CN1162976C - 一种混沌交织方法 - Google Patents

Abstract

一种混沌交织方法，采用混沌映射作为混沌序列产生器，设计基本混沌交织方法、S-混沌交织方法、分块混沌交织方法，上述交织方法不但在性能上较传统的交织方法如随机交织方法有所改善，而且实现简单、产生灵活、参数传递少、改进途径多且性能更好。

Description

一种混沌交织方法

技术领域

本发明属于通信数据传输及数据存储技术领域，具体涉及一种基于混沌技术而设计的一种用于信道编码中的混沌交织方法。

背景技术

1948年Shannon在他的奠基性论文《通信的数学原理》中(C.E.Shannon.A mathematical theory of communication.Bell syst.Tech.J.，vol 27，pp：379-423，623-656)，首次提出了著名的信道编码理论：对任意信道容量为C的通信信道，如果通信系统所要求的传输速率R小于C，则存在一个编码方法，当码长n充分大并应用最大似然译码时，系统的错误率可以达到任意小。他在定理中应用了三个基本条件：

1)采用随机编码；

2)编码长度n→∞，即编码长度趋于无限；

3)译码采用最佳的最大似然(ML)方法。

在信道编码的研究和发展过程中，基本上是以后两个条件为主要发展方向的。由于在实际中难以实现随机性编码方法，且当编码长度很大时，采用最大似然译码算法难以实现，因此人们认为条件1)仅仅是为证明定理的存在性而引入的一种数学方法。而在1993年由BerrouC，Glavieux A，Thitimajshima提出新的信道编码方案Turbo码，参见《靠近香农限的纠错编码：turbo码》(Berrou C，GlavieuxA，Thitimajshima.Near Shannon limit error correcting coding：turbo codes.In Proc IEEE ICC’93，1993，pp：1064～1070)，则很好地应用了随机编译码的条件，从而获得几乎接近Shannon理论极限的译码性能。有关Turbo码的研究很快就成为信道编码理论研究的热点课题，并在3GPP中得到应用。Turbo码是一种并行级联码。其中交织器对实现条件1)和2)起着关键的作用。交织器的主要功能是将原始数据序列打乱，使得交织前后数据序列的相关性减弱，大大降低数据突发错误的影响，提高传输质量。目前交织器主要有分块交织器、卷积交织器，参见《交织器的优化实现》(J.L Ramsey.Realization of option interleavers.IEEETrans.Inform.Theory，vol.16，No.3，May 1970，pp：338-345)、随机交织器，参见《Turbo码在个人通信系统中的应用》(D.Divsalar，F.Pollara.Turbo codes for PCS applications.In Proc IEEE ICC’95，June 1995，pp：54-59)等。

在目前的交织器设计中，多以伪随机序列为基础得到交织矩阵，可以得到不错的交织效果，但存在稳定性不好，难于控制等缺点。

混沌具有类随机性，但混沌又是一个确定的系统。它的这种确定的不确定性可以产生伪随机信号或类噪声信号，并能准确的控制。同时混沌序列还具有理论无周期性、初值敏感性、需要传递的参数少等特点，参见《混沌神经网络系统中的联想动力学》(Adachi M，AiharaK.Associative dynamics in a chaotic neural network.Neural Networks，1997，10：83～89)。因此，在保密通信、扩频通信、联想记忆和优化设计等信息处理领域混沌已得到越来越广泛的应用。

发明内容

基于混沌的一系列特性及Turbo码设计的需要，我们提出将混沌理论用于Turbo码的交织器设计中，用混沌序列取代伪随机序列来生成交织矩阵，得到一种混沌交织方法，该方法获得的交织器不但在性能上较传统的交织器如随机交织器有所改善，而且实现简单、产生灵活、参数传递少、改进途径多且性能更好。此思想方法不仅适用于信道编码领域中，也可应用于其它需对信息序列进行扰乱的通信电子系统中。

本发明提出的混沌交织方法如下：

算法实现

混沌序列因其本身的伪随机性、对初值的敏感性、可确定性和无限周期性而广泛应用于通信领域中，在本发明中，我们正是利用混沌序列的这些特点而设计出混沌交织器。

我们采用传统的Logistic映射作为混沌序列产生器，Logistic映射表达式如下：

         x_n+1＝4x_n(1-x_n)，0＜x₀＜1，n∈Z       (1)

对于输入序列X＝{x_u}_T，u＝1，2，A，T，即交织长度为T的数据，显然其输入序值向量为：L_in＝[1，2，A，T]。

(1)本发明首先提出了基本混沌交织器(Chaos Interleaver)的混沌交织方法：

1)确定交织深度T；

2)产生混沌序列：利用Logistic映射式(1)产生T个混沌数据；

3)混沌排序：对T个数据组成的混沌序列排序，组成序值向量R＝{π(t)}，这里t＝1，2，...，N，显然有1≤π(t)≤T；

4)确定输出数值的序值：假定输入数据序列的第v个数据与混沌序列第i个相对应，则经混沌排序后输出为序值为：π(v)＝π(t)，1≤t≤T。

(2)在上述基本混沌交织器方法的基础上，我们可以优化设计出S-混沌交织器，本发明进一步提出了S-混沌交织器(S-ChaosInterleaver)的混沌交织方法：

1)确定交织深度T；

2)确定约束距离s：考虑到s较大时，算法的时间开销较大，故取 $s<\left[\sqrt{T/2}\right],$ 这里[]表示取整；

3)根据如下过程得到第t个序值π(t)：

a)若t＞T，则转4)；

b)利用Logistic映射式(1)产生一混沌值c_i；

c)π(t)＝[T*|c_i|]+1，[]表取整；

d)若π(t)＝π(r)，1≤r≤t-1 或|π(t)-π(t-r)|＜s，1≤r≤s

则i＝i+1转b)，

否则t＝t+1，转a)；

4)结束；

(3)在上述基本混沌交织方法的基础上，也可优化设计出分块混沌交织方法，这是本发明谋求保护的方法，步骤如下：

1)确定需要的s间距：对于输入序列X＝{x_u}T，u＝1，2，LT，即交织长度为T的数据，取 $s<\left[\sqrt{T/2}\right],$ 这里[]表示取整；

2)确定矩阵行列数：决定分块矩阵M×N的行列数，一般取M＝s，N＝[T/s]，M×N≥T，

3)产生混沌序列：利用Logistic映射式(2)产生M×N个混沌数据，形成M×N的矩阵；

4)列向量元素混沌排序：对混沌序列矩阵的每个列向量的M个元素按数值大小排序，组成序值向量R^j＝{π^j(m)}，这里m＝1，2，…，M；j＝1，2，…，N，显然有1≤π^j(m)≤M；

5)列向量混沌排序，且相邻s列向量排序后不得相邻：利用Logistic映射另产生N个混沌数据，按数值大小排序，组成序值向量R^e＝{π^e(k)}，k＝1，2，…，N，且元素之间必须满足：

    d＝|π^e(k)-π^e((k+l)mod N+1)|≥2；k＝1，2，…，N，l＝1，2，…，s显然1≤π^e(k)≤N；

6)确定输出数值的序值：假定输入数据序列的第v个数据与混沌矩阵的第i行第j列相对应，则经过混沌排序并经行读出后最后的输出序值为：

       π(v)＝π^j(i)+M×(π^e(j)-1)，1≤i≤M，1≤j≤N

以上三中混沌交织方法，基本交织方法是基础，S-混沌交织方法是在基本交织方法上引入了元素之间的相关距离不小于某一个约束距离参数，即S，以进一步增强信息元素之间的不相关性，适用于需要系统时延小的系统中。而本发明谋求保护的分块交织方法是在基本交织方法的基础上，先将被基本方式扰乱的信息序列用由S间距决定的M^*的矩阵缓存上述信息序列，其行和列的排列再用基本方式对行和列进行排序，按行读出，输出最后序值，因此，分块交织器的信息序列经过二次扰乱，可进一步增强信息元素之间的不相关性，实现进一步优化，该交织方法适用于对系统时延不敏感的系统中。

附图说明

图1是本混沌交织方法实现的硬件框图；

图2是基本混沌交织器、S-混沌交织器与随机交织器性能比较；

图3是由本发明方法获得的分块混沌交织器与随机交织器及S-随机交织器性能比较。

本发明方法的硬件实现：如图(1)所示，图中，CLK为信息比特输入/输出时钟，模N(N为交织深度)计数器用于输入比特位置计数器，产生RAM的写地址r_msb，和ω_msb分别为读写地址的最高位，相位相反。其工作过程如下：

1)计数器初始化为零；

2)读写控制使WR信号有效，MUX选择输入信息比特和写地址通过，将输入比特写入RAM中；

3)读写控制使RD信号有效，交织后的输出比特位置从混沌序列发生器输出，通过MUX将RAM中相应位置的信息比特读出；

4)模N计数器加1；

5)重复步骤2)～4)N次；

6)r_msb和ω_msb取反，交换读写交织阵首地址，混沌序列发生器恢复为初始状态。

混沌交织器用一种混沌映射产生的伪随机序列来生成交织矩阵，与随机交织器相比具有以下优点：

1)与一般随机交织器相比，误码率更低，性能更为优越；

2)在物理实现上简单方便，只需要简单的混沌映射关系，如Logistic方程式，避免实际系统中繁杂的伪随机产生方法；

3)伪随机序列产生灵活，可控性好，只需要logistic混沌序列的初始值，理论上便可产生无周期的无限长的伪随机序列；不同的初始值可产生不同的伪随机序列；

4)参数传递少，系统只需传递Logistic混沌序列的初始值，无需传输交织器其它任何信息，避免增加信道负载；

5)与S-随机交织器相比，S-混沌交织器计算量更小，速度更快，设计更为灵活，性能可以更优越。

为了比较混沌交织器与随机交织器的性能，我们搭建了Turbo码仿真平台，几种交织器性能仿真结果如图(2)和(3)，图(2)是在高斯白噪声信道下，交织深度为1024，码率1/3，选择SOVA译码算法，分量码为5/7，经8次迭代得出的仿真结果，其中S-Chaos中的S取7。图中

线代表随机交织器，

线代表基本混沌交织器，

线代表S-混沌交织器。图(3)是在高斯白噪声信道下，交织深度为512，选择Log-Map译码算法，经8次迭代得出的仿真结果，其中S-Random中的S取4，B-Chaos中的块大小取8。图中

线代表随机交织器，

线代表S-混沌交织器，

线代表分块混沌交织器。从图中可看出，使用混沌交织器比使用随机交织器的系统有着更低的误码率。

Claims (1)

1.一种混沌交织方法，采用传统的Logistic映射作为混沌序列产生器，Logistic映射表达式如下：

x_n+1＝4x_n(1-x_n)，0＜x₀＜1，n∈Z                    (1)

对于输入序列X＝{x_u}_T，u＝1，2，Λ，T，即交织长度为T的数据，显然其输入序值向量为L_in：＝[1，2，Λ，T]

交织方法如下：

1)确定需要的s间距：对于输入序列X＝{x_u}_T，u＝1，2，LT，即交织长度为T的数据，取 $s<\left[\sqrt{T/2}\right],$ 这里[]表示取整；

2)确定矩阵行列数：决定分块矩阵M×N的行列数，一般取M＝s，

N＝[T/s]，M×N≥T；

3)产生混沌序列：利用Logistic映射式(1)产生M×N个混沌数据，形成M×N的矩阵；

4)列向量元素混沌排序：对混沌序列矩阵的每个列向量的M个元素按数值大小排序，组成序值向量R^j＝{π^j(m)}，这里m＝1，2，…，M；j＝1，2，…，N，显然有1≤π^j(m)≤M；

5)列向量混沌排序，且相邻s列向量排序后不得相邻：利用Logistic映射另产生N个混沌数据，按数值大小排序，组成序值向量R^e＝{π^e(k)}，k＝1，2，…，N，且元素之间必须满足：

d＝|π^e(k)-π^e((k+l)modN+1)|≥2；k＝1，2，…，N；l＝1，2，…，s

显然1≤π^e(k)≤N；

6)确定输出数值的序值：假定输入数据序列的第v个数据与混沌矩阵的第i行第j列相对应，则经过混沌排序并经行读出后最后的输出序值为：

π(v)＝π^j(i)+M×(π^e(j)-1)，1≤i≤M，1≤j≤N

Images