一种利用软判决的信道编码识别新算法

现有的信道编码识别方法通常利用解调输出的硬判决序列来进行,其容错能力有待提高.本文针对低信噪比的接收信号,提出了一种利用软判决的编码识别新算法.该算法基于含错方程模型,以方程成立的概率作为衡量解向量性能的量度,从而求解方程,完成识别.对数似然比(LLR)代数的使用使得算法具有简单的形式.仿真实验表明,与基于Walsh-Hadamard变换的传统算法相比,新算法提高了识别性能,且信噪比越低,性能提高越显著.

基于深层神经网络的信道编码类型盲识别

为了解决当前识别算法只能识别一种或者两种码字类型以及人工提取特征复杂的问题,提出了两种基于深层神经网络模型的信道编码类型识别器,即卷积神经网络(convolutional neural network,CNN)识别器和递归CNN(recursive CNN,RCNN)识别器,用于识别接收数据中不同类型的信道码字。将待识别的软解调序列作为自然语言处理中文本分类问题的句子向量进行处理,输入到预先训练好的深层神经网络识别器中进行识别,并分析了字长度对识别准确率的影响,得出了最合适的字长度。实验结果表明,两种识别器都能够有效识别接收数据中多种类型的信道编码,且在信噪比为3 dB时CNN识别器的识别准确率能够达到99%以上,而RCNN识别器在1 dB时就能够达到99%以上的识别准确率。

基于深度学习的纠错编码方式识别

引入卷积神经网络(CNN)用于解决信道编码方式识别问题,提出了一种基于改进LeNet-5网络的编码方式自动识别方法,该方法将接收机端接收到的信号进行预处理,预处理之后的数据作为深度卷积神经网络(DCNN)的输入,根据训练好的模型对时域编码信号进行直接特征提取与识别分类。针对ldpc码、卷积码、汉明码三种典型的编码方式进行了仿真实验,信噪比大于8时,编码方式的识别准确率大于80%。不同码率的卷积码之间,信噪比大于8时,识别准确率可以达到95%以上。实验结果表明,基于DCNN的时域编码信号识别是可行的。

基于伽罗华域傅里叶变换的RS码识别方法

针对RS码识别问题,研究并提出了基于伽罗华域傅里叶变换(GFFT)的统计识别算法。在分析GFFT谱向量的统计特性后,引入一种用于衡量谱分量概率分布差异性的平方欧几里德距离测度,成功实现了对RS码本原多项式、生成多项式的识别。仿真结果验证了理论分析的正确性。与同类算法相比,该算法的检测性能明显提高,且更适用于闭集集合大于1的实际应用场合。

基于寻找小重量码字算法的LDPC码开集识别

LDPC码的开集识别是信道编码识别领域的一个难点。首先,对实现开集识别所需接收码向量的数量进行了分析,给出了其理论下界。然后,根据这一下界,基于寻找小重量码字的算法,提出了一种新的LDPC码开集识别方法。该方法在接收码向量空间的对偶空间中逐个寻找小重量向量,即待识别的稀疏校验向量,从而重建稀疏校验矩阵。利用指数分布对迭代次数进行建模,给出了该方法的迭代停止准则及运算量分析。在无误码条件下,新方法克服了已有方法在适用范围和所需数据量的局限。在有误码条件下,与已有方法相比,在提高抗误码能力的同时保持较低的运算复杂度,更能满足实际应用的需求。对于QC-LDPC码,利用其稀疏校验矩阵的准循环特性,可以显著提高识别性能。

基于有限域欧几里德算法的RS码识别

针对基于有限域傅里叶变换的RS码识别方法存在复杂度高、计算量大的不足,提出了基于有限域欧几里德算法的RS码识别方法。该方法利用有限域欧几里德算法计算RS码与其循环移位码字间的最大公约式,通过遍历码长时得到的最大公约式指数的最大值与平均值的最大差来识别码长,根据识别的码长所对应的最大公约式指数的最大值识别本原多项式,进而对最大公约式进行因式分解识别生成多项式。理论分析和仿真实验表明:本识别算法较现有方法减少了数十倍的计算量,在误码率为10-3的情况下,对RS码的识别概率高于90%。

基于时序卷积网络的信道编码闭集识别

针对传统识别算法对信号的先验知识要求较高、人工特征提取复杂、低信噪比环境下识别率较低等问题,提出了一种基于时序卷积网络(TCN)的卷积码参数识别方法.引入了深度学习算法处理盲识别问题,依据卷积码的马尔可夫性,将码字作为时间序列处理,把已知类型的编码序列作为时序卷积网络模型的输入进行监督学习,根据训练好的模型对接收端接收到的未知编码信号进行闭集识别分类.实验结果表明:当信噪比大于5 dB时,单一参数类型与混合参数类型平均识别准确率分别大于99.60%和99.50%,且在相关算法对比中有较好的识别表现.

利用软解调序列的LDPC码闭集识别方法

为实现对包括低密度奇偶校验（LDPC）码在内的一系列“稀疏几何编码冶的识别,基于软解调序列,设计和实现了一种闭集集合应用背景下的识别方法.以校验约束关系作为切入点,首先回顾了基于硬解调序列的传统识别策略;接着分析和推导了软解调序列所应满足的校验约束形式;通过引入后验校验对数似然比（CLLR）这一统计量,最终设计了相应识别算法.在事先给定先验编码集合的闭集应用模式下,仿真结果显示,算法明显占优,识别增益在低信噪比环境下可达2~6dB.

LDPC码稀疏校验矩阵的重建方法

针对LDPC码识别过程中的稀疏校验矩阵重建问题,研究并提出了3种算法。在分析和比较LDPC码与一般分组码识别模型的基础上,将LDPC码的识别问题定义为寻找码字对偶空间下某组稀疏基的数学问题。通过以校验向量行重作为优化对象,先后设计和实现了了2-阶行间线性变换、p-阶行间线性变换、线性关系有限穷举的3种矩阵稀疏化算法,力求实现无误码条件下对适度码长长度LDPC码校验矩阵的有效重建。测试结果表明,该算法适用于包括802.16e、802.11n、DVB-S2、GJB7296、GB20600在内的多种LDPC码标准。