CN112398486B - 利用多种纠错方式进行优化的Turbo码交织参数识别方法及系统 - Google Patents

Abstract

本发明属于编码参数识别技术领域，特别涉及一种利用多种纠错方式进行优化的Turbo码交织参数识别方法及系统，针对接收数据序列，利用已估计的交织位置，通过遍历将接收数据序列进行互相关运算来识别当前遍历时刻交织关系；设定互相关门限，并依据偏离程度和互相关门限来判定当前遍历时刻交织关系识别的正确性；若交织识别未完成，通过遍历互相关运算结果及偏离程度大小对当前遍历时刻交织关系进行纠正，及，利用已知交织参数对待交织识别数据序列进行Turbo码迭代译码，使用译码后的数据序列从交织关系识别正确时刻开始重新对交织关系进行识别。本发明将译码纠错与校验关系相结合，极大的提高交织识别方案的容错性与实时性。

Description

利用多种纠错方式进行优化的Turbo码交织参数识别方法及 系统

技术领域

本发明属于编码参数识别技术领域，特别涉及一种利用多种纠错方式进行优化的Turbo码交织参数识别方法及系统。

背景技术

信道编码参数识别是在编码参数未知的情况下，通过分析接收数据识别编码参数，为后续译码、恢复信息提供必要保障。Turbo码是目前信道编码中一类性能较好的编码方案，广泛用于现代数字通信系统中，因此对其参数的识别具有重要意义。针对Turbo码的分析识别主要包括Turbo码分量编码器和交织器两方面，目前大部分算法集中于分量编码器的识别，而对于交织器的识别大多局限于卷积交织和分组交织，而针对随机交织的研究相对较少。对于非协作通信而言，Turbo码中随机交织器的识别是Turbo码识别的重要内容之一，是后续译码不可或缺的先验信息。

Turbo码随机交织识别的算法一般采取从前到后逐步识别，现有的方法可以分为基于校验关系的识别方法和基于译码的识别方法。利用编码比特间的校验关系分别使用接收解调的硬判决和软判决数据对交织关系识别，基于校验关系符合度的方法仅依赖于几个已识别的交织位置，计算复杂度低，但是随着交织长度的增加，算法的性能会急剧恶化。文献[8]在基于校验关系符合度的基础上提出基于对数校验关系符合度，以较少识别性能的损失降低了计算复杂度。利用Gibbs样本法对部分相关数据进行纠错，在一定程度上改善了算法的容错性，但大幅度增加了算法的计算复杂。

发明内容

为此，本发明提供一种利用多种纠错方式进行优化的Turbo码交织参数识别方法及系统，将译码纠错与校验关系相结合，极大的提高交织识别方案的容错性与实时性。

按照本发明所提供的设计方案，一种利用多种纠错方式进行优化的Turbo码交织参数识别方法，用于利用Turbo码编码器数据序列恢复交织器参数，包含如下内容：

针对接收数据序列，利用已估计的交织位置，通过遍历将接收数据序列进行互相关运算来识别当前遍历时刻交织关系；设定互相关门限，并依据偏离程度和互相关门限来判定当前遍历时刻交织关系识别的正确性；

若交织识别未完成，且当前遍历时刻交织关系识别错误情形，通过遍历互相关运算结果及偏离程度大小对当前遍历时刻交织关系进行纠正；若交织识别完毕，且存在交织关系识别错误情形，利用已知交织参数对交织识别数据序列进行Turbo码迭代译码，使用译码后的数据序列从交织关系识别错误时刻开始重新对交织关系进行识别。

作为本发明利用多种纠错方式进行优化的Turbo码交织参数识别方法，进一步的，设定Turbo码编码器递归系统卷积码RSC参数已知，数据序列已正确分为三路且每帧编码序列的起点和长度已知，来恢复交织器参数。

作为本发明利用多种纠错方式进行优化的Turbo码交织参数识别方法，进一步地，依据数据序列的多项式表示及输出校验序列，计算当前时刻数据序列码元取值的条件概率；依据对数似然比获取码元的条件对数似然比；依据传输信道、调制方式、载波幅度及条件概率转化，获取每一帧数据交织位置上码元似然比预估值；通过遍历可能的交织位置，将所有数据帧上同一位置的对数似然比序列与预估序列进行互相关运算，识别当前遍历时刻交织位置关系。

作为本发明利用多种纠错方式进行优化的Turbo码交织参数识别方法，进一步地，假设t时刻交织识别正确，数据序列满足编码约束关系时的互相关运算结果数学期望μ₁、不满足编码约束关系时的互相关运算结果数学期望μ₂；t时刻交织识别错误时互相关运算结果数学期望μ₃；依据编码约束关系符合程度μ₁＞μ₂＞μ₃，利用数据序列互相关运算结果的均值来判定交织关系是否识别正确。

作为本发明利用多种纠错方式进行优化的Turbo码交织参数识别方法，进一步地，利用当前遍历时刻t帧序列互相关运算结果的均值和标准差来计算偏离程度λ_t，由开始出错位置前已出错的交织关系数、误判交织位置而损失正确交织关系数两者的数学期望及数据序列交织长度来确定互相关门限T_A和T_B。

作为本发明利用多种纠错方式进行优化的Turbo码交织参数识别方法，进一步地，利用偏离程度λ_t和两个互相关门限T_A、T_B来判定交织关系是否识别正确，当t时刻及其之后T_B个时刻的偏离程度，都大于T_A时刻的时候，则判定t时刻交织识别正确，否则判定t时刻识别出错。

作为本发明利用多种纠错方式进行优化的Turbo码交织参数识别方法，进一步地，假设t时刻已经出错，得λ_t＜T_A成立的概率表示为p₀＝(1-Q(T_A))^N；错误识别n个交织关系后检错的概率为P₀(n)；其中，

f_(0,1)(x)为标准高斯分布的概率密度函数，

t_error为开始出错的位置时刻，N为交织长度。

作为本发明利用多种纠错方式进行优化的Turbo码交织参数识别方法，进一步地，当前遍历时刻交织关系识别错误，出错前交织关系识别无误，遍历互相关运算结果，选取最大的F个值，依据判决门限、当前时刻偏离程度及下一时刻偏离程度大小，纠正当前时刻交织位置关系。

作为本发明利用多种纠错方式进行优化的Turbo码交织参数识别方法，进一步地，依据当前遍历时刻偏离程度和互相关门限T_A确定交织关系识别出错时最小时刻，在该最小时刻前的识别关系均正确，正确识别的交织关系占总交织长度的比例小于预设平均识别正确率，则终止纠错，否则，通过设定最大迭代次数，从最小时刻开始利用译码后数据对数据序列进行Turbo码迭代译码，以纠正交织识别中错误位置关系。

进一步地，基于上述的方法，本发明还提供一种利用多种纠错方式进行优化的Turbo码交织参数识别系统，用于利用Turbo码编码器数据序列恢复交织器参数，包含：识别模块和纠正模块，其中，

识别模块，用于针对接收数据序列，利用已估计的交织位置，通过遍历将接收数据序列进行互相关运算来识别当前遍历时刻交织关系；设定互相关门限，并依据偏离程度和互相关门限来判定当前遍历时刻交织关系识别的正确性；

纠正模块，用于对交织关系识别进行纠错，具体过程为：若交织识别未完成，且当前遍历时刻交织关系识别错误情形，通过遍历互相关运算结果及偏离程度大小对当前遍历时刻交织关系进行纠正；若交织识别完毕，且存在交织关系识别错误情形，利用已知交织参数对交织识别数据序列进行Turbo码迭代译码，使用译码后的数据序列从交织关系识别错误时刻开始重新对交织关系进行识别。

本发明的有益效果：

针对在低SNR条件下基于校验方程的交织识别容错性有限、而基于译码迭代实时性有待提高等问题，本发明在基于最大序列相关识别的基础上利用简单有限的纠错机制。在利用提前设定好的门限(仅与交织长度有关)有效检错后，通过迭代译码以及小范围遍历对错误的识别位置进行纠正，提升了交织识别的容错性与实时性。此外，本案中迭代译码纠错具有通用性，同样可以提升其他基于校验关系的性能，具有较好的应用前景。

附图说明：

图1为实施例中交织参数识别流程示意；

图2为实施例中Turbo码编码器示意；

图3为实施例中出错前交织识别参数百分比随E_r/N随概率p_error变化的曲线示意；

图4为实施例中基于部分交织参数的Turbo码译码原理示意；

图5为实施例中本案识别算法原理示意；

图6为实施例中E(W)和E_max(L)随门限T_A和T_B变化情况示意；

图7为实施例中λ_t随交织位置t的变化示意；

图8为实施例中检错方法对正确识别率的影响示意；

图9为实施例中基于最大相关法的不同识别算法性能示意；

图10为实施例中不同交织长度对识别性能的影响示意；

图11为实施例中不同接收帧数对识别性能的影响示意；

图12为实施例中基于校验符合度算法的不同识别算法性能示意。

具体实施方式：

为使本发明的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本发明作进一步详细的说明。

本发明实施例，参见图1所示，提供一种利用多种纠错方式进行优化的Turbo码交织参数识别方法，用于利用Turbo码编码器数据序列恢复交织器参数，参见图1所示，包含如下内容：

S101、针对接收数据序列，利用已估计的交织位置，通过遍历将接收数据序列进行互相关运算来识别当前遍历时刻交织关系；设定互相关门限，并依据偏离程度和互相关门限来判定当前遍历时刻交织关系识别的正确性；

S102、若交织识别未完成，且当前遍历时刻交织关系识别错误情形，通过遍历互相关运算结果及偏离程度大小对当前遍历时刻交织关系进行纠正；若交织识别完毕，且存在交织关系识别错误情形，利用已知交织参数对交织识别数据序列进行Turbo码迭代译码，使用译码后的数据序列从交织关系识别错误时刻开始重新对交织关系进行识别。

典型的Turbo码编码器结构如图2所示，其由两个相同码率的递归系统卷积码(recursive systemic codes，RSC)编码器通过交织器分开并行级联而成。信息序列x经交织器π后得到交织后的信息序列x_π。x和x_π分别经过两个RSC子编码器得到校验序列y和z。信息序列x以及校验序列y₁和z₁经映射及AWGN信道传输(假设映射为BPSK，即

)，最后接收端经过SISO解映射后得到对应的软判决序列a,b,c。现假设Turbo码的RSC参数已经识别，同时接收数据已正确地分为三路且每帧编码序列的起点和长度已知。假设接收到M帧数据，记为{a_k,b_k,c_k},,其中k＝[1,2,...,M]。本案实施例中可以未删余Turbo码(码率为1/3)为例，利用接收的M帧序列恢复交织器π。

本案实施例在互相关运算中，在最大序列互相关算法的基础上进行的改进。设定Turbo码编码器递归系统卷积码RSC参数已知，数据序列已正确分为三路且每帧编码序列的起点和长度已知，来恢复交织器参数。进一步地，依据数据序列的多项式表示及输出校验序列，计算当前时刻数据序列码元取值的条件概率；依据对数似然比获取码元的条件对数似然比；依据传输信道、调制方式、载波幅度及条件概率转化，获取每一帧数据交织位置上码元似然比预估值；通过遍历可能的交织位置，将所有数据帧上同一位置的对数似然比序列与预估序列进行互相关运算，识别当前遍历时刻交织位置关系。假设交织后的第k帧信息序列为x_π(k)＝(x_π(k),1,x_π(k),2···,x_π(k),N)其中k＝1,2，···M，N为序列长度(交织长度)，因此序列x_π(k)的多项式表示为x_π(k)(D)＝x_π(k),1+x_π(k),2D+···x_π(k),ND^N-1，输出校验序列为z_k(D)＝z_k,1+z_k,2D+···z_k,ND^N-1，则x_π(k)(D)与z_k(D)之间有如下关系

其中，g₁(D)＝g_1,0+g_1,1D+···g_1,m-1D^m-1(m为编码寄存器个数)为校验序列的前向生成多项式，g₂(D)＝g_2,0+g_2,1D+···g_2,m-1D^m-1为反馈多项式，

和

分别表示模2加和模2求和。

在第k帧数据中，标记

A_k,-π(t)＝[a_k,π(t),a_k,π(t-1),···a_k,π(t-m)] (2)

C_k,t＝[c_k,t-1,c_k,t-1,···c_k,t-m] (3)

第k帧的t时刻x_k,π(t)取值为0,1的条件概率为

P_c(x_k,π(t)＝v)＝P(x_k,π(t)＝v|A_k,-π(t),C_k,t) (4)

式中v＝0,1，利用贝叶斯公式将式(4)展开

式中，

为了简化运算，引入对数似然比来间接运算

式中，llr_c(·)为对数似然比。

当i＝t-m,···t时，

故式(6)可以进一步化简为

由式(7)及关于对数似然比的结论可知：码元x_k,π(t)的条件对数似然比为

为

式中，

设传输信道为AWGN信道，调制方式为BPSK，载波幅度为A，则

llr(z_k,t-j)＝-2Ac_k,t-j/σ² (10)

式中，σ²为白噪声方差。

式(8)可进一步转化为条件概率

式中：

式中v＝0,1，将式(13)和(14)带入式(7)可得

由式(15)x_k,π(t)的条件对数似然比可以得到每一帧数据交织位置上码元似然比的预估值为

遍历可能的交织位置，将所有数据帧上同一位置的对数似然比序列与其预估序列做互相关运算

式中，i∈{1,2,···,N}\{π(1),π(2),···,π(t-1)}。

因此t时刻交织位置π(t)为使最大序列相关cor(t,i)最大值的i。

由于最大相关法对交织关系的估计过程中，需要利用已经估计完的交织位置，一方面随着交织长度的增加，算法的可靠性会降低，另一方面如果交织关系识别开始出错，将会不断的产生错误的识别结果(本文记作差错传播现象)。本案实施例中通过遍历互相关运算结果及偏离程度大小对当前遍历时刻交织关系进行纠正；及，利用已知交织参数对待交织识别数据序列进行Turbo码迭代译码，使用译码后的数据序列从交织关系识别正确时刻开始重新对交织关系进行识别来克服上述缺点。

的计算与已知量

C_k,t-1和编码系数g有关，因此给定t的情况下，对于不同的i计算cor(t,1),···,cor(t,i)i∈[1,2···,N]可视为相互独立，根据式(17)及中心极限定理可知，当M较大时，cor(t,i)趋于高斯分布，因此，当M较大时本文认为有以下假设成立：当i给定时，随机变量cor(t,1),···,cor(t,i)i∈[1,2···,N]两两相互独立，且都服从高斯分布。

最大相关法对t时刻的识别依赖于已识别的交织位置，假设最大相关法在t时刻识别正确，则可以表明t时刻前的交织关系出错概率很低，因此当i＝π(t)时，序列

C_k,t-1满足编码约束关系，此时记

而当i≠π(t)时，

于是

同理，如果该方法在t时刻识别错误，序列

C_k,t-1不满足编码约束关系，此时cor(t,i)独立同分布，记为

根据编码约束关系的符合程度，一般有μ₁＞μ₂＞μ₃，因此可以利用cor(t,1),···,cor(t,i)，i∈[1,2···,N]的均值来判定交织关系是否识别正确，由于均值u的计算与接收数据的帧数M和SNR等多个因素有关，为此，本案实施例中利用简单有效地的门限判定方法，使得门限的选取与上述因素无关，极大地简化了运算，下面对这种方法进行阐述。

最大相关法在t时刻识别得到的N个互相关值cor(t,1),···,cor(t,N)，设i₁时刻的cor(t,i₁)最大，计算t时刻除最大值cor(t,i₁)以外的N-1个互相关值的均值和标准差

定义最大值cor(t,i₁)偏离均值μ的程度为λ_t为

λ_t＝(cor(t,i₁)-μ)/δ (23)

假设最大相关法在t时刻的交织关系识别正确，则cor(t,π(t))＝cor(t,i₁)，且最大值cor(t,i₁)比较突出，即λ_t相对较大，反之交织关系识别错误，所有cor(t,i)独立同分布，则最大值cor(t,i₁)突出程度低，即λ_t相对较小。

本案实施例中，利用偏离程度λ_t及两个门限T_A和T_B来判定交织关系是否识别正确，最大相关法完成识别后得到λ_t,t∈[1,2···,N]，当t时刻及其之后T_B个时刻的偏离程度(即

)都大于T_A的时候，则判定t时刻交织识别正确，否则判定t时刻识别出错。

接下来对两个门限的设定进行说明，本案实施例中检错方法检测出t_error(开始出错的位置)前已经出错的交织关系数为W,检测方法误判交织位置而损失的正确交织关系为L，设E(·)为数学期望，门限T_A和T_B的设定应满足E(W)和E(L)均较小的条件。假设当最大相关法识别正确时有μ＝μ₂,δ＝δ₂，当识别错误时有μ＝μ₃,δ＝δ₃，假设t时刻已经出错，可得λ_t＜T_A成立的概率为

p₀＝(1-Q(T_A))^N (24)

式中，

f_(0,1)(x)为标准高斯分布的概率密度函数。错误识别n(n＝1···,N-t_error-1)个交织关系后检错的概率为P₀(n)

由于t_error未知，不妨设t_error＝1，故期望E(W)为

如果t时刻最大相关法识别正确，为了降低运算量，假定δ₁＝δ₂＝δ，并记T＝(μ₁-μ₂)/δ＝(μ₁-μ)/δ则当前交织关系π(t)识别正确的概率为p₁为

假设一个交织关系出错后的所有交织关系都识别错误，则出错前已经正确识别前n(n＝1···,N)个交织关系的概率P₁(n)为

同理，在t时刻交织关系π(t)识别正确，而不等式λ_t＜T_A的概率p₂为

在最大相关法原本可以识别前n(n＝1···,N)个交织关系的条件下，因为错误检错导致识别t(t＝1···,n-1)时刻交织关系出错的概率为P₂(n,t)

于是期望E(L)为

由式(31)可知，E(L)除了依赖T_A和T_B外，还与T有关，但当T_A和T_B确定时，记E(L)的最大值为E_max(L)，通过数值搜索可得E_max(L)，E_max(L)只与T_A和T_B有关。综上所述由E(W)和E_max(L)确定的门限T_A和T_B只与交织长度N有关，因此，根据不同的N可以确定门限T_A和T_B的范围。

当检测到交织关系出错后，如何纠错是下一步有待解决的问题。为了提高识别的准确率，本案实施例中可将简单有效的纠错算法，记为“纠错方法一”。

在Turbo码交织器识别过程中，最大相关法在识别任何一个交织位置出错的概率可以视为一个常数，记为P_error。识别出错前已正确识别i(i<N)个交织参数的概率为(1-P_error)ⁱ·P_error，其相应期望E_r为

图3给出了E_r占交织长度N的百分比随概率P_error变化的曲线。随着P_error增大，E_r/N迅速下降；N越大，E_r/N下降速度越快。当P_error远小于1时候，E_r/N已下降至较低水平，例如当N＝1024，当E_r/N为10％时，出错概率P_error≈0.01，这说明，即便在最大相关法识别正确率很低的情况下，对于每个交织关系识别的正确概率依旧很高。因此当纠正t_error时，纠正后面错误的交织关系的概率很高，记序列cor(t,i),i∈[1,N]中第i大的元素为

假设检错方法检测到t时刻为一个出错位置(即

)并且出错t时刻前交织关系识别无误，遍历cor(t,i),i∈[1,N]中最大的F个值(即遍历

t＝[2,···F]求得t+1时刻[λ_t+1，2,λ_t+1，3···,λ_t+1，F])最后比较max[λ_t+1，2,λ_t+1，3···,λ_t+1，F]与λ_t+1，1的大小。如果max[λ_t+1,2,λ_t+1,3···,λ_t+1,F]＞λ_t+1,1，则说明纠错成功，max[λ_t+1，2,λ_t+1，3···,λ_t+1，F]对应的

为t时刻纠错后的交织位置，否则纠错失败继续下一时刻的交织关系识别。

通过小范围遍历的方法可以有效抑制差错传播现象，但在SNR较低或者接收数据量较小时，即便纠正了当前时刻交织关系的错误，仍有可能较快出现识别错误。为了在复杂情况下实现更好的容错性能，实施例中考虑通过译码降低误码率的方式辅助交织参数的识别。通过译码降低接收数据误码率的预处理方式，如图2所示，数据b与交织器没有直接联系，最大相关法仅使用数据a,c对交织关系识别，而数据b由序列x编码得到，包含了序列x的信息。为了更充分的利用接收数据，本案实施例中的基于序列a,b,c的最大互相关法对交织关系进行识别，记为最大相关法(a,b,c)。最大相关法(a,b,c)在交织识别前通过对接收序列a,b进行BCJR译码，译码结果记为a_s。使用数据a_s代替数据a执行最大相关法。由于译码过程可以实现接收数据的纠错，序列a_s通常比a具有更低的误码率，这将有助于提高交织关系识别准确性。

当使用纠错方法一纠错部分交织关系后仍存在λ_t＜T_A的现象，表明部分交织关系识别出错。记λ_t＜T_A中最小的t值为t_correct,可以认为t_correct前的识别关系均正确。因此，记正确识别的交织关系为

即使已知部分交织参数也可以进行Turbo码迭代译码，通常已知道的交织参数越多，译码性能越优异。因此，本案实施例中可利用已知交织参数

进行迭代译码，设置译码迭代次数为N_tur。图4为迭代译码流程，其中DEC2，DEC1分别为BCJR译码器，

为交织器

对应的解交织器，输入数据

为c中交织关系识别正确的部分，长度为t_correct，ω⁽ⁿ⁾为第n次迭代生成的外部信息，而ω⁽⁰⁾＝a_s-a，a⁽ⁿ⁾为第n次译码的结果。由于Turbo码迭代译码具有译码增益，因此a⁽ⁿ⁾(n≥1)的正确率将比a⁽ⁿ⁾有所提高，使用译码后的数据a⁽ⁿ⁾和c⁽ⁿ⁾(其中c⁽ⁿ⁾为a⁽ⁿ⁾编码后的校验序列，编码参数g已知)从t_correct时刻重新对交织关系识别，可记为“纠错方法二”。

进一步地，基于上述的方法，本发明实施例还提供一种利用多种纠错方式进行优化的Turbo码交织参数识别系统，用于利用Turbo码编码器数据序列恢复交织器参数，包含：识别模块和纠正模块，其中，

识别模块，用于针对接收数据序列，利用已估计的交织位置，通过遍历将接收数据序列进行互相关运算来识别当前遍历时刻交织关系；设定互相关门限，并依据偏离程度和互相关门限来判定当前遍历时刻交织关系识别的正确性；

纠正模块，用于对交织关系识别进行纠错，具体过程为：若交织识别未完成，且当前遍历时刻交织关系识别错误情形，通过遍历互相关运算结果及偏离程度大小对当前遍历时刻交织关系进行纠正；若交织识别完毕，且存在交织关系识别错误情形，利用已知交织参数对交织识别数据序列进行Turbo码迭代译码，使用译码后的数据序列从交织关系识别错误时刻开始重新对交织关系进行识别。

为验证本案方案有效性，下面结合仿真数据做进一步解释说明：

参见图5所示的流程图，当交织参数识别开始时，先执行最大相关法(a,b,c)对交织关系进行识别，当检测到t时刻交织关系识别出错且t<N时执行纠错方法一，其中β₁为遍历

中i的判决门限，取值为0.5，当

满足

时终止遍历,记此时i的值为F₁，最终确定t时刻的交织位置为

否则继续使用最大相关法对t+1时刻继续识别。使用上述方法对交织关系识别完毕(即t＝N)的情况下仍检测到部分交织关系出错，则开始执行纠错方法二。若t_correct/N＜r_c，其中r_c为平均识别正确率，取值为0.2，当正确识别的交织关系占总交织长度的比例小于r_c时无法有效译码纠错，因此纠错方法二终止。若纠错方法二使得t_correct增大，表明纠错方法二纠错成功，此时令valid＝1并继续纠错，否则令valid＝0，停止纠错。为了简化运算，设定最大迭代次数N_e等于10，当纠错方法二的迭代次数n_e＞N_e时停止纠错。此外，根据Turbo码译码理论，纠错方法二中BCJR译码迭代次数n_t为3。

基于校验符合度的识别方法与最大序列互相关识别方法的运算量相当，都需要N步计算，每一步计算复杂度为O(MN)，总的计算复杂度为O(MN²)。BCJR译码概率法的计算复杂度为O(2^mn_tMN²)，其中n_t为译码迭代次数。利用检错进行优化的BCJR译码概率法的计算复杂度为O((2^mn_t+m)MN²)。本案实施例中的识别方法在最大相关法的基础上增加检错和两种纠错，下面分别对检错和纠错算法的计算复杂度进行说明：

检错算法的加法和乘法运算量均约为O((2M+4)N)，因此检错算法的计算复杂度为O(MN)；纠错方法一每纠正一个交织位置包括F₁+1步的计算复杂度，其中F₁是纠错遍历次数，通常小于5，此时假设对所有交织位置都进行纠错，因此纠错方法一的计算复杂度为O(MN²)；纠错方法二每次迭代包含利用部分交织关系进行BCJR迭代译码以及使用最大相关法对t_error时刻后的交织关系重新识别两部分，对应的计算复杂度分别为O(mMN²)和O(M(N-t_error)²)，此时假设t_error初始值为r_cN并且纠错方法二迭代次数取最大值N_e，因此纠错方法二的计算复杂度约为O((m+1)N_eMN²)。综上所述，本案识别方法整体计算复杂度约为O((m+1)N_eMN²)。综上所述，本案算法复杂度介于基于校验关系识别算法和基于BCJR译码概率法之间。

对上述交织识别的检错和纠错算法进行仿真验证，为了同其他算法对比分析，本案实施例中的实验使用编码多项为(2,1,2)的RSC，其生成多项式为g₁(D)＝1+D²，g₂(D)＝1+D+D²，实验中的统计结果均通过500次Monte Carlo试验获得。

图6以交织长度N＝512为例，给出了E(W)和E_max(L)随门限T_A和T_B变化的情况。为便于观察，图6中E_max(L)乘以常数C(C＝200)。当固定T_B，可以发现E(W)随着T_A的增加而减少，而C·E_max(L)随着T_A的增加而增加。当T_B较小时，无法满足E(W)和E_max(L)同时较小。由式(26)可知E(W)≥T_B，因此T_B的值也不能过大。为了满足E(W)和E_max(L)均较小的选取原则，可选择T_B＝4。

当T_B选定后，T_A的选取应满足E(W)和E_max(L)同时较小。例如当T_B＝4，E(W)≤8.35,E_max(L)≤0.04时,T_A的取值范围为3.3≤T_A≤3.7,可见，满足一定约束条件的T_A并不唯一，可选取T_A取值范围的中值作为最终的选值。

当T_B确定后，下面确定不同交织长度N时的门限T_A，由于E(W)比E_max(L)更容易计算，因此本文通过选取合适的T_B和E(W)确定门限T_A。表1给出在T_B＝4,E(W)＝8时，门限T_A与E_max(L)随交织长N变化的情况。由表1可以看出随着交织长度的增加，门限T_A逐渐变大，而E_max(L)逐渐变少。

表1门限T_A与E_max(L)随交织长N变化

为了直观展示检错效果，给出使用本案检错算法情况下λ_t随时刻t的变化。由图7可以看出λ_t在交织关系识别正确时通常大于门限T_A，反之在交织关系识别出错时，λ_t在绝大部分位置下小于T_A。实验中交织关系识别开始出错的时刻t_error等于90，本案检错法检测到低于门限T_A的第一个时刻为t₂，由于t_error等于t₂，交织关系检错成功，验证了本案检错方法的有效性。

图8给出了在N＝1024时不同数据量M和SNR条件下，使用检错算法前后，最大相关法正确识别率的对比，可见，在不同数据量M和SNR条件下，使用本案检错算法前后没有给交织识别带来影响，验证了本案检错方法所选门限T_A和T_B与数据量M和SNR无关。

为了形象展示本案所提识别方法的效果，图9给出了四种不同算法(交织长度N＝1024，M＝150，SNR＝1dB，其中检错和纠错参数的选取分别参照表一和表二)的识别性能。由图9(a)所示，在上述条件下最大相关法的λ_t大多低于门限T_A，交织关系正确识别率低。对于图9(b)的最大互相关法(a,b,c),由于对接收数据进行译码预处理,充分利用了接收数据，成功识别出1/3以上的交织关系。由图9(c)可见，本案识别方法(不包括译码纠错)由于应用了纠错法一，市第二识别的准确度进一步提高，改善了识别过程中出现的差错传播现象，但由于SNR较低，仍然较早地陷入错误状态。最后，观察图9(d)可得，本案识别方法通过Turbo码迭代译码的方式，不仅成功识别出之前识别出错的位置，而且此后的λ_t值总体上明显呈上升趋势，这是因为译码直接降低了接收数据的误码率，提高了识别的准确性。一般来说λ_t的均值高于门限T_A越多，识别效果越好。可见，经过Turbo码迭代译码后，识别过程再次出错的概率得到了降低。

下面对本案识别算法性能进行分析，表2给出了在不同交织长度N和SNR的条件下，最大相关法、本案识别方法(不包括译码纠错)和本案识别方法识别出全部交织关系所需要的接收帧数分别为M₁,M₂及M₃，其中M₀代表最大相关法在无误码的情况下识别所需的最小数据帧数。

表2交织参数识别正确率达到100％所需数据量

由表2可知，在SNR＝0时，M₂比M₁所需数据量降低了近1/5，表明纠错方法一有效提高了识别能力，但随着SNR的降低，M₂越趋近于M₁，说明当误码率较大的情况下纠错方法一的纠错性能有限。在SNR＝0时，M₃比M₂节省了约2/3的数据，证明纠错方法二在低SNR情况下纠错效果显著，同时验证了Turbo码迭代译码对识别性能的提升具有重要意义。可以发现本案识别方法在相同交织长度下所需的数据量M₃同无误码数据量M₀(只与交织长度N有关)还存在较大差距，且SNR越低，这一差距越大。这是由于本案识别方法依赖于之前识别的交织关系，SNR越低，越容易出现差错传播现象，同时当SNR降低，译码增益减少，难以发挥迭代译码降低误码率的效果。

接下来从交织长度和接收数据帧数两个方面对算法的容错性进行分析。设定M＝1000，交织长度N分别为512，1024，2048，记录在不同SNR下交织长度N对交织关系识别的影响。从图10中可以看出，随着交织长度的增加，算法的性能越低并且变差的速度越快，但本案算法在低信噪比的容错能力较强。

在交织长度N＝1024，交织帧数M分别为500，250，150的条件下，记录不同SNR下接收帧数M对交织关系识别的影响。从图11可以看出，当接收的帧数增加，算法的性能得到了有效提升，主要原因在于接收的帧数越多，序列的相关性越逼近真实情况，交织位置相关值越大，但与此同时算法的计算复杂度也随之增加。

图12给出了基于校验符合度算法及使用本案纠错算法后对交织关系的识别性能，其中交织长度N＝1024，M＝600，SNR＝0dB。由图12(a)可得，在上述条件下基于校验符合度算法的λ_t大多低于门限，无法有效对交织关系识别。图12(b-d)分别展示使用本案所提接收数据预处理及两种纠错方式后的识别性能，仿真结果同图9相似，使用本案识别方法后在相同条件下交织关系的识别性能也得到不同程度的提升。由表2可得，在相同条件下使用基于校验符合度算法识别全部交织关系的帧数M＝3200，而加入本案纠错算法后，所需帧数M减少为原来的1/6。综上所述本案识别算法同样适用于其他基于校验关系的典型算法，具有较好的通用性。

本案实施例方案在相同条件下所需接收帧数越少，算法的容错性越高，从表3中可以看出，本案识别方法完成全部交织参数识别所需的数据帧数M₃小于基于校验关系的典型算法，接近现有基于BCJR译码概率的最优算法。因此本案识别算法具有较高的容错性。基于校验符合度的识别法、基于BCJR译码概率法及其改进算法(记三种算法完成全部交织参数识别相对应的数据量分别为M₄,M₅,M₆)，最大互相关法及本案识别算法。

表3不同算法完成全部交织参数识别所需帧数目对比

下面比较不同算法在相同计算环境下的运行时间，评估算法的计算复杂度。设基于BCJR译码概率法及其优化算法，本案识别算法识别，基于校验符合度的识别法与最大相关法识别全部交织参数所对应的时间分别为t₁,t₂,t₃,t₄和t₅。在相同条件下运行时间越少，算法的实时性越好。由表4可知，交织长度越长，接收帧数越多，算法的计算量越大。本案识别方法的运算时间t₃处于基于校验关系的典型识别法和BCJR译码概率算法之间，并且随着SNR的增加，本案识别方法的计算时间越趋近于最大相关法，这是由于随着SNR的增加，完成全部交织识别所需数据量越少，此外SNR增加会进一步增加迭代译码增益，提高交织关系识别准确率。

表4不同算法完成全部交织参数识别的运行时间

通过本案识别算法与其他算法的抗误码能力和计算复杂度的对比分析可知，在接收帧数M充足或高SNR情况下，无需使用纠错方法，识别性能同现有的基于校验关系的最优算法相同，同时识别的实时性明显优于基于BCJR译码概率算法；在接收帧数M较少或低SNR情况下，通过两种纠错方式可以提高识别性能，算法的容错性与基于BCJR译码概率算法相似，同时提高了识别的实时性。综上所述，本案识别方法在容错性与实时性更优异。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。

基于上述的系统，本发明实施例还提供一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的系统。

基于上述的系统，本发明实施例还提供一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现上述的系统。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述系统实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述系统实施例中相应内容。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述系统实施例中的对应过程，在此不再赘述。

在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、系统和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和系统，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述系统的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种利用多种纠错方式进行优化的Turbo码交织参数识别方法，其特征在于，用于利用Turbo码编码器数据序列恢复交织器参数，包含如下内容：

针对接收数据序列，利用已估计的交织位置，通过遍历将接收数据序列进行互相关运算来识别当前遍历时刻交织关系；设定互相关门限，并依据偏离程度和互相关门限来判定当前遍历时刻交织关系识别的正确性；

若交织识别未完成，且当前遍历时刻交织关系识别错误情形，通过遍历互相关运算结果及偏离程度大小对当前遍历时刻交织关系进行纠正；若交织识别完毕，且存在交织关系识别错误情形，利用已知交织参数对交织识别数据序列进行Turbo码迭代译码，使用译码后的数据序列从交织关系识别错误时刻开始重新对交织关系进行识别。

2.根据权利要求1所述的利用多种纠错方式进行优化的Turbo码交织参数识别方法，其特征在于，设定Turbo码编码器递归系统卷积码RSC参数已知，数据序列已正确分为三路且每帧编码序列的起点和长度已知，来恢复交织器参数。

3.根据权利要求1所述的利用多种纠错方式进行优化的Turbo码交织参数识别方法，其特征在于，依据数据序列的多项式表示及输出校验序列，计算当前时刻数据序列码元取值的条件概率；依据对数似然比获取码元的条件对数似然比；依据传输信道、调制方式、载波幅度及条件概率转化，获取每一帧数据交织位置上码元似然比预估值；通过遍历可能的交织位置，将所有数据序列上同一位置的对数似然比序列与预估序列进行互相关运算，识别当前遍历时刻交织位置关系。

4.根据权利要求1所述的利用多种纠错方式进行优化的Turbo码交织参数识别方法，其特征在于，假设t时刻交织识别正确，数据序列满足编码约束关系时的互相关运算结果数学期望μ₁、不满足编码约束关系时的互相关运算结果数学期望μ₂；t时刻交织识别错误时互相关运算结果数学期望μ₃；依据编码约束关系符合程度μ₁＞μ₂＞μ₃，利用数据序列互相关运算结果的均值来判定交织关系是否识别正确。

5.根据权利要求1所述的利用多种纠错方式进行优化的Turbo码交织参数识别方法，其特征在于，利用当前遍历时刻t数据序列互相关运算结果的均值和标准差来计算偏离程度λ_t，由开始出错位置前已出错的交织关系数、误判交织位置而损失正确交织关系数两者的数学期望及数据序列交织长度来确定互相关门限T_A和T_B。

6.根据权利要求5所述的利用多种纠错方式进行优化的Turbo码交织参数识别方法，其特征在于，利用偏离程度λ_t和两个互相关门限T_A、T_B来判定交织关系是否识别正确，当t时刻及其之后T_B个时刻的偏离程度，都大于T_A时刻的时候，则判定t时刻交织识别正确，否则判定t时刻识别出错。

7.根据权利要求5所述的利用多种纠错方式进行优化的Turbo码交织参数识别方法，其特征在于，假设t时刻已经出错，得λ_t＜T_A成立的概率表示为p₀＝(1-Q(T_A))^N；错误识别n个交织关系后检错的概率为P₀(n)；其中，

f_(0,1)(x)为标准高斯分布的概率密度函数，

t_error为开始出错的位置时刻，N为交织长度。

8.根据权利要求5所述的利用多种纠错方式进行优化的Turbo码交织参数识别方法，其特征在于，当前遍历时刻交织关系识别错误，出错前交织关系识别无误，遍历互相关运算结果，选取最大的F个值，依据判决门限、当前时刻偏离程度及下一时刻偏离程度大小，纠正当前时刻交织位置关系。

9.根据权利要求5所述的利用多种纠错方式进行优化的Turbo码交织参数识别方法，其特征在于，依据当前遍历时刻偏离程度和互相关门限T_A确定交织关系识别出错时最小时刻，在该最小时刻前的识别关系均正确，正确识别的交织关系占总交织长度的比例小于预设平均识别正确率，则终止纠错，否则，通过设定最大迭代次数，从最小时刻开始利用译码后数据对数据序列进行Turbo码迭代译码，以纠正交织识别中错误位置关系。

10.一种利用多种纠错方式进行优化的Turbo码交织参数识别系统，其特征在于，用于利用Turbo码编码器数据序列恢复交织器参数，包含：识别模块和纠正模块，其中，

识别模块，用于针对接收数据序列，利用已估计的交织位置，通过遍历将接收数据序列进行互相关运算来识别当前遍历时刻交织关系；设定互相关门限，并依据偏离程度和互相关门限来判定当前遍历时刻交织关系识别的正确性；

纠正模块，用于对交织关系识别进行纠错，具体过程为：若交织识别未完成，且当前遍历时刻交织关系识别错误情形，通过遍历互相关运算结果及偏离程度大小对当前遍历时刻交织关系进行纠正；若交织识别完毕，且存在交织关系识别错误情形，利用已知交织参数对交织识别数据序列进行Turbo码迭代译码，使用译码后的数据序列从交织关系识别错误时刻开始重新对交织关系进行识别。

Images