相位模糊下基于软判决的卷积码识别方法

QPSK数据流通常具有相位模糊的问题,传统方法常采用卷积码遍历识别码字起始位置的译码算法,这将导致算法计算量大、资源占用高等诸多问题。因此,提出一种基于软判决的卷积码起始位置识别与QPSK相位模糊消除的译码方法,以有效提升译码算法性能。首先,推导了卷积码编码序列与校验矩阵之间的数学表达式,明晰了卷积码码字起始位置与相位模糊的逻辑关系;然后,求解CCSDS标准卷积码的校验矩阵,以方程成立的概率作为判决的度量,该方法适用于各种码率的删除卷积码,具有工程实用性;最后,通过仿真分析验证了所提出方法的有效性。研究表明该方法无需遍历卷积码的码字起始位置和相位模糊,且鲁棒性较强,所需数据量较小,随着数据量的增大和卷积码码率的降低,识别准确率逐渐提高。

截断卷积码的重量枚举函数的计算

针对 Turbo码和串行级联卷积码的好码搜索 ,提出了一种栅格合并方案实现卷积码的码重分布统计 .该方案以起始的局部栅格经编码后所得的码重分布为基础 ,按照把栅格路径长度每次增加为原来的 2倍的频率对栅格进行迭代合并 ,最终得到相应的全局码重分布 .与传统的利用状态转移图计算卷积码的码重分布的方法相比 ,这种栅格合并方案在中、低交织时延下与传统方法的计算复杂度相当 ,但是省去了大量的预备工作 ,具有一定的实用意义 .

卷积码盲识别树图遍历算法研究与仿真实验

针对现有卷积码盲识别算法在校验矩阵相同的情况下识别性能不佳的问题,提出一种基于树图遍历的卷积码盲识别算法,并对算法识别准确率进行仿真实验。算法基本思想是:遍历所有可能的输入序列,并依据输入序列构造下一状态,根据输入序列和状态这两个参数在卷积码树图中寻找符合要求的路径,识别出卷积码的输入⁃状态⁃输出转移表,然后构造方程组,估计出生成矩阵。实验结果表明,该算法能够有效地对卷积码进行盲识别,规避了从校验矩阵反推生成矩阵的过程中存在多个可能的生成矩阵的问题。

矩阵变换特征与码序列联合学习的卷积码识别方法

现有基于深度学习的卷积码识别方法仍存在参数规模较大、识别性能较弱等不足。针对该问题,提出了一种基于矩阵变换特征与码序列联合学习的卷积码识别方法。将接收到的码字序列排列成矩阵形式,利用软信息剔除可靠性较低的码字,通过一种新的矩阵变换算法得到特征矩阵。在识别时,将原始码字矩阵和特征矩阵输入到具有多模态数据联合学习能力的网络模型,在神经网络中完成特征的提取融合与卷积码的识别。仿真结果表明,所提方法性能明显优于现有基于深度学习的识别方法,特别是对于高码率卷积码;当码率较低时,同样优于传统识别方法。当信噪比达到5 dB时,25种不同参数卷积码的识别率均可达到100%。

基于动态寻优调节的卷积码堆栈-桶算法

大约束长度卷积码具有抗干扰性强,难以破译等优点,被应用于卫星通信等领域。但低信噪比环境下,存在空间利用率低和译码复杂度高的缺点。针对此问题,提出一种基于动态寻优调节的卷积码堆栈-桶(DORSB)算法。所提算法采用新参数深度因子辅助路径存取,能够增大接近码树终点的路径优势,降低译码复杂度;并在堆栈溢出时,对桶的尺寸进行调节,对桶空间进行复用的同时降低误帧率,可有效提升空间利用率。仿真结果表明:在深度因子增量适当且误帧率为10^(-5)的情况下,相比于标准堆栈-桶算法,所提算法误帧性能提高了约0.6 dB,并且时间复杂度最多能改善72.63%。

基于深度残差网络的(n,1,m)卷积码盲识别

针对传统(n,1,m)卷积码识别方法容错性能较差或所需数据量较大的问题,提出了一种基于深度残差网络(Residual Network, ResNet)的方法。对图像识别领域常用的二维ResNet模型进行结构调整,使其适用于一维卷积编码序列的处理;仿真生成大量卷积码比特序列,以不同的误比特率在序列中随机加入误比特,并按固定长度从序列截取片段作为ResNet的训练样本,分别完成编码类型和起点识别模型的训练;将待识别卷积码序列输入网络,即可输出识别结果。仿真结果表明,相比传统方法,该方法以略高的计算复杂度为代价,获得了更好的容错性和较低的识别数据量需求。

卷积码盲识别方法研究

提出了一种(n-1)/n码率删除卷积码的盲识别算法。该算法基于卷积码的线性特性和校验性质,利用一种优化方法求解二元域线性方程组,估计出校验多项式矩阵,并建立删除卷积码的数学变换模型,由校验多项式矩阵估计出删除卷积码的源码生成多项式矩阵和删除模式。

Punctured(2,1,N)系列卷积码的编码及其Viterbi译码的软件实现

给出了由 (2 ,1,N)系列卷积码作为母码产生的punctured卷积码的编码及其Viterbi译码的软件实现方法 ,从而为各种不同码率的卷积码的编、译码给出了一种通用的实现方法 。

一种新的准随机LDPC卷积码及窗译码

以Gallager随机LDPC分组码为基础,通过列置换、置数、剪切与合并,构造了一种新的(l,3,6)准随机LDPC卷积码.针对该码类,提出了一种窗扇尺寸固定、滑动步长可选的窗译码算法,大幅降低了寄存器开销和译码延时.仿真实验界定了滑动步长的取值范围,验证了构造方案和窗译码的有效性,测试了不同约束度的准随机LDPC卷积码的误码性能,结果显示约束度l仅为1535即可获得距离香农限约1dB的纠错能力.

Punctured Woven卷积码的设计与仿真

编织(Woven)码是一类包容性极强的新型纠错码,由于其自身的组合性导致它的编码效率不高、译码延迟大及硬件复杂性高,这些缺点制约了编织卷积码(WCCs)的应用。为了推动WCCs在实际通信系统中的应用,提高其编码效率,该文采用了删余技术,提出将其内外成员码分别进行删余。对删余WCCs在加性的变斯噪声(AWGN)信道上进行了设计与仿真,证实了删余后的外经结构WCCs在相同的码率和相同的外编码器个数情况下有比非删余的WCCs更优的误码率(BER)性能,且大大降低了其编译码的复杂性,提高了其编码效率。

一种基于校验矩阵的非系统卷积码识别方法

信道编码识别是通信侦察中的关键技术,针对非系统卷积码现有识别方法存在运算量大、效率低、工程实现难等问题,提出了一种基于校验矩阵的信道编码识别方法,通过建立常用非系统卷积码基本校验矩阵集,将通信侦察系统解调后数据与基本校验矩阵相乘获取校验通过率统计值,再根据匹配阈值确定待侦察系统的编码方式。采用的方法具有运算量小、易于工程实现的优点,理论推导和仿真试验均验证了新方法的有效性,解调误码率为3‰的情况下编码识别正确率优于90%。

卷积码的活性距离特性及其应用

用卷积码的活性距离来分析卷积码的性能是随着分析Turbo码的性能而开始的,卷积码的活性距离是自由距离的扩展,它主要是由一个参数来决定的,即活性距离的斜率α。在对卷积码的活性距离进行简要介绍后,主要针对应用α对编织卷积码进行优化作出了探讨,指出了卷积码的活性距离α是分析用卷积码作为成员码的组合编码性能的重要参数。这对优化用卷积码作为成员码的组合编码,降低其编码复杂性有重要作用,也对推动该类组合码的应用有较高的价值。最后给出了仿真结果。

长约束非递归系统卷积码的盲识别

针对长约束非递归系统卷积码识别性能随约束长度增加而迅速恶化的问题,提出一种基于码型转换的识别方法。该方法适用于1/2长约束非递归系统卷积码及以其为母码的(n-1)/n删除卷积码。首先根据编码原理,利用编码数据构造一种码长约为原卷积码约束长度1/n的线性分组码;然后求取该线性分组码的校验矩阵,进而从校验矩阵中重构原卷积码的生成多项式。对IESS309中涉及到的两种长约束非递归系统卷积码进行仿真试验。相对于现有方法,当码率为1/2时,识别性能约改善了1dB;当码率为2/3和3/4时,改善程度均超过了2dB。仿真结果表明,与现有方法相比,所提方法具有更好的识别性能。

一种新型分组卷积码

针对固定长度报文的差错控制,设计了一种新型分组卷积码,它结合了分组码和卷积码的优点,具有高传输效率、低时延及高可靠性的特点。介绍了分组卷积码的基本思想,给出了分组卷积码的生成矩阵和校验矩阵,并通过编译码例子展示了分组卷积码的整个编码和译码过程;对传输效率及误码率性能进行了分析;通过计算机仿真,比较了分组卷积码和传统卷积码的误比特率。结果表明:与传统卷积码相比,分组卷积码具有更高的传输效率,而误比特率基本相同。

并行级联卷积码基于软输入硬输出的迭代译码

以递归卷积系统码为分量码构造的并行级联卷积码具有优良的距离特性,本文提出一种新的迭代译码算法,通过引入校正因子α(n)和β(n),对viterbi译码输出和原始接收信息进行线性叠加,从而将当前的硬判决译码输出转化为下一次译码的软输入。仿真结果表明,该算法与乘积码相比,具有更强的纠错性能和更快的译码速度。

基于Walsh-Hadamard变换的卷积码盲识别

该文针对信道编码的盲识别问题,提出了高误码率下(n,1,m)卷积码的盲识别方法。首先给出了盲识别的数学模型,进而扩展了Walsh-Hadamard变换的应用范围。证明了通过对截获码序列做Walsh-Hadamard变换可以解决卷积码的盲识别问题,该方法在智能通信、信息截获、密码分析等领域有重要的应用。仿真实验表明该算法可以对高误码率的卷积码进行有效的识别。

基于改进欧几里得算法的卷积码快速盲识别算法

卷积码盲识别技术在信号截获、智能移动通信、多点广播通信等领域具有广泛应用,针对卷积码的快速盲识别问题,对经典欧几里得算法进行了改进,提出了一种基于改进欧几里得算法的卷积码的快速盲识别方法。算法对卷积码码率进行遍历,通过欧几里得迭代算法求解卷积的校验多项式,实现了任意码率卷积码的快速盲识别。对算法进行了仿真,仿真结果验证了算法的有效性,且算法的计算量小于文献中已有算法。

基于最小二乘代价函数的卷积码盲识别方法

卷积码的盲识别是级联码、Turbo码等高性能编码盲识别的基础,这要求卷积码盲识别方法具有较高的抗噪能力.使用接收解调的软判决信息是提高抗噪能力的关键.本文首先通过理论分析,从概率分布的角度解释现有软判决方法抗噪能力不足的原因,即汉明重量较小的候选解向量会严重削弱现有方法的识别正确概率.然后,提出一种基于最小二乘代价函数的解决方案,理论证明它能够有效减轻汉明重量对识别性能的影响.最后,通过仿真实验,对理论分析的结论进行验证.理论和实验表明,所提的新方法能将卷积码盲识别的抗噪能力提升约1d B.

基于最大似然检测的(n,1,m)卷积码盲识别方法

该文针对非合作信号处理中的(n,1,m)卷积码的盲识别问题,提出一种基于最大似然检测的识别方法。该方法将接收码序列按不同长度进行分段,构建卷积码校验多项式系数的线性方程组,利用最大似然检测方法估计线性方程组的解,并利用解向量与卷积码生成多项式的校验关系,构建生成多项式系数的线性方程组,最终求解得到卷积码的生成多项式。仿真实验验证了算法的有效性,并对算法的误码适应能力进行了理论和仿真分析,仿真结果表明该方法能够在较高误码率条件下实现(n,1,m)卷积码的检测与识别。

基于求解校验序列的(n,k,m)卷积码盲识别

针对卫星通信和深空探测等采用的(n,k,m)卷积码盲识别问题,提出了一种新的识别方法。首先,根据卷积码本身的线性约束关系改进分析矩阵模型的构造方法,有效地减小了识别所需数据量。在通过矩阵化简识别出码长、码字起始位置和校验序列基础上,提出了由校验序列推导出生成多项式矩阵的方法,进而完成卷积码的识别。仿真实例表明,该识别方法不需要任何先验条件,能够有效识别所有(n,k,m)卷积码。