CN113132058B - 一种基于高斯约当消元的改进卷积交织盲识别方法 - Google Patents

Abstract

本发明公开了一种基于高斯约当消元的改进卷积交织盲识别算法，对卷积交织数据分析矩阵基于GJETP的归一化秩的求解进行算法改进，通过对(m×n)阶卷积交织数据分析矩阵X进行一定数目行向量的随机抽取并组成若干子矩阵，取子矩阵归一化秩的最小值代替原有分析矩阵的归一化秩。本发明提出的卷积交织参数盲识别算法，充分利用卷积交织和前向信道编码以及数据矩阵秩的特征，即使是实际场景中接收的卷积交织序列误码率较大的情况下，亦能获得良好的卷积交织参数估计性能。

Description

一种基于高斯约当消元的改进卷积交织盲识别方法

技术领域

本发明属于通信技术领域，特别涉及一种基于高斯约当消元的改进卷积交织盲识别方法。

背景技术

随着数据通信的高速发展，非协作通信的应用越来越广泛。民用领域中，政府部门为确认合法通信并监视非法通信，需要对民用通信系统进行监控和管理，以防止非法使用频谱资源的情况出现。军事领域中，非协作通信常被应用于电子对抗。电子对抗的一个重要组成部分是通信对抗，在通信对抗中，我方作为非协作通信方对通信信号进行截获，然后对截获信号进行信号参数的盲识别，并基于识别的信号参数进行通信系统的正确解调，以获取敌方情报并有效干扰敌方信息。

信号在信道中传输会受到干扰、噪声、衰落等影响，因此信号通过信道传输后接收码元和发送码元会有一定差异，我们将之称为差错，信道编码就是为了解决这个问题而提出的。信道编码是根据一定的规律，在发送码元中添加一定的冗余，以保证信号传输过程中的准确性，提高数据传输的质量。但是一般的信道编码如线性分组码、卷积码是针对无记忆信道中随机错误设计的，对突发错误无法处理，因此引入了交织的概念。作为信道编码处理的一种关键技术，交织对经过信道编码的码元进行位置变换，将信道上的突发错误变成随机错误，从而使系统抵御突发错误的能力得到提高。在非协作通信中，非协作方截获的信号一般是经过交织处理的，但交织参数对非协作方来说是未知的，这就需要在没有先验信息的情况下进行信号的解交织，即交织参数的盲识别。

卷积交织作为一种可以连续工作的交织方式，在数字通信系统中得到广泛应用。目前卷积交织盲识别的研究大多是将卷积交织和前向纠错编码如线性分组码、卷积码等当做一个整体，根据前向编码的特征进行交织参数的盲识别。其中常用的算法有基于高斯约当消元(Gauss-Jordan Elimination Through Pivoting，GJETP)的秩准则算法，该算法使用GJETP将数据矩阵转换为下三角矩阵，并通过下三角矩阵列的汉明重量对数据矩阵的归一化秩进行估计，从而进行卷积交织参数的盲识别。由此可知，交织数据矩阵归一化秩的求解是卷积交织盲识别的重点。

现有的秩准则算法是以GJETP为基础的，该算法受误码率的影响较大，在误码率较大时卷积交织数据矩阵的归一化秩求解不准确，从而导致卷积交织参数盲识别准确率在误码率为0.09时已经下降到50％以下。

发明内容

本发明的目的在于克服上述现有技术的不足，提供一种基于高斯约当消元的改进卷积交织盲识别方法，对现有的秩准则算法进行改进，利用矩阵行向量的随机抽取不影响列向量线性相关性的性质，对卷积交织数据矩阵进行行向量的随机抽取。本发明通过对随机抽取后多个子矩阵的分析，来确定交织参数，从而降低误码对秩准则算法性能的影响，提高交织参数盲识别性能。

技术方案如下：

一种基于高斯约当消元的改进卷积交织盲识别方法，其特征在于，对卷积交织数据分析矩阵基于GJETP的归一化秩的求解进行方法改进，通过对(m×n)阶卷积交织数据分析矩阵X进行一定数目行向量的随机抽取并组成若干子矩阵，取子矩阵归一化秩的最小值代替原有分析矩阵的归一化秩。

进一步的，设接收卷积交织序列为s(n)，长度为L，将s(n)按行填充至列数为c的分析矩阵X中，矩阵行数为

矩阵线性相关列个数为c₁，随机抽取原始分析矩阵X的r₁(c＜r₁＜r)行，组成(r₁，c)阶子矩阵X₁，对分析矩阵X进行p(p＞1)次抽取，并组成p个子矩阵X_i(i＝1，…p)，其中：

对抽取行数r₁和抽取次数p的设置方案如下：

r₁＝2×c

其中

表示对A向上取整，a＝40.64，b＝0.029，c＝0.015，e＝5。

进一步的，基于高斯约当消元的改进卷积交织盲识别方法的具体过程如下：

输入：长度为L的卷积交织序列s(n)，误码率x，分析矩阵列数最小值c_min，最大值c_max，a＝40.64，b＝0.029，c＝0.015，e＝5；

输出：交织宽度B，单位交织深度M，交织偏差d；

初始化：迭代次数i＝1，分析矩阵列数c＝c_min，分析矩阵归一化秩的存储数组n_rank＝[]；

(I)计算卷积交织B×M：

S1：根据抽取次数p和误码率x的关系计算出抽取次数p_x；

循环执行S2-S6：

S2：将s(n)按行填充至列数为c的矩阵X_i中，行数

初始化迭代次数n＝1，子矩阵归一化秩存储数组t＝[]；

S3：对矩阵X_i随机抽取2×c行，组成(2×c，c)阶矩阵Y_n，使用GJETP将Y_n转换为下三角矩阵，并对其求秩g(Y_n)，令数组t的第n个元素t(n)＝g(Y_n)/c；

S4：若n＜p_x，令n＝n+1，执行S3；否则，结束本次迭代，执行S5；

S5：矩阵X_i的归一化秩n_rank(i)＝min(t)；

S6：判断是否满足c＝c_max，若满足，则停止迭代，执行S6；若不满足，令c＝c+1，i＝i+1，然后执行S2；

S7：找到分析矩阵归一化秩小于1时对应的矩阵列数pos＝find(n_rank＜1)+c_min-1，则B×M估计值

其中maxgcd(A)表示数组A中元素的最大公约数；

(II)计算B、M、d：

初始化：迭代次数k＝0，m＝1，存储矩阵norm_rank＝[]；

S8：计算

的除1之外的整数因子

若

不存在，则说明无法估计出卷积交织参数，结束所有步骤；否则执行S9；

S9：判断是否满足

若满足，执行S10；否则结束循环，执行S12；

S10：删除s(n)前

个数据并令其经过

解卷积交织器得到序列z(n)，将z(n)按行填充至列数为

的分析矩阵A，使用GJETP将A转换为下三角矩阵并计算归一化秩r_A，令norm_rank(k+1，m)＝r_A；

S11：判断是否满足m＜p。若满足，则令m＝m+1，否则令m＝1，k＝k+1。执行S9；

S12：找到令norm_rank最小的k₀和m₀，则B＝m₀，

d＝k₀-1。

本发明取得的技术效果：

本发明提出一种性能优异的卷积交织参数盲识别方法，充分利用卷积交织和前向信道编码以及数据矩阵秩的特征，即使是实际场景中接收的卷积交织序列误码率较大的情况下，亦能获得良好的卷积交织参数估计性能。

附图说明

图1是本发明与现有基于GJETP的卷积交织参数盲识别方案进行对比实验得到的测试结果曲线图。

具体实施方式

为使本领域的技术人员更好地理解本发明的技术方案，下面结合实施例对本发明提供的基于高斯约当消元的改进卷积交织盲识别方法进行详细描述。以下实施例仅用于说明本发明而非用于限制本发明的范围。

本发明对卷积交织数据分析矩阵基于GJETP的归一化秩的求解进行方法改进，原有算法受误码影响较大，导致参数识别性能随着误码率的升高急剧下降。本发明对(m×n)阶卷积交织数据分析矩阵X进行一定数目行向量的随机抽取，并组成若干子矩阵，取子矩阵归一化秩的最小值代替原有分析矩阵的归一化秩。

下面以前向编码为线性分组码为例，对本发明的原理及具体实施方案进行说明。

在无误码的情况下，设接收卷积交织序列为s(n)，长度为L，将s(n)按行填充至列数为c的分析矩阵X中，矩阵行数为

矩阵线性相关列个数为c₁。若卷积交织序列中存在较多的误码，可能会对线性分组码码元的线性相关性产生影响，则数据矩阵线性相关列变少或消失，从而无法正确得到矩阵X的秩。

为了解决行数问题，本发明随机抽取原始分析矩阵X的r₁(c＜r₁＜r)行，组成(r₁，c)阶子矩阵X₁。由于子矩阵的行数大于列数，由矩阵秩的性质可知，矩阵行向量的抽取不影响线性相关性，则矩阵X和X₁秩相等，即：

g(X)＝g(X₁)＝c-c₁

随机抽取的r₁个行向量中的元素，其对应的误码率可能会低于原始数据矩阵，此时子矩阵X₁的线性相关性相比矩阵X受到误码影响会更小，从而能够得到更为准确的矩阵秩(即无误码情况下的矩阵秩)。

为了使抽取的子矩阵包含较少的误码元素，本发明对接收数据分析矩阵X进行p(p＞1)次抽取，并组成p个子矩阵Xi(i＝1，…p)。通过比较这p个子矩阵的秩，具有最小秩的子矩阵则为误码元素最少的子矩阵，认为相应的秩是最接近无误码情况下分析矩阵的秩，该秩定义为：

g(X)＝min{g(X_i)}

考虑到接收误码率越高，矩阵的秩越偏离于无误码情况下的秩。为了使得所抽取的子矩阵中以高概率存在低误码的元素，应设置p随误码率的变化而变化。当误码率越高时，由于矩阵X中存在误码的概率会变大，因此需要进行更多次的抽取，才可能获得具有低误码率的子矩阵。并且，抽取行数r₁的设置也应遵循一定的原则。当r₁过大时，子矩阵线性相关性受误码影响会变大，且计算复杂度过大；当r₁过小时，易将满秩矩阵误判为秩缺矩阵，影响结果。

设接收信号的误码率为x，根据仿真发现，当误码率大于0.024时，算法基本失效，此时再增加抽取次数p算法性能己不会得到提升，为获得比较好的性能，本发明对抽取行数r₁和抽取次数p的设置方案如下：

r₁＝2×c

其中

表示对A向上取整，a＝40.64，b＝0.029，c＝0.015，e＝5。

下面给出基于GJETP的改进卷积交织盲识别方法。

实施例1

基于高斯约当消元的改进卷积交织盲识别方法的具体过程如下：

输入：长度为L的卷积交织序列s(n)，误码率x，分析矩阵列数最小值c_min，最大值c_max，a＝40.64，b＝0.029，c＝0.015，e＝5；

输出：交织宽度B，单位交织深度M，交织偏差d；

初始化：迭代次数i＝1，分析矩阵列数c＝c_min，分析矩阵归一化秩的存储数组n_rank＝[]；

(I)计算卷积交织B×M：

S1：根据抽取次数p和误码率x的关系计算出抽取次数p_x；

循环执行S2-S6：

S2：将s(n)按行填充至列数为c的矩阵X_i中，行数

初始化迭代次数n＝1，子矩阵归一化秩存储数组t＝[]；

S3：对矩阵X_i随机抽取2×c行，组成(2×c，c)阶矩阵Y_n，使用GJETP将Y_n转换为下三角矩阵，并对其求秩g(Y_n)，令数组t的第n个元素t(n)＝g(Y_n)/c；

S4：若n＜p_x，令n＝n+1，执行S3；否则，结束本次迭代，执行S5；

S5：矩阵X_i的归一化秩n_rank(i)＝min(t)；

S6：判断是否满足c＝c_max，若满足，则停止迭代，执行S6；若不满足，令c＝c+1，i＝i+1，然后执行S2；

S7：找到分析矩阵归一化秩小于1时对应的矩阵列数pos＝find(n_rank＜1)+c_min-1，则B×M估计值

其中max gcd(A)表示数组A中元素的最大公约数；

(II)计算B、M、d：

初始化：迭代次数k＝0，m＝1，存储矩阵norm_rank＝[]；

S8：计算

的除1之外的整数因子

若

不存在，则说明无法估计出卷积交织参数，结束所有步骤；否则执行S9；

S9：判断是否满足

若满足，执行S10；否则结束循环，执行S12；

S10：删除s(n)前

个数据并令其经过

解卷积交织器得到序列z(n)，将z(n)按行填充至列数为

的分析矩阵A，使用GJETP将A转换为下三角矩阵并计算归一化秩r_A，令norm_rank(k+1，m)＝r_A；

S11：判断是否满足m＜p。若满足，则令m＝m+1，否则令m＝1，k＝k+1。执行S9；

S12：找到令norm_rank最小的k₀和m₀，则B＝m₀，

d＝k₀-1。

对本发明进行了仿真测试，下面对测试情况进行具体说明。

设置前向信道编码为(15，11)BCH码，卷积交织器的交织宽度B＝3、单位交织深度M＝5，卷积交织序列的交织偏差d＝6。本测试对本发明所提方案和现有基于GJETP的卷积交织参数盲识别方案进行对比，显示了不同误码率下的两种方案对卷积交织参数盲识别的准确率，结果如附图1中所示。由附图1可见，本方案在误码率为0.014时卷积交织参数识别准确率仍能达到90％以上，较对比方案在性能上提升明显。

上面结合实施例对本发明的实例作了详细说明，但是本发明并不限于上述实例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出的各种变化，也应视为本发明的保护范围。

Claims (2)

1.一种基于高斯约当消元的改进卷积交织盲识别方法，其特征在于，对卷积交织数据分析矩阵基于GJETP的归一化秩的求解进行方法改进，通过对(m×n)阶卷积交织数据分析矩阵X进行一定数目行向量的随机抽取并组成若干子矩阵，取子矩阵归一化秩的最小值代替原有分析矩阵的归一化秩；

改进的具体步骤为：设接收卷积交织序列为s(n)，长度为L，将s(n)按行填充至列数为c的分析矩阵X中，矩阵行数为

矩阵线性相关列个数为c₁，随机抽取原始分析矩阵X的r₁行，c＜r₁＜r，组成(r₁,c)阶子矩阵X₁，对分析矩阵X进行p次抽取，p＞1，并组成p个子矩阵X_i(i＝1, ...p)，其中：

对抽取行数r₁和抽取次数p的设置方案如下：

r₁＝2×c

其中

表示对A向上取整，x为误码率，a＝40.64，b＝0.029，c＝0.015，e＝5。

2.根据权利要求1所述的基于高斯约当消元的改进卷积交织盲识别方法，其特征在于，具体过程如下：

输入：长度为L的卷积交织序列s(n)，误码率x，分析矩阵列数最小值c_min，最大值c_max，a＝40.64，b＝0.029，c＝0.015，e＝5；

输出：交织宽度B，单位交织深度M，交织偏差d；

初始化：迭代次数i＝1，分析矩阵列数c＝c_min，分析矩阵归一化秩的存储数组n_rank＝[]；

(I)计算卷积交织B×M：

S1：根据抽取次数p和误码率x的关系计算出抽取次数p_x；

循环执行S2-S6：

S2：将s(n)按行填充至列数为c的矩阵X_i中，行数

初始化迭代次数n＝1，子矩阵归一化秩存储数组t＝[]；

S3：对矩阵X_i随机抽取2×c行，组成(2×c,c)阶矩阵Y_n，使用GJETP将Y_n转换为下三角矩阵，并对其求秩g(Y_n)，令数组t的第n个元素t(n)＝g(Y_n)/c；

S4：若n＜p_x，令n＝n+1，执行S3；否则，结束本次迭代，执行S5；

S5：矩阵X_i的归一化秩n_rank(i)＝min(t)；

S6：判断是否满足c＝c_max，若满足，则停止迭代，执行S6；若不满足，令c＝c+1,i＝i+1，然后执行S2；

S7：找到分析矩阵归一化秩小于1时对应的矩阵列数pos＝find(n_rank＜1)+c_min-1，则B×M估计值

其中max gcd(D)表示数组D中元素的最大公约数；

(II)计算B、M、d：

初始化：迭代次数k＝0,m＝1，存储矩阵norm_rank＝[]；

S8：计算

的除1之外的整数因子

若

不存在，则说明无法估计出卷积交织参数，结束所有步骤；否则执行S9；

S9：判断是否满足

若满足，执行S10；否则结束循环，执行S12；

S10：删除s(n)前

个数据并令其经过

解卷积交织器得到序列z(n)，将z(n)按行填充至列数为

的分析矩阵A，使用GJETP将A转换为下三角矩阵并计算归一化秩r_A，令norm_rank(k+1,m)＝r_A；

S11：判断是否满足m＜p；若满足，则令m＝m+1，否则令m＝1,k＝k+1，执行S9；

S12：找到令norm_rank最小的k₀和m₀，则

Images