CN113078914B - 对单个非完整Turbo码分量编码器参数盲识别方法 - Google Patents

Abstract

本发明请求保护一种对单个非完整Turbo码分量编码器参数盲识别方法，属于信道编码盲识别领域。针对Turbo码在删余位上的码字与对应的RSC码有所区别的情况，将该位上的码字视为“0”和“1”等概率出现的误码，从而对删余位进行归零处理并选取合适的截取序列进行匹配度计算，根据最后匹配度的总分布情况对删余型Turbo码分量编码器的参数进行识别。不仅相较于传统检验矩阵匹配法性能有很大的提升，而且该算法能在码长、交织未知的情况下也能完成对分量编码器参数的盲识别。甚至在仅截获一段不完整的码字的情况下，依然能较好的完成分量编码器的参数识别，具有实际应用的工程价值。

Description

对单个非完整Turbo码分量编码器参数盲识别方法

技术领域

本发明属于信道编码盲识别领域，具体为一种对单个非完整Turbo码分量编码器参数盲识别方法。

背景技术

信道编码是现代通信中用来提高信道可靠度的一种泛用技术，发送端通过对原数据添加与其相关的冗余信息，再在接收端根据这种相关性来检测和纠正传输过程产生的差错从而减少传输过程的干扰。在非合作通信中，接收方需在信道编码参数未知的情况下对接收到的码字进行盲识别处理，该技术常常被运用于军事对抗、信号截获、多点广播通信等领域。Turbo码因具有优秀的纠错能力而被广泛运用于如移动卫星通信、数字视频广播、CDMA等现代数字通信系统之中，因此对Turbo码参数的盲识别具有重要的意义。

近年来对Turbo码参数的盲识别研究主要为针对非删余型Turbo码的码长、交织、分量编码器等参数的盲识别算法研究。文献[“张永光.一种Turbo码编码参数的盲识别方法[J].西安电子科技大学学报,2011,38(2):167-172.”]通过建立1/2码率卷积码的识别模型，在采用自同步加扰器恢复出交织后序列的情况下，通过穷举比对的方法识别出了交织映射关系，完成了非归零Turbo码参数的识别。文献[“任亚博,张健,刘以农.高误码率下Turbo码交织器的恢复方法[J].电子与信息学报,2015,37(8):1926-1930.”]将交织器的位置分离，对其进行单独求解，提出了一种在高误码率的条件下利用校验向量特征来恢复Turbo码交织器的方法，减少了误码叠加对识别带来的影响。文献[张立民,吴昭军,钟兆根.高误码率Turbo码分量编码器快速识别算法[J].电子与信息学报,2018,40(01):235-243.]计算出码重概率分布的判决门限，并求出各个多项式下的广义码重值，通过比较二者大小来完成Turbo码分量编码器参数的快速识别。文献[“吴昭军,张立民,钟兆根,等.低信噪比下归零Turbo码码长及其帧同步识别[J].电子与信息学报,2019,41(09):2063-2070.”]通过定义差分似然差的概念提出一种低信噪比(SNR)下基于差分似然差(DLD)的低复杂度Turbo码参数盲识别算法。

通过以上综述内容，并结合Turbo码删余操作的特征，本发明提出一种适用于删余型Turbo码的在低信息量情况下的参数盲识别算法。首先针对Turbo码在删余位上的码字与对应的RSC码有所区别的情况，将该位上的码字视为“0”和“1”等概率出现的误码，从而对删余位进行归零处理并选取合适的截取序列进行匹配度计算，根据最后匹配度的总分布情况对删余型Turbo码分量编码器的参数进行识别。

发明内容

本发明所要解决的技术问题是在所截获的码字总量较低甚至不完整的情况下，完成对特定的删余型Turbo码分量编码器参数的识别，也即识别出该分量编码器所采用的RSC码的生成多项式或生成矩阵。

本发明解决上述技术问题的技术方案是：一种基于校验矩阵匹配法的改进型算法。首先根据该约束长度7以内的RSC码生成多项式的八进制表达式建立不同参数RSC码所对应生成矩阵的数据库。根据编码规则可知，编码后的RSC码字c_RSC与其对应的监督矩阵H之间存在以下关系

c_RSC·H＝0 (1)

也就是说H中的每一列都是RSC码字的零空间向量，而Turbo码在构造上又与RSC码存在一定相似性。在二元域中将接收到的码字与各个参数的校验矩阵按码长n进行迭代相乘，统计乘积结果向量中‘0’的个数作为衡量码字与该参数下校验矩阵的匹配程度，再根据校验矩阵计算出对应的生成矩阵则可完成对分量编码器的参数识别。

以上方法虽然能完成分量编码器的参数识别，但主要有以下缺点：①完成识别需要多段完整码字，对接收信息的总量有要求；②识别分量编码器参数前必须先完成对码长n的识别，若代入码长非真实码长则会对识别结果有所影响；③Turbo码经过删余操作后不包含完整的RSC码码字，它的码字不能用RSC码的生成矩阵来线性表示。为解决以上问题，本发明针对删余型Turbo码对分量编码器的识别方法进行改进。

定理：设x₁和x₂分别是长度为l₁和l₂的比特序列(l₁＜l₂)，且x₁是与x₂的前l₁位相同的子序列。将x₁和x₂经过同一RSC码编码后生成码字c₁和c₂，则c₁是与c₂的前2l₁位相同的子码。

证明：RSC码的生成矩阵为半无限阵，于是同一参数的RSC码下短码对应的生成矩阵即为任意长码对应生成矩阵的子矩阵，则当输出序列x1是x2的子序列时，它们的乘积也具有包含关系

且输入序列的比特和位置都相同处所对应的码字也相同。

证毕

于是在进行序列与监督矩阵匹配时，可从头截取非固定长度l_i的序列进行匹配，这样做一方面可以进行多次不同长度的序列匹配来提高识别率，另一方面是在码长N未知的情况下依然可以对生成多项式C(D)进行盲识别。

除此之外，删余型Turbo码可看作在删余位上0和1出现概率均接近1/2的RSC码。从概率统计学的角度上来讲，可将删余位看作1的出现概率P＝1/2的二项分布，此时分布是对称的。为使接收码字更加近似于对应的RSC码，可将码字删余位的比特进行归零处理，同时在构造监督矩阵数据库时，首先将RSC码生成矩阵中删余位所对应的整列取零，然后将这些矩阵在二元域中的零空间矩阵作为监督矩阵，这样能使监督矩阵与码字之间的契合度更高，从而提高识别率。

附图说明

图1是本发明的识别流程图。

图2是本发明的删余型Turbo码编码器结构框图。

图3是本发明的删余型Turbo码码字序列结构。

图4是本发明在截获信息量较大的前提下分量编码器参数识别情况。

图5是本发明在截获信息量较小的前提下分量编码器参数识别情况。

图6是本发明在截取长度取值较小时的识别情况。

图7是本发明在截取长度取值较大时的识别情况。

图8是本发明选用不同截取长度对盲识别性能影响仿真图。

图9是本发明删余位归零的算法与不归零的传统校验矩阵匹配法性能对比图。

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

①若接收端截获到足够多的L段码字且已经识别出真实码长n。

步骤1：把每段完整码字c₁,c₂,…,c_L中的删余位比特归零构造出识别序列

步骤2：将不同参数生成矩阵中删余位对应的整列归零，求出它们二元域中的各个零空间向量。

步骤3：将各段识别序列以码长n的长度与各参数下的零空间向量迭代相乘，分别统计它们乘积结果中‘0’的个数并取均值，该值最大值所对应的生成矩阵参数即为所求。

②若接收端截获到的码字较短且无法判断该码码长以及该码字是否完整。

步骤1：把接收到的整个码字序列c中的删余位比特归零，从码字起点位置开始分别以不同的合适长度l_i对序列进行截取来构造识别序列

步骤2：分别以各l_i作为码长来构建不同参数下的生成矩阵并将矩阵中删余位对应的整列归零，求出它们二元域中的各个零空间矩阵作为监督矩阵H的数据库使用。

步骤3：将每一组识别序列与其长度一致的监督矩阵/>相乘，统计不同生成多项式C(D)下乘积结果中‘0’出现的次数为/>求出对应的匹配度/>

该参数能一定程度上反映码字与不同参数下监督矩阵的契合程度，契合度越高则与实际参数越接近。

步骤4：当同一生成多项式C_j(D)对应的匹配度在多个不同长度l_i下都为整个数据库中的最大值，则判断C_j(D)即为所求生成多项式C’(D)。如果匹配度最大值对应的生成多项式没有一个统一的量，则适当调整截取长度l_i返回步骤2，直到不同l_i下匹配度最大值对应生成多项式能够达到一定程度的统一。

图1是本发明的识别流程图，主要为截获的码字是否为单个码字的两种情况，分别介绍了对应的简要识别步骤。

图2所示为本发明所采用的删余型Turbo码编码器结构框图模型，其中信息序列u经过交织器形成一个比特位置互换的新序列u₁，u和u₁分别经过RSC码编码器进行编码输出形成两个校验序列X^p1和X^p2，然后通过删余从这两个序列中周期性地删除一半校验位形成校验序列X^p，原信息序列X^s与X^p经过复用调制后形成删余型Turbo码序列X。

图3所示为本发明采用的删余Turbo码结构示意图，根据该图推断出截取序列长度l_i的选择不能过长否则会包含大量误比特而影响识别率，过短则所包含的信息量过少而难以识别。且由于码率为1/2的删余型Turbo码输出具有周期为4的排列周期性，即按原码u、校验序列X^p1、原码u、校验序列X^p2的顺序周期性输出,则l_i的取值尽量选择偶数且l_i之间的间隔不小于4，一般情况下l_i以不小于4的周期在70至100的范围内选取。

图4所示为在接收到足量码字情况①下按本发明的算法进行分析与计算后其乘积结果中‘0’出现次数均值的统计情况。假设接收端截获若干完整的典型删余型Turbo码，其分量RSC编码器生成多项式的八进制表示为(141,155)，在约束长度7以内的RSC码生成多项式数据库中索引号为577。由图3可以看出，当生成多项式索引号为577时，该统计量有最大值48.9，而在取其他生成多项式参数时该值仅能达到35左右，由此就可以成功识别出该Turbo码分量编码器的生成多项式为所求的(141,155)。

图5中(a)(b)(c)三图分别表示在仅接收到单个码字的情况②下按本发明的算法分别选取截取长度l₁＝80，l₂＝100，l₃＝120时计算后匹配度的分布情况。从图中可以看出截取序列长度l_i取不同值时匹配度最大值均为1，且其所对应的生成多项式索引号均为577，则以此盲识别出该RSC码的生成多项式八进制表示为(141,155)，可见该算法在已知信息非常少的情况下也能对删余型Turbo码分量编码器参数进行有效识别。

图6图7分别表示在仅接收到单个码字的情况②下按本发明的算法在选取截取长度过小l₄＝50及过大l₅＝400时计算后匹配度的分布情况，假设接收到码长为200的典型删余型Turbo码，截取长度超过码长的部分由与其无关的随机序列填充。从图中可以看出，当截取长度过小或过大甚至达到码长两倍的情况下，匹配度最大值与其他较大值之间的差距明显减小，但仍然能正确识别出其正确参数，足以说明该算法具有良好的容错性。

图8所示为选用不同截取长度对盲识别性能影响仿真图，从图中可以看出，识别序列截取长度l_i的选择对识别率也有一定的影响，当截取长度选取过小，如当l＝32的时候，在无误码的情况下基本上也不能识别出正确的分量编码器参数。当选取的截取长度增大到l＝64的时候就能在一定程度内正确识别出分量编码器参数，但在无误码的情况下识别率也不能保持100％。截取长度取到l＝92时，无误码状态下能达到100％的识别率且在误比特率不超过0.01的时候识别率能保持在80％以上。当截取长度进一步增加的，如l＝156时可以看出虽然在低误码状态下能够正确识别出分量编码器参数，但随着误比特率的增大其识别率的下降速度明显加快。而当截取长度超过码字长度l＝320时，仍能正确识别出分量编码器参数，但其识别率更容易受到误码的影响而快速下降。

图9所示为本发明删余位归零的算法与不归零的传统校验矩阵匹配法性能对比图，从图中可以看出对于删余位不归零的传统识别方法，由于删余位等价于错误概率为1/2的误码存在，其识别率在自然误比特率为0的情况下也只能达到50％左右，证明本发明改进后的算法在性能上有较大的提升。

Claims (4)

1.对单个非完整Turbo码分量编码器参数盲识别方法，其主要步骤为将接收到的整个码字序列c中的删余位比特归零，若码字序列的码长已知且有足够多段码字则以已知码长构造相应的监督矩阵数据库，将各段码字与监督矩阵迭代相乘，乘积结果中‘0’的个数最大值所对应的生成矩阵参数即为所求；否则，从码字起点位置开始分别以不同的合适长度l_i对序列进行截取来构造识别序列/>并以l_i为码长分别构造相应的监督矩阵数据库，然后将不同截取长度的识别序列与不同参数构成的监督矩阵相乘并计算出匹配度/>的分布情况，此时匹配度最大值所对应的生成多项式即为所求参数。

2.根据权利要求1所述的盲识别方法，其特征在于，将删余型Turbo码看作在删余位上0和1出现概率均接近1/2的RSC码，对码字删余位的比特进行归零处理，同时在构造监督矩阵数据库时，首先将RSC码生成矩阵中删余位所对应的整列取零，然后将这些矩阵在二元域中的零空间矩阵作为监督矩阵，从而减少删余位误码对识别率带来的影响。

3.根据权利要求1所述的盲识别方法，其特征在于，在接收序列较短或无法判断码长的情况下进行序列与监督矩阵匹配时，从头截取非固定长度l_i的序列进行匹配，这样做一方面可以进行多次不同长度的序列匹配来提高识别率，另一方面是在码长N未知的情况下依然可以对生成多项式C(D)进行盲识别。

4.根据权利要求1所述的盲识别方法，其特征在于，对于接收序列较短或无法判断码长的情况，在二元域中将进行归零操作后的码字与各个参数的校验矩阵按截取长度l_i迭代相乘，统计乘积结果向量中‘0’的个数作为衡量码字与该参数下校验矩阵的匹配程度，再根据校验矩阵计算出对应的生成矩阵则可完成对分量编码器的参数识别。