多径信道下基于EM算法的盲LDPC编码器识别研究

随着认知无线电的出现,盲编码器识别引起了广泛的关注。现有相关工作主要集中在加性高斯白噪声(AWGN)信道,而多径场景下的盲识别尚未得到充分研究。考虑未知多径衰落信道下的盲低密度奇偶校验码(LDPC)识别,提出了基于期望最大化(EM)算法的似然分类器,以获得未知参数的最大似然估计值,并采用平均对数似然比(LLR)估计器对未知编码器进行识别。数值结果表明,该算法在多径信道中具有良好的识别性能,特别是在低信噪比区域。

基于深度学习的Wi-Fi信号编码参数盲识别

通信链路层特征盲识别是智能通信和通信对抗领域关键技术。为提高基于IEEE 802.11协议的无线(局域)网/无线保真(wireless fidelity,Wi-Fi)信号的编码参数盲识别精度,提出了一种基于深度学习的低密度奇偶校验码(low density parity check code,LDPC)编码参数盲识别算法,可准确盲识别信道编码算法的信息位码长和码率。算法以解调后的比特流为训练数据集,搭建多层深度神经网络模型,经过多次调参和迁移训练,最终得到了能够准确预测编码参数的网络模型。实验结果表明,该网络模型能够在高达10%误码条件下得到优于91%的编码参数盲预测率,在无误码的条件下,编码参数盲预测准确度高达95.32%,为智能通信和通信对抗的研究提供了一定参考价值。

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.