首页 / 专利库 / 人工智能 / 人工智能 / 机器学习 / 模式识别 / 一种已知支路信息turbo码删除模式估计方法

一种已知支路信息turbo码删除模式估计方法

阅读:1040发布:2020-05-19

专利汇可以提供一种已知支路信息turbo码删除模式估计方法专利检索,专利查询,专利分析的服务。并且本 发明 属于turbo码盲识别技术领域,具体涉及一种已知支路信息turbo码删除模式估计方法。本发明利用支路编码序列和信息位序列长度比值与删除比特个数与删除周期长度比值相等的关系,估计删除周期。然后再通过删除卷积码的识别方法得到生成矩阵,利用估计得到的生成矩阵重新生成支路序列,比对其正确性,从而确定支路的删除模式以及生成矩阵。本发明针对具有复杂删除模式的支路信息已知的turbo码进行识别,能够对具有多个1的复杂删除模式进行有效识别。很好的适应于实际的turbo码识别应用中。,下面是一种已知支路信息turbo码删除模式估计方法专利的具体信息内容。

1.一种已知支路信息turbo码删除模式估计方法,其特征在于,包括以下步骤:
S1、初始化,信息位序列为A=a1a2....aN,N是信息位序列长度,非交织支路校验输出序列为B=b1b2...bM,M是非交织支路校验输出序列长度,交织支路校验输出序列为C=c1c2...cL,L是交织支路校验输出序列长度;码长为n,信息位长为k,删除周期上限乘积因子为α;
S2、对非交织支路校验输出序列进行删除模式识别,识别阈值为θ:
S21、初始化估计删除周期TP以及删除模式中1的个数NP,
gcd(N,M)表示N、M的最大公约数,M≤N,当支路编码存在
删除时,MS22、由删除周期TP以及删除模式中1的个数NP构造所有可能的删除模式P的集合:
是二元有限域TP维空间,集合元素总数为
S23、利用信息位序列为A=a1a2....aN,以及非交织支路校验输出序列为B=b1b2...bM构造码率为TP/(TP+1)的卷积码,其输出模式为:
利用双合冲算法求解得到其校验多项式矩阵为H(x);
S24、令需要识别的删除卷积码校验矩阵为 n0
为H(x)中子生成多项式的个数;校验矩阵多项式最大次数为 源生
成多项式的次数上限为κ=(n0-1)(d+1)-1,设1/2码率源码生成多项式为
αi,λi为生成多项式的系数;构造码率为(n0-1)/2(n0-1)的生成多项式矩
阵G′(x):
其中 F(x)表示全体多项式集合;
构造可能的删除模式集合, 是二元有限域2n0-2维空
间;
S25、从S依次选择一个生成模式P,构造删除卷积码CP的生成多项式矩阵为:
其中ηP=(ηP(1),ηP(2),...,ηP(i),...,ηP(n0))表示删除模式P的位置向量,ηP(i)表示P中第i个1位于P列的位置,根据校验关系GP(x)HT(x)=0,得到线性方程组G(α0,α1,...,ακ,λ0,λ1,...,λκ)T=0,其中G是F上的一个((n-1)×2(κ+1))矩阵;
S26、解S25所得方程组得出非零基础解系Ω,将Ω中的元素表示为 其中
表示二元有限域κ维空间, Fκ(x)表示κ次多项式
集合;并记 亦作相同处理,选择出Ω中对应 阶数κ最
小的解,记录并存储该解及其阶数;
S27、检查 若 中所有可能的 已计算,进入步骤S28;否则回到步骤S25继续计算;
S28、选择所有删除模式 中对应阶数最小的解作为估计值,此解对应删除码源码生成多项式矩阵G的估计,初始化i,i=1;
S29、选取S中的第i个元素Pi,使用S23~S28步骤估计得到的生成多项式矩阵G对信息位序列进行编码得到编码输出D=d1d2....dN,根据Pi对编码输出D进行删除得到序列如果 则进入S4;如果不满足,i=i+1,重复该步骤,直到
成立,更新删除周期TP以及删除模式中1的个数NP:
进入步骤S24,直到 或 成立,进入步骤S6;
S3、对交织支路校验输出序列进行删除模式P、交织深度NS以及交织关系πS识别:
S31、已知交织深度为NS、初始化估计删除周期TP以及删除模式中1的个数NP,
S32、由于两支路编码器为同类编码器,根据S2得到的生成项式矩阵G的维度,构造所有可能的该类生成多项式矩阵集合:
mG,nG表示生成项式矩阵G的行列数目,该集合元素总数为NG;
S33、由删除周期TP以及删除模式中1的个数NP构造所有可能的删除模式P的集合:
是二元有限域TP维空间,集合元素总数为
S34、由交织深度NS构造交织支路输入数据矩阵X:
初始化i,i=1;
S35、选取S中的第i个元素Pi,根据该删除模式对交织输出:
进行补零,即将被删除交织输出位设为0,则有补零后的交织输出数据为:
构造交织编码输出矩阵
初始化j,j=1;
S36、选取SG中的第j个元素 利用 对X进行编码得到编码输出为:
利用删除模式Pi的对编码输出C′进行删除替换,即将C′中按删除模式Pi要删除的部分全部替换为0,得到编码输出矩阵
初始化l以及交织关系πS:l=1,
S37、 在 寻找使 的列矢量 若存在,则πS
(μ)=l,l=l+1,重复该步骤,直到l>NS,进入步骤S5;若不存在,则j=j+1,判断j>NG,若否,回到步骤S36;若是,则i=i+1,对 进行判断,若判断为假,则进入步骤S35,若判断为真,则更新删除周期TP以及删除模式中1的个数NP:
再判断 或 是否成立,若判断为假,则进入步骤S33,若判
断为真,则进入步骤S6;
S4、输出校验位删除模式Pi以及生成多项式矩阵G以及删除周期TP;
S5、输出交织位识别得到的删除周期TP、生成多项式矩阵 删除模式Pi以及交织关系πS;
S6、输出未得到识别结果。

说明书全文

一种已知支路信息turbo码删除模式估计方法

技术领域

[0001] 本发明属于turbo码盲识别技术领域,具体涉及一种已知支路信息turbo码删除模式估计方法。

背景技术

[0002] CCSDS协议中,具有删除的并行级联类(PCCC)Turbo码编码使校验位和交织校验输出,在一个删除周期内删除模式只存在一个1,。同样的对于双输入类的turbo码,也具有类似的删除模式。但在实际的应用中会出现具有多个1的复杂删除模式。该类删除模式的估计比较复杂。需要已知码长与信息位位置以及各支路的数据序列。在这些已知的基础上才能对其删除模式、编码生成矩阵以及交织方式进行识别。

发明内容

[0003] 本发明提供了一种已知支路信息的turbo码复杂删除模式识别方法,扩大了turbo码可识别删除模式的范围,有效提高了turbo码盲识别的可靠性。
[0004] 本发明的技术方案:一种已知码长、信息位位置以及各支路数据序列PCCC-turbo复杂删除模式的识别方法。利用支路编码序列和信息位序列长度比值与删除比特个数与删除周期长度比值相等的关系,估计删除周期。然后再通过删除卷积码的识别方法得到生成矩阵,利用估计得到的生成矩阵重新生成支路序列,比对其正确性,从而确定支路的删除模式以及生成矩阵;本发明主要包括以下步骤:
[0005] S1、初始化,信息位序列为A=a1a2....aN,N是信息位序列长度,非交织支路校验输出序列为B=b1b2...bM,M是非交织支路校验输出序列长度,交织支路校验输出序列为 C=c1c2...cL,L是交织支路校验输出序列长度。码长为n,信息位长为k,删除周期上限乘积因子为α。
[0006] S2、对非交织支路校验输出序列进行删除模式识别,识别阈值为θ:
[0007] S 21 、初 始 化估 计 删除 周期 T P以 及 删 除 模式 中 1的 个 数 N P ,gcd(N,M)表示N、M的最大公约数,M≤N,当支路编码存在删除时,M
[0008] S22、由删除周期TP以及删除模式中1的个数NP构造所有可能的删除模式P的集合:
[0009]
[0010] 是二元有限域TP维空间,集合元素总数为
[0011] S23、利用信息位序列为A=a1a2....aN,以及非交织支路校验输出序列为B=b1b2...bM构造码率为TP/(TP+1)的卷积码,其输出模式为:
[0012]
[0013] 利用双合冲算法求解得到其校验多项式矩阵为H(x);
[0014] S24、令需要识别的删除卷积码校验矩阵为n0为 H(x)中子生成多项式的个数。校验矩阵多项
式最大次数为 源生成多项式的次数上限为κ=(n0-1)(d+1)-1,设
1/2码率源码生成多项式为 αi,λi为生成多项式的系数。
构造码率为(n0-1)/2(n0-1)的生成多项式矩阵G′(x):
[0015]
[0016] 其中 F(x)表示全体多项式集合。
[0017] i=0,1,...,l-1,l=n0-1,m=1,2
[0018] 构造可能的删除模式集合, 是二元有限域2n0-2维空间。
[0019] S25、从S依次选择一个生成模式P,构造删除卷积码CP的生成多项式矩阵为:
[0020] GP(x)=[G′(x)]ηP
[0021] 其中ηP=(ηP(1),ηP(2),...,ηP(i),...,ηP(n0))表示删除模式P的位置向量,ηP(i)表示P中第 i个1位于P列的位置,根据校验关系GP(x)HT(x)=0,得到线性方程组 G(α0,α1,...,ακ,λ0,λ1,...,λκ)T=0,其中G是F上的一个((n-1)×2(κ+1))矩阵;
[0022] S26、解S25所得方程组得出非零基础解系Ω,将Ω中的元素表示为 其中表示二元有限域κ维空间, Fκ(x)表示κ次多项式集合。并记 亦作相同处理,选择出Ω中对应 阶数κ最
小的解,记录并存储该解及其阶数;
[0023] S27、检查 若 中所有可能的 已计算,进入步骤S28;否则回到步骤S25继续计算;
[0024] S28、选择所有删除模式 中对应阶数最小的解作为估计值,此解对应删除码源码生成多项式矩阵G的估计,初始化i,i=1;
[0025] S29、选取S中的第i个元素Pi,使用S23~S28步骤估计得到的生成多项式矩阵G对信息位序列进行编码得到编码输出D=d1d2....dN,根据Pi对编码输出D进行删除得到序列如果 则进入S4;如果不满足,i=i+1,重复该步骤,直到成立,更新删除周期TP以及删除模式中1的个数NP:
[0026]
[0027] 进入步骤S24,直到 或 成立,进入步骤S6;
[0028] S3、对交织支路校验输出序列进行删除模式P、交织深度NS以及交织关系πS识别:
[0029] S31、已知交织深度为NS、初始化估计删除周期TP以及删除模式中1的个数NP,[0030] S32、由于两支路编码器为同类编码器,根据S2得到的生成项式矩阵G的维度,构造所有可能的该类生成多项式矩阵集合:
[0031]
[0032] mG,nG表示生成项式矩阵G的行列数目,该集合元素总数为NG;
[0033] S33、由删除周期TP以及删除模式中1的个数NP构造所有可能的删除模式P的集合:
[0034]
[0035] 是二元有限域TP维空间,集合元素总数为
[0036] S34、由交织深度NS构造交织支路输入数据矩阵X:
[0037]
[0038] 初始化i,i=1;
[0039] S35、选取S中的第i个元素Pi,根据该删除模式对交织输出:
[0040]
[0041] 进行补零,即将被删除交织输出位设为0,则有补零后的交织输出数据为:
[0042]
[0043] 构造交织编码输出矩阵
[0044]
[0045] 初始化j,j=1;
[0046] S36、选取SG中的第j个元素 利用 对X进行编码得到编码输出为:
[0047]
[0048] 利用删除模式Pi的对编码输出C′进行删除替换,即将C′中按删除模式Pi要删除的部分全部替换为0,得到编码输出矩阵
[0049]
[0050] 初始化l以及交织关系πS:l=1,
[0051] 在 寻找使 的列矢量 若存在,则πS(μ)=l,l=l+1,重复该步骤,直到l>NS,进入步骤S5;若不存在,则j=j+1,判断j>NG,若否,回到步骤S36;若是,则i=i+1,对 进行判断,若判断为假,则进入步骤S35,若判断为真,,则更新删除周期TP以及删除模式中1的个数NP:
[0052]
[0053] 再判断 或 是否成立,若判断为假,则进入步骤S33,若判断为真,则进入步骤S6;
[0054] S4、输出校验位删除模式Pi以及生成多项式矩阵G以及删除周期TP;
[0055] S5、输出交织位识别得到的删除周期TP、生成多项式矩阵 删除模式Pi以及交织关系πS;
[0056] S6、输出未得到识别结果。
[0057] 本发明针对具有复杂删除模式的支路信息已知的turbo码进行识别,能够对具有多个1 的复杂删除模式进行有效识别。很好的适应于实际的turbo码识别应用中。附图说明
[0058] 图1是本发明校验位删除模式识别方法流程图
[0059] 图2是本发明交织位删除模式以及交织识别方法流程图
[0060] 图3是本发明实施例1中校验位删除模式识别正确率随误码变化的曲线图图4是采用本发明方法后长与误码率识别门限关系示意

具体实施方式

[0061] 下面结合附图和实施例对本发明进行详细的描述
[0062] 图1是本发明校验位删除模式识别方法流程图,如图所示,本发明校验位删除模式识别估计包括了如下步骤:
[0063] S1初始化,信息位序列为A=a1a2....aN,N是信息位序列长度,非交织支路校验输出序列为B=b1b2...bM,M是非交织支路校验输出序列长度,交织支路校验输出序列为C=c1c2...cL, L是交织支路校验输出序列长度。码长为n,信息位长为k,删除周期上限乘积因子为α。
[0064] S2对非交织支路校验输出序列进行删除模式识别,识别门限阈值为θ[0065] S 2 1 初 始 化 估 计 删除 周 期 T P 以 及 删 除 模 式 中 1 的 个 数 N P ,其中N、M表示信息位序列A=a1a2...aN以及非交织支路校验输出序列为B=b1b2...bM的长度。gcd(N,M)表示N、M的最大公约数,M≤N。当支路编码存在删除时,M
[0066] S22由删除周期TP以及删除模式中1的个数NP构造所有可能的删除模式P的集合:
[0067]
[0068] 是二元有限域TP维空间,集合元素总数为
[0069] S23利用信息位序列为A=a1a2....aN,以及非交织支路校验输出序列为B=b1b2...bM构造码率为TP/(TP+1)的卷积码,其输出模式为:
[0070]
[0071] 利用双合冲算法求解得到其校验多项式矩阵为H(x)。
[0072] S29选取S中的第i个元素Pi,使用S23~S28步骤估计得到的生成多项式矩阵G对信息位序列进行编码得到编码输出D=d1d2....dN,根据Pi对编码输出D进行删除得到序列如果 进入S4。如果不满足,i=i+1,重复该步骤,直到若, 更新删除周期TP以及删除模式中1的个数NP:
[0073]
[0074] 进入S24,直到 或 若 或则输出无识别结果。
[0075] 图2是本发明S31~S35所述交织位删除模式及交织识别方法流程图,如图所示,交织位删除模式及交织识别方法包括如下步骤:
[0076] S 3 1 初 始 化 估 计 删除 周 期 T P 以 及 删 除 模 式 中 1 的 个 数 N P ,[0077] S32由于两支路编码器为同类编码器,则根据S2得到的生成项式矩阵G的维度,我们构造所有可能的该类生成多项式矩阵集合:
[0078]
[0079] mG,nG表示生成项式矩阵G的行列数目,该集合元素总数为NG;
[0080] S33由删除周期TP以及删除模式中1的个数NP构造所有可能的删除模式P的集合:
[0081]
[0082] 是二元有限域TP维空间,集合元素总数为 初始化i,i=1
[0083] S34选取S中的第i个元素Pi,根据该删除模式对交织输出:
[0084]
[0085] 进行补零,即将被删除交织输出位设为0,则有补零后的交织输出数据为:
[0086]
[0087] 由NS构造交织编码输出矩阵 初始化j以及交织关系:j=1,
[0088] S35~S37选取SG中的第j个元素 利用 通过译码对比的方法对 进行交织识别。若识别成功则进入S5。若不存在,,则j=j+1,对j>NG进行判断,若判断为假,则重复该步骤。若判断为真,则i=i+1,判断 若否,则进入S34,若是,则更新删除周期TP以及删除模式中1的个数NP:
[0089]
[0090] 再判断 或 若判断为假,则进入S33,若判断为真,则进入S6;
[0091] 实施例1
[0092] 本实施例的目的在于说明本发明不同误码条件下,检验位删除模式识别正确率随误码变化情况。选取码长为300,RSC生成多项式为[23,35],删除模式分别为[1101]、[11101]的编码器作为案例进行说明。结果如图3所示,可以看出误码小于0.1%时,本发明方法能够很好的实现对删除模式与生成多项式矩阵进行识别。而较大删除周期的识别性能在较高误码条件下是低于较小删除周期的识别性能的。因此本发明更适用于较短删除周期的删除模式识别。
[0093] 实施例2
[0094] 本实例的目的在于说明本发明交织位删除模式及交织关系识别方法的可识别误码率边界,分别选取了码长为104、124、164、204、以及304的RSC生成多项式为[23,35],删除模式为[1101]的编码器为案例进行说明。结果如图4所示。可以看出,随码长增大,本发明交织位删除模式及交织关系识别方法可识别的误码率边界是降低的,不同码长下的数据误码率超过该边界后,本发明方法不再适用。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈