CN113659994A - 一种低复杂度的卷积码随机交织关系的估计方法 - Google Patents

Abstract

本发明属于通信技术领域，具体是涉及一种低复杂度的卷积码随机交织关系的估计方法。本发明是在利用截获数据c，在已知交织深度L、交织起点的情况下，完成交织关系的估计，恢复出随机交织器。本发明首先利用线性分组码码字空间的封闭性对接收序列进行误码筛除，然后将误码筛除后的序列按照一定的规则构造出一个含有两个交织块(每个交织块交织关系相同)、维数为2L×2L的数据矩阵C，对C进行伽罗华域上部分高斯行消元，利用线性特性来确定卷积码的组间交织关系，然后利用校验向量确定正确的组内交织关系。

Description

一种低复杂度的卷积码随机交织关系的估计方法

技术领域

本发明属于通信技术领域，具体是涉及一种低复杂度的卷积码随机交织关系的估计方法。

背景技术

在无线通信***中，一般采用信道编码和交织器相级联的方式来实现数据的有效传输。在数据发送端，交织器拆分原本相邻的码元，使信道的突发错误分散成单个的随机错误，从而能充分发挥纠错编码的作用。在非合作通信中，截获到通信信号后，如果要得到其中包含的信息，不仅需要完成信号层面上的调制类型识别、调制参数估计等,还需要进一步对通信***中的交织和信道编码参数进行估计。通常去交织是在信道解码之前,所以对交织参数的盲估计是非合作通信中信息层处理的第一步。

在实际应用中，常用的三种交织器是矩阵交织器、卷积交织器和随机交织器。对于矩阵交织器和卷积交织器的参数盲估计的研究成果已经较为丰富，通过有限域上的高斯消元法以及秩准则可以有效的估计出交织器的相关参数。但是对于随机交织器的识别目前却鲜有涉及，随机交织器识别的最大难点是需要估计的参数数量等于随机交织块的长度，在实际应用中往往较大。总结国内外公开发表的文献资料来看，目前对于卷积码随机交织估计方法主要是涂榫等人提出的一种方法以及法国人Tixier A提出的基于图同构的卷积码随机交织参数估计方法。涂榫等人的方法在估计出编码参数和交织深度的基础上，通过删除矩阵的秩特性确定卷积码码组的先后顺序，进而利用基构造法和穷举比对确定随机交织的置换关系，但是该方法估计性能较差，该方法1‰误码率下估计成功的概率达到70％，但适应的交织深度仅仅在20以内，这样的交织深度显然难以满足实际需求。Tixier A提出的方法通过构造卷积码交织前后全部校验方程的图，利用两张同构图对应顶点边之间的映射关系识别出随机交织参数，但是该方法计算量较大并且在交织深度较大、存在误码的情况下，很难搜索出卷积码交织后全部的校验方程。

发明内容

为了解决目前针对交织器参数估计的研究成果主要集中在矩阵交织和卷积交织，对随机交织器的参数估计研究十分欠缺的问题，本发明提出了一种(2,1,v)卷积码随机交织参数的估计方法，适应的交织深度可以达到1500，可以在1‰误码率的条件下成功快速地完成正确的交织关系估计。

实际工程应用中一般采取纠错码编码器和交织器相级联的方式如图1所示，本发明的目的是在利用截获数据c，在已知交织深度L、交织起点的情况下，完成交织关系的估计，恢复出随机交织器π。本发明首先利用线性分组码码字空间的封闭性对接收序列进行误码筛除，然后将误码筛除后的序列按照一定的规则构造出一个含有两个交织块(每个交织块交织关系相同)、维数为2L×2L的数据矩阵C，对C进行伽罗华域上部分高斯行消元，利用相关列统计特性来确定卷积码的组间交织关系，然后利用校验向量确定正确的组内交织关系。

本发明的技术方案为：

一种卷积码随机交织关系的快速估计方法，设截取到的随机交织后的卷积码c，并已知截获数据c对应的(2,1，v)卷积码编码器结构、交织深度L和交织起点，截获数据帧数为M；包括以下步骤：

S1、构造含有两个交织块的无误码的数据矩阵C：

S11、初始化i＝1,A＝[]，随机行排列次数为X，判断阈值T，利用截获数据c按照给定起点与交织深度L构造M×L的数据矩阵C₁：

S12、对C₁进行随机行排列P₁得到矩阵C₂，C₂＝P₁×C₁，对C₂进行高斯列消元得到矩阵C₃，初始化j＝1,A₁＝[]。

S13、计算C₃第j列的汉明重量W，若W<T,进入S14，反之，j＝j+1，进入S13。

S14、找到第j列里面为1的行的行号A₁，A₁＝A₁∪A₀，j＝j+1，若j<L，进入S13，反之进入S15。

S15、根据P₁得到A₁随机交换前的行号A₂，A₂＝P₁ ^-1(A₁),A＝A∪A₂，i＝i+1，若i<X进入S12，反之进入S16。

S16、对1:L求A₂的补集，得到集合A₃，根据A₃里面的行号，在C₁里面选择出A₃里面出现的行，构成矩阵

S17、在C₃中找到所有在C₁中连续出现的两行C₄＝[c_i；c_i+1；...；c_i+k；c_i+k+1]，取出矩阵C₄的第一和第二行，将第二行拼接第一行后面，取出矩阵C₄的第三、第四行，将第四行拼接在第三行后面，依次类推，直到得到的新矩阵C的维数为2L×2L。

S2、确定卷积码组间交织关系：

S21、对C做前L列的二进制高斯行消元得到矩阵D₁。

S22、统计D₁前L列的汉明重量，若该列的汉明重量w>1，将该列删除，得到维数为2L×L₁的矩阵D₂，删除矩阵的后L₂(L₂＝2L-L₁)行，得到维数为L₁×L₁的矩阵D₃，D₂＝D₃，初始化start＝L₂-L，j＝1,i＝1+start，获取D₃的示意图如图2所示。

S23、令p₁＝i-start,D₃＝D₂,交换D₃的第i列和start+2j-1列，对D₃的第start+2j-1列做二进制高斯行消元得到矩阵D₄，令矩阵D_t＝D₄(:,start+2j-1),从D_t最后一行开始，找到第一个为1的行的行号flag。

S24、令矩阵

统计

每一列的汉明重量，若

中某一列k的汉明重量等于1，p₂＝k，进入S25，反之，若

中所有列的汉明重量都大于1，进入S26。

S25、p＝[p p₁ p₂]；交换D₄的第start+2j列和第p₂+start列，D₂＝D₄；j＝j+1进入S27。

S26、若i<start+L,i＝i+1,进入S23，反之，j＝j+1，进入S27。

S27、若

i＝start+2j-1,进入S23，反之，组间交织关系识别结束，输出p，组间交织关系估计的流程图如图3所示。

S3、确定卷积码组内交织关系：

S31、将卷积码校验向量h的每两位分为一组，找到其中0,1或1,0的码组位置，如图4所示，假定有β个这样的码组：

β＝#{ε_i＝(0,1)or(1,0),i＝1,2,…v+1}

码组在校验向量中的位置记为：[k_j,1,k_j,2],j＝1,2…,β；

S32、取C₃前W行(W一般取30以上便足以保证算法的准确率)作为测试矩阵B，针对矩阵B，按照已经得到的p解交织，设经过排列后的矩阵B为：

B＝(b₁,b₂,b₃,…b_L)

b_i为W×1的列向量，i＝1,2,…L，初始化w_flag＝1；

S33、取矩阵B的第2×w_flag-1列到第2×w_flag+2v列，构成滑窗矩阵S：

S＝(b_{2×w_flag-1},b_{2×w_flag},…b_{2×w_flag+2v})

根据对偶向量中β组01或10的位置[k_j,1,k_j,2],j＝1,2…,β，列出滑窗矩阵S在这β组对应位置的所有可能顺序的矩阵

(每组有两种可能的顺序，有β组就有2^β种可能)；

S34、将得到的2^β个矩阵分别与卷积码的校验向量h相乘得到：

E_i＝S_i·h^T,i＝1,2,…2^β

求所有E_i重量的最小值：

式中weight()表示求汉明重量；

S35、找到t_min所对应E_i所对应的S_i，按照S_i中的β组位置的顺序更新所得的交织关系p中相应位置的顺序，同时，将矩阵B中对应滑窗矩阵的地方替换为矩阵S_i，w_flag＝w_flag+1，若w_flag<L/2+1，回到步骤S33，否则，组内交织关系估计结束，组内交织关系的估计流程图如图5所示，整体交织关系的估计流程图如图6所示。

本发明的有益效果为，本发明方法适应的交织深度可以达到1500，可以在1‰误码率的条件下成功快速地完成正确的交织关系估计。

附图说明

图1是卷积编码交织过程的模型图。

图2是矩阵D3构造过程的示意图。

图3是组间交织关系估计的流程图。

图4是校验向量拆解示意图。

图5是组内交织关系估计的流程图。

图6是整体交织关系的估计流程图。

具体实施方式

下面结合附图及实施例，详细描述本发明的技术方案。

实施例1

以一个生成多项式为(171,133)的(2,1,6)卷积码为例，交织深度为1000，误码率1‰条件下，按照本发明的方法进行估计。

具体执行如下：

S1、构造含有两个交织块的无误码的数据矩阵C：

S11、初始化i＝1,A＝[]，随机行排列次数为300，判断阈值4200，利用截获数据c按照给定起点与交织深度1000构造42000×1000的数据矩阵C₁：

S12、对C₁进行随机行排列P₁得到矩阵C₂，C₂＝P₁×C₁，对C₂进行高斯列消元得到矩阵C₃，初始化j＝1,A₁＝[]。

S13、计算C₃第j列的汉明重量W，若W<4200,进入S14，反之，j＝j+1，进入S13。

S14、找到第j列里面为1的行的行号A₁，A₁＝A₁∪A₀，j＝j+1，若j<L，进入S13，反之进入S15。

S15、根据P₁得到A₁随机交换前的行号A₂，A₂＝P₁ ^-1(A₁),A＝A∪A₂，i＝i+1，若i<X进入S12，反之进入S16。

S16、对1:1000求A₂的补集，得到集合A₃，根据A₃里面的行号，在C₁里面选择出A₃里面出现的行，构成矩阵

S17、在C₃中找到所有在C₁中连续出现的两行C₄＝[c_i；c_i+1；...；c_i+k；c_i+k+1]，取出矩阵C₄的第一和第二行，将第二行拼接第一行后面，取出矩阵C₄的第三、第四行，将第四行拼接在第三行后面，依次类推，直到得到的新矩阵C的维数为2000×2000。

S2、确定卷积码组间交织关系：

S21、对C做前L列的二进制高斯行消元得到矩阵D₁。

S22、统计D₁前1000列的汉明重量，若该列的汉明重量w>1，将该列删除，得到维数为2000×1506的矩阵D₂，删除矩阵的后494行，得到维数为1506×1506的矩阵D₃，D₂＝D₃，初始化start＝506，j＝1,i＝507。

S23、令p₁＝i-start,D₃＝D₂,交换D₃的第i列和start+2j-1列，对D₃的第start+2j-1列做二进制高斯行消元得到矩阵D₄，令矩阵D_t＝D₄(:,start+2j-1),从D_t最后一行开始，找到第一个为1的行的行号flag。

S24、令矩阵

统计

每一列的汉明重量，若

中某一列k的汉明重量等于1，p₂＝k，进入S25，反之，若

中所有列的汉明重量都大于1，进入S26。

S25、p＝[p p₁ p₂]；交换D₄的第start+2j列和第p₂+start列，D₂＝D₄；j＝j+1进入S27。

S26、若i<1506,i＝i+1,进入S23，反之，j＝j+1，进入S27。

S27、若j<501，i＝start+2j-1,进入S23，反之，组间交织关系识别结束，输出p。

S3、确定卷积码组内交织关系：

S31、将卷积码校验向量h＝[1 1 1 0 0 0 1 1 1 1 0 1 1 1]的每两位分为一组，找到其中0,1或1,0的码组位置，有3个这样的码组，在校验向量中的位置记为：[3,4]、[11,12]。

S32、取C₃前30行作为测试矩阵B，针对矩阵B，按照已经得到的p解交织，设经过排列后的矩阵B为：

B＝(b₁,b₂,b₃,…b₁₀₀₀)

初始化w_flag＝1；

S33、取矩阵B的第2×w_flag-1列到第2×w_flag+12列，构成滑窗矩阵S：

S＝(b_{2×w_flag-1},b_{2×w_flag},…b_{2×w_flag+12})

根据对偶向量中β组01或10的位置，列出滑窗矩阵S在这2组对应位置的所有可能顺序的矩阵S₁，S₂，…S₄；

S34、将S33得到的4个矩阵分别与卷积码的校验向量h相乘得到：

E_i＝S_i·h^T,i＝1,2,…2^β

求所有E_i重量的最小值：

式中weight()表示求汉明重量；

S35、找到t_min所对应E_i所对应的S_i，按照S_i中的2组位置的顺序更新所得的交织关系p中相应位置的顺序，同时，将矩阵B中对应滑窗矩阵的地方替换为矩阵S_i，w_flag＝w_flag+1，若w_flag<501，回到步骤S33，否则，组内交织关系估计结束，输出p＝[655 436 1747 105 734 312 791 513 550 141 186 875 547 911 516 376 50 835 493 181 824 742665 135 366 932 561 833 753 495 285 242 383 224 902 598 795 13 760 27 496 67343 822 114 232 721 993 925 621 832 12 969 512 320 64 907 313 209 78 890 626638 193 705 351 571 504 296 438 471 194 756 980 130 481 984 679 848 363 847605 359 314 961 349 65 623 919 403 160 978 501 740 346 386 921 253 200 523 35683 429 918 812 872 715 234 308 89 884 901 568 58 489 377 22 387 56 288 55841 79 738 996 380 712 939 838 765 263 553 350 461 659 958 853 570 912 689 421270 126 917 292 905 44 2 947 662 780 941 930 192 45 70 986 435 612 834 355 16646 151 974 627 290 837 271 257 213 686 965 694 531 143 545 431 275 464 667120 369 781 578 321 400 554 88 10 723 85 595 168 962 899 944 19 995 522 897946 949 691 332 836 261 286 764 702 576 91 1000 988 671 841 37 303 90 322 994769 447 156 220 718 482 896 269 987 982 423 375 788 750 511 559 83 596 144266 197 5 735 298 354 132 904 668 273 660 353 251 304 368 880 491 724 898 927719 485 342 173 914 959 555 67 337 843 262 51 786 106 634 678 362 231 409 32256 536 572 877 818 815 297 444 131 803 338 218 792 650 869 57 446 733 991437 176 360 593 707 222 701 503 229 810 616 840 749 340 785 309 618 928 48 40451 799 842 463 258 844 500 24 706 860 364 725 600 548 11 653 326 397 787 159448 408 794 425 139 711 519 123 681 551 187 347 474 533 798 602 744 845 86818 796 449 401 334 25 26 29 468 60 677 490 527 953 61 170 492 809 443 906 217486 632 55 757 163 608 208 820 457 693 1 157 637 280 606 162 717 439 628 656828 739 389 741 580 190 357 165 887 546 670 119 417 434 951 569 14 700 579469 931 807 95 968 472 713 929 450 284 185 885 867 892 831 873 975 748 611259 864 426 246 752 81 952 352 279 134 137 983 923 604 243 852 813 205 747811 287 206 731 344 609 306 680 348 237 317 658 814 459 790 758 325 508 768189 839 709 483 854 716 727 913 112 773 34 69 103 888 333 652 392 617 643 66534 584 404 115 989 695 972 505 452 737 249 977 68 641 467 819 476 272 766 52178 293 933 191 212 129 236 690 172 480 428 381 204 574 73 207 432 846 564305 808 970 871 395 903 630 942 636 184 698 585 692 318 330 361 107 675 955823 233 341 806 8 299 542 411 937 915 455 75 886 830 863 473 167 307 537 525219 985 182 663 893 23 861 80 635 358 62 74 291 196 250 295 21 577 146 311894 371 230 424 133 971 597 36 458 98 441 687 31 71 430 30 402 895 778 117515 614 575 639 704 315 967 532 793 736 4 282 825 86 620 310 87 470 535 122484 601 410 264 228 775 281 276 418 104 817 38 42 610 582 524 203 517 487 59319 521 241 128 960 567 654 255 745 866 235 998 881 827 644 419 883 268 102343 412 963 540 629 113 777 858 502 149 710 889 528 539 15 465 210 488 53 640300 538 703 784 530 674 940 416 453 274 3 767 876 466 216 47 177 573 909 631391 802 399 148 17 541 367 277 171 562 510 254 754 870 746 121 649 324 755 996 479 329 772 543 378 762 454 699 301 514 776 336 624 110 456 116 215 370 684302 588 289 743 240 179 201 804 990 345 849 20 520 891 477 549 565 669 856407 613 153 405 661 445 973 992 581 589 118 84 855 294 916 728 155 900 211666 124 82 697 770 924 265 384 393 865 999 945 506 39 774 147 494 164 976 622920 954 420 221 382 672 851 316 248 239 850 373 49 145 278 169 645 751 180 63829 390 398 54 997 72 594 882 948 507 801 138 797 28 826 374 339 161 267 874225 76 726 696 323 414 607 938 199 879 195 247 526 46 763 9 922 245 685 198859 238 175 94 979 372 394 413 599 908 966 440 633 560 821 252 388 583 183188 158 462 142 140 664 260 651 587 556 759 77 214 557 563 682 227 108 379422 805 647 152 676 981 529 730 783 657 544 499 708 552 109 406 619 327 615328 498 957 878 283 509 732 566 460 93 518 166 96 33 331 964 714 862 729 365385 415 625 648 136 720 226 478 475 934 101 335 789 926 97 816 857 950 761688 590 779 150 127 782 396 936 800 202 497 603 592 92 100 586 223 642 433722 956 356 111 125 244 427 935 943 154 910 442 771 591]

实施例2

本实施例对生成多项式为(13，17)、(27,31)、(53,75)、(171，133)、(247,371)的卷积码在误码率为0.001，交织深度为100、200、300、400、500、1000时分别进行50次交织关系估计蒙特卡洛实验，统计出成功估计的平均用时，实验结果如下：

表1随机交织置换关系估计交织深度-耗时统计表

可以看到本算法的耗时针对不同的卷积码生成多项式在同一交织深度下是基本上相同的，不会随着卷积码记忆深度的增加而增加，并且在交织深度为1000的时候，耗时在一分钟以内就完成了交织关系的识别，在该领域达到了先进水平，具有较高应用价值。

Claims (1)

1.一种低复杂度的卷积码随机交织关系的估计方法，设截取到的随机交织后的卷积码为c，并已知截获数据c对应的(2,1，v)卷积码编码器结构、交织深度L和交织起点，截获数据帧数为M；其特征在于，包括以下步骤：

S1、构造含有两个交织块的无误码的数据矩阵C：

S11、初始化i＝1,A＝[]，随机行排列次数为X，判断阈值T，利用截获数据c按照给定起点与交织深度L构造M×L的数据矩阵C₁：

S12、对C₁进行随机行排列P₁得到矩阵C₂，C₂＝P₁×C₁，对C₂进行高斯列消元得到矩阵C₃，初始化j＝1,A₁＝[]；

S13、计算C₃第j列的汉明重量W，若W<T,进入S14，反之，j＝j+1，重复S13；

S14、找到第j列里面为1的行的行号A₁，A₁＝A₁∪A₀，j＝j+1，若j<L，回到S13，反之进入S15；

S15、根据P₁得到A₁随机交换前的行号A₂，A₂＝P₁ ^-1(A₁),A＝A∪A₂，i＝i+1，若i<X回到S12，反之进入S16；

S16、对1:L求A₂的补集，得到集合A₃，根据A₃里面的行号，在C₁里面选择出A₃里面出现的行，构成矩阵C₃＝[c_j1；c_j1；...；c_js],j_i∈A₃,1≤i≤S；

S17、在C₃中找到所有在C₁中连续出现的两行C₄＝[c_i；c_i+1；...；c_i+k；c_i+k+1]，取出矩阵C₄的第一和第二行，将第二行拼接第一行后面，取出矩阵C₄的第三、第四行，将第四行拼接在第三行后面，依次类推，直到得到的新矩阵C的维数为2L×2L；

S2、确定卷积码组间交织关系：

S21、对C做前L列的二进制高斯行消元得到矩阵D₁；

S22、统计D₁前L列的汉明重量，若该列的汉明重量w>1，将该列删除，得到维数为2L×L₁的矩阵D₂，删除矩阵的后L₂(L₂＝2L-L₁)行，得到维数为L₁×L₁的矩阵D₃，D₂＝D₃，初始化start＝L₂-L，j＝1,i＝1+start；

S23、令p₁＝i-start,D₃＝D₂,交换D₃的第i列和start+2j-1列，对D₃的第start+2j-1列做二进制高斯行消元得到矩阵D₄，令矩阵D_t＝D₄(:,start+2j-1),从D_t最后一行开始，找到第一个为1的行的行号flag；

S24、令矩阵D_t1＝D₄(flag:start+L,start+1:start+L)；统计D_t1每一列的汉明重量，若D_t1中某一列k的汉明重量等于1，p₂＝k，进入S25，反之，若D_t1中所有列的汉明重量都大于1，进入S26；

S25、p＝[p p₁ p₂]；交换D₄的第start+2j列和第p₂+start列，D₂＝D₄；j＝j+1进入S27；

S26、若i<start+L,i＝i+1,回到S23，反之，j＝j+1，进入S27；

S27、若

i＝start+2j-1,回到S23，反之，组间交织关系识别结束，输出p；

S3、确定卷积码组内交织关系：

S31、将卷积码校验向量h的每两位分为一组，找到其中0,1或1,0的码组位置，假定有β个这样的码组：

β＝#{ε_i＝(0,1)or(1,0),i＝1,2,…v+1}

码组在校验向量中的位置记为：[k_j,1,k_j,2],j＝1,2…,β；

S32、取C₃前W行作为测试矩阵B，针对矩阵B，按照已经得到的p解交织，设经过排列后的矩阵B为：

B＝(b₁,b₂,b₃,…b_L)

b_i为W×1的列向量，i＝1,2,…L，初始化w_flag＝1；

S33、取矩阵B的第2×w_flag-1列到第2×w_flag+2v列，构成滑窗矩阵S：

S＝(b_{2×w_flag-1},b_{2×w_flag},…b_{2×w_flag+2v})

根据对偶向量中β组01或10的位置[k_j,1,k_j,2],j＝1,2…,β，列出滑窗矩阵S在这β组对应位置的所有可能顺序的矩阵

S34、将得到的2^β个矩阵分别与卷积码的校验向量h相乘得到：

E_i＝S_i·h^T,i＝1,2,…2^β

求所有E_i重量的最小值：

式中weight()表示求汉明重量；

S35、找到t_min所对应E_i所对应的S_i，按照S_i中的β组位置的顺序更新所得的交织关系p中相应位置的顺序，同时，将矩阵B中对应滑窗矩阵的地方替换为矩阵S_i，w_flag＝w_flag+1，若w_flag<L/2+1，回到步骤S33，否则，组内交织关系估计结束。

Images