求出Gi(D)第一项阶次最高的解:
S33:对各次识别结果进行遍历,比较Gi(D)的第一项与gmax(D)是否相等,如果相等则直接保留Gi(D);如果不相等,则说明它们存在倍式关系,对Gi(D)乘以倍式操作:
S34:组合得到(n,1,v)卷积码的生成多项式矩阵:
本发明的有益效果为:无论存储级数是否已知,都能完成(n,1,v)卷积码生成多项式的识别,并且对于大存储级数的卷积码,只要数据量足够,仍然有较好的识别效果。
附图说明
图1是本发明中识别(n,1,v)卷积码生成多项式的问题转化为做n-1次(2,1,v)码率卷积码生成多项式盲识别问题的示意图。
图2是本发明实施例3中m=10,20,30,40,50时,1%误码率下的理论识别概率P-数据量N曲线图
图3是本发明实施例3中m=10,20,30,40,50时,1‰误码率下的理论识别概率P-数据量N曲线图
图4是本发明中,未知存储级数v时(2,1,v)卷积码盲识别方法的实现流程图
具体实施方式
下面结合附图和实施例对本发明进行详细的描述,以便本领域的技术人员更好地理解本发明。
实施例1:
本实施例的目的在于展示本发明的实现过程。
以一个生成多项式为(171,133)的(2,1,6)卷积码为例,假定已经知道存储级数v=6,误码率1%条件下,按照本发明的方法进行识别。
具体执行如下:
S1:由于n=2,且存储级数v=6已知,则执行S11-S16
S11:利用接收卷积码比特流,初始化i=0,利用接收数据的第2i+1比特到第6m+2i-2比特(共6m-2=40比特,其中m=v+1=7)构造14×14的系数矩阵A;
S12:构造14×14的数据矩阵,然后进行高斯行消元,表1为当前数据矩阵中存在误码时消元的结果A',结果为单位阵,矩阵满秩R(A')=2m=14舍弃。则更新i=i+1=0+1=1,再重复S11,S12。
表1高斯行消元结果A'
然后经过重复S11,S12,不断更新i以更新数据矩阵,某次高斯消元结果A'如表2所示:
表2高斯行消元结果A'
此时表2的结果不满秩,R(A')=13<2m=14,其解向量为:h=[11100011110111]T,重量w1=10。
S13:利用接收序列构造另一数据矩阵B(50×14)作为测试矩阵。计算s=BhT,计录s的重量为w2,此处算得w2=1。
S14:由M=50,ε=0.01,w1=10计算检测门限:
S15:由于w2=1<T=12.54,判定已找到正确解,输出此时对应的解向量
h=[11100011110111]T
S16:将解向量h先倒序排列得到h'=[11101111000111]T,再将h'按1/2码率抽取g1=[1111001]和g2=[1011011],改写为常用的8进制表示形式即:G=(171,133)。对比原来的生成多项式可知识别正确
实施例2:
本实施例的目的在于解释说明本发明中n>2时的(n,1,v)卷积码拆分为n-1组(2,1,v)卷积码的识别过程,且本实施例采用大存储级数的卷积码,证明了本发明对大存储级数卷积码的适应性。
以存储级数非常大的(4,1,61)卷积码的识别过程为例进行说明,其生成多项式矩阵如下:G=[0004010000c08001,2001040000011001,0400000400004029,1](为表示方便,用16进制数表示),在接收序列长度30000bit,1‰误码率下进行在matlab中进行仿真实验。
具体执行如下:
S1由于n=4>2,执行S3.
S31:将1/4码率卷积码序列按码长分组成4路,依次抽取其中两路构成1/2码率卷积码(第1路和第2路组合,第1路和第3路组合,第1路和第4路组合,共3组1/2码率卷积码)按照S2中的(2,1,v)卷积码步骤进行识别(共需进行3次识别操作),并存储各次的识别结果,3次识别结果如表3所示:
表3(4,1,61)卷积码拆分成1/2卷积码使用本发明方法识别结果
S32:在S31的3组全部识别结果中,求出Gi(D)第一项阶次最高的解为:
gmax=4010000c08001
S33:对各次识别结果进行遍历,比较Gi(D)的第一项与gmax(D)是否相等,如果相等则直接保留Gi(D);如果不相等,则说明它们存在倍式关系,对Gi(D)乘以倍式操作:
由上式知,与各项的第一项阶次比较后,若不等则需要先进行二进制上的多项式除法运算:
值得注意的是,模2除法与普通二进制算术除法类似,但不同的是,此处的模2除法为不带借位的除法,本质上就是异或运算。下面以第1组的结果G1为例进行详细说明:
gmax=4010000c08001(16)
=100000000010000000000000000110000001000000000000001(2)
上面的模2除法运算的结果为1001,用多项式形式表示即:
求得倍式关系后,按照S33的描述,接着对G1乘以倍式操作:
同理,对G2,G3重复进行相同的操作,处理后的结果如表4所示:
表4乘以倍式处理后结果
组别 | 处理结果(为表示方便,多项式系数用16进制表示) | 多项式阶次 |
G<sub>1</sub> | (4010000c08001,2001040000011001) | (50,61) |
G<sub>2</sub> | (4010000c08001,400000400004029) | (50,56) |
G<sub>3</sub> | (4010000c08001,1) | (50,0) |
S34:根据表4的结果,组合得到待识别1/n卷积码的生成多项式矩阵为:
G=(4010000c08001,2001040000011001,400000400004029,1)
将它与原始(4,1,61)生成多项式进行比较可知,识别结果完全正确。
实施例3
本实施例的目的在于方法容错性与所需数据量分析,同时说明本发明中S22中计算公式的得来过程,并仿真绘制了m为10,20,30,40,50时,不同数据量N条件下的理论识别概率P曲线,从理论上证明了发明对大存储级数卷积码的适应性。
假设数据的误码率为ε,考察用于高斯消元的数据矩阵A,该矩阵使用的总数据量为(6m-2)bit,则能成功求解出正确的校验向量的条件为:在含误码的比特流中能够找到一段长度为6m-2的连续无误码的数据段,而任意一段长为6m-2的数据满足条件的概率为(令k=6m-2):
P=(1-ε)6m-2=(1-ε)k
相应的,不满足条件即识别失败的概率为:
P=1-P
接下来尝试用递推的方式推导在给定数据量N(N≥k)时,能够正确识别校验向量的概率PN;(记“在给定数据量N条件下正确识别校验向量”为事件AN)
当N=k时,有:
PN=(1-ε)k
当N=k+2时:
因此可递推得出:给定任意的数据量N,(N≥k),可以由以下公式计算出理论识别概率PN(由Pk计算Pk+2,由Pk+2计算Pk+4……以此类推最后由PN-2计算PN)。
通过上述公式可以分析数据量为多少时足够完成识别。图2和图3分别给出了在误码率为1%和1‰时,m为10,20,30,40,50时,不同数据量N条件下的理论识别概率P。
对于1/2码率的卷积码,m=50已经非常大了,针对这一个列子,从图2和图3中可以看到:在1‰的误码率条件下,m=50的1/2码率卷积码使用5000bit数据足以完成识别;而在1%误码率下,使用10000bit数据识别概率已经接近于1。可见,理论上该方法对存储级数很大的卷积码,仍然有较好的识别效果。
Claims (1)
1.一种(n,1,v)卷积码生成多项式的盲识别方法,用于1/n码率的卷积码,n≥2,其特征在于,包括以下步骤:
S1:对待识别的(n,1,v)卷积码的码率n和存储级数v进行判断:
如果n=2,并且存储级数v已知,则进入步骤S11;
如果n=2,并且存储级数v未知,则进入步骤S2;
如果n>2,则进入步骤S3;
S11:初始化i=0,利用卷积码接收数据C={c1,c2,c3,…cN}的第2i+1比特到第6m+2i-2比特,即共6m-2比特构造系数矩阵A,其中m=v+1:
S12:对矩阵A做二进制上的高斯行消元得到矩阵A',对矩阵A'的秩做判断,如果R(A')=2m,此时方程组AhT=0的解向量h为1×2m的全零解,则舍弃该段数据,更新i=i+1,回到步骤S11;如果R(A')<2m,此时的A'有如下形式:
其中I(2m-1)×(2m-1)为2m-1阶单位阵,01×(2m-1)为1×(2m-1)的全零向量,P(2m-1)×1为(2m-1)×1的非全零向量,01×1为1×1的零元素;则由矩阵A'中得到方程组AhT=0的解向量h:
记录h和h的重量w1;
S13:利用接收数据构造另一矩阵B(M×2m)作为测试矩阵,计算s=BhT,计录s的重量为w2,其中B的构造方式如下:
S15:若w2<T,判定已找到正确的解向量,则输出此时对应的解向量h,进入步骤S16;否则,舍弃该段数据,更新i=i+1,回到步骤S11,直到找到正确的解向量h或者接收数据用完为止;
S16:将解向量h先倒序排列得到h':
h'=[h2v+2,h2v+1,…,h2,h1]
再将h'按1/2码率抽取即得到待识别卷积码生成多项式的各项系数,即可得到生成多项式:
G=[g(1)(D),g(2)(D)]
其中g(1)(D),g(2)(D)的各项系数分别为:g1=[h2v+2,h2v,…h2];g2=[h2v+1,h2v-1,…h1];
S2:对n=2,存储级数v未知的(n,1,v)卷积码,其生成多项式的盲识别方法包括:
S21:初始化m=2,设置最大遍历的范围值mmax;
S22:对于当前的m,计算在此m下识别率为p0时所需要的数据量len,具体为,初始化k=6m-2:
S221、计算Pk:Pk=(1-ε)k,ε为数据的误比特率;
S222、判断Pk是否大于或等于预设的p0,若是,则输出len=k;否则更新k=k+2,回到步骤S221;
S23:取接收数据C={c1,c2,c3,…cN}的前len比特数据{c1,c2,c3,…clen}按照S1中的存储级数v已知的方法进行识别,若数据量len的数据使用完仍没有找到正确的解向量,判定当前的m不正确,则继续遍历m=m+1,如果遍历到m=mmax仍没有得到正确的解向量,则识别失败;
S3:对n>2的(n,1,v)卷积码,其生成多项式的盲识别方法包括:
S31:将1/n卷积码序列按码长分组成n路,抽取其中两路构成1/2码率卷积码,抽取组合方式为:第1路和第2路组合,第1路和第3路组合,……,第1路和第n路组合,共n-1个1/2码率卷积码,按照S2中的识别方法进行识别,共进行n-1次识别操作,并存储各次的识别结果:
S32:在S31的n-1组全部识别结果中,求出Gi(D)第一项阶次最高的解:
S33:对各次识别结果进行遍历,比较Gi(D)的第一项与gmax(D)是否相等,如果相等则直接保留Gi(D);如果不相等,则说明它们存在倍式关系,对Gi(D)乘以倍式操作:
S34:组合得到(n,1,v)卷积码的生成多项式矩阵:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010187276.0A CN111245445B (zh) | 2020-03-17 | 2020-03-17 | 一种(n,1,v)卷积码生成多项式的盲识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010187276.0A CN111245445B (zh) | 2020-03-17 | 2020-03-17 | 一种(n,1,v)卷积码生成多项式的盲识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111245445A true CN111245445A (zh) | 2020-06-05 |
CN111245445B CN111245445B (zh) | 2023-05-26 |
Family
ID=70877196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010187276.0A Active CN111245445B (zh) | 2020-03-17 | 2020-03-17 | 一种(n,1,v)卷积码生成多项式的盲识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111245445B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1566911A2 (en) * | 2004-02-20 | 2005-08-24 | BAE SYSTEMS Information and Electronic Systems Integration, Inc. | Reduced complexity multi-turbo multi-user detector |
CN103401650A (zh) * | 2013-08-08 | 2013-11-20 | 山东大学 | 一种(n,1,m)有误码卷积码的盲识别方法 |
CN104243095A (zh) * | 2014-09-11 | 2014-12-24 | 山东大学 | 一种卷积码与线性分组码的码字类型盲识别方法 |
CN107566091A (zh) * | 2017-10-24 | 2018-01-09 | 重庆电子工程职业学院 | 一种顾及广义耦合暗信息的卷积码盲识别方法 |
-
2020
- 2020-03-17 CN CN202010187276.0A patent/CN111245445B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1566911A2 (en) * | 2004-02-20 | 2005-08-24 | BAE SYSTEMS Information and Electronic Systems Integration, Inc. | Reduced complexity multi-turbo multi-user detector |
CN103401650A (zh) * | 2013-08-08 | 2013-11-20 | 山东大学 | 一种(n,1,m)有误码卷积码的盲识别方法 |
CN104243095A (zh) * | 2014-09-11 | 2014-12-24 | 山东大学 | 一种卷积码与线性分组码的码字类型盲识别方法 |
CN107566091A (zh) * | 2017-10-24 | 2018-01-09 | 重庆电子工程职业学院 | 一种顾及广义耦合暗信息的卷积码盲识别方法 |
Non-Patent Citations (2)
Title |
---|
S. N. HAN;M. ZHANG;X. H. LI: "A Fast Method for Blind Identification of Punctured Convolutional Codes", RADIOENGINEERING * |
李志鹏: "通信信道编码中卷积编码识别", 《中国优秀硕士学位论文全文数据库》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111245445B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108462558B (zh) | 一种极化码scl译码方法、装置及电子设备 | |
CN103888148B (zh) | 一种动态阈值比特翻转的ldpc码硬判决译码方法 | |
JP3451221B2 (ja) | 誤り訂正符号化装置、方法及び媒体、並びに誤り訂正符号復号装置、方法及び媒体 | |
CN111970009B (zh) | 级联极化码比特翻转置信传播编译码方法 | |
CN106712898B (zh) | 基于高斯迭代列消元的信道编码盲识别方法 | |
CN105978577A (zh) | 一种基于比特翻转的串行列表译码算法 | |
CN111106839A (zh) | 一种基于神经网络的极化码译码方法及装置 | |
CN110995279B (zh) | 一种极化码联合scf球形列表翻转译码方法 | |
CN105812000B (zh) | 一种改进的bch软判决译码方法 | |
WO2007044991A2 (en) | Broadcast message passing decoding of low density parity check codes | |
CN112165338B (zh) | 一种卷积码随机交织序列交织关系的估计方法 | |
CN112165337B (zh) | 基于线性约束的卷积码随机交织序列交织关系估计方法 | |
CN109672498B (zh) | 译码方法和装置 | |
CN111130567B (zh) | 添加噪声扰动和比特翻转的极化码置信传播列表译码方法 | |
CN111245445A (zh) | 一种(n,1,v)卷积码生成多项式的盲识别方法 | |
CN116683919A (zh) | 一种LDPC码的基于排序TEPs的OSD译码方法 | |
RU2340088C2 (ru) | Способ синдромного декодирования циклического кода (варианты) | |
CN113132058B (zh) | 一种基于高斯约当消元的改进卷积交织盲识别方法 | |
CN113395139A (zh) | 一种基于高斯列消元的卷积码码长盲识别方法 | |
CN113659994A (zh) | 一种低复杂度的卷积码随机交织关系的估计方法 | |
US11184035B2 (en) | Soft-input soft-output decoding of block codes | |
CN108933603B (zh) | 一种实现校验节点处理的方法及装置 | |
CN112821895A (zh) | 一种实现信号高误码率下的编码识别方法 | |
CN101436864A (zh) | 一种低密度奇偶校验码的译码方法及装置 | |
CN116560915B (zh) | 数据恢复方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |