1／n卷积码盲识别

在未知情况下如何仅仅根据接收的数据识别出信道纠错码的参数,目前还是个很难解决的问题.本文根据线性分组码的性质提出了一种新型数据矩阵模型,用于对线性分组码进行盲识别;并将该方法推广应用到1/n卷积码盲识别,取得了很好的效果.     

基于校验矩阵的卷积码盲识别技术研究

首先论证了C(n,n-1,m)卷积码的基本校验矩阵的维数与卷积码编码器存储器阶数之间的关系,通过码字约束关系提出了一种矩阵秩的判别方法。无误码情况下的仿真实验表明:在没有先验知识的情况下,对卷积码的多个参数有良好的识别效果。最后给出了AWGN信道下该识别方法的MATLAB仿真分析,实验结果表明该算法具有良好的容错性能。     

二进制线性分组码盲识别问题研究

(n,k)线性分组码作为信道编码技术的重要组成部分在深空通信、卫星通信、无线通信等实际数字通信领域得到广泛应用,与此同时,对于(n,k)线性分组码的盲识别问题也正在日益凸显。通过(n,k)对线性分组码的主要原理、关键性质的分析,建立盲识别数学模型,估值判断分组码长、生成矩阵、校验矩阵等具体参数,总结分析线性分组码盲识别的研究现状,归纳提炼出现行各种盲识别算法的优点和局限性,并提出进一步解决线性分组码盲识别问题的主要研究方向。     

基于改进高斯法的卷积码盲识别方法

卷积码盲识别技术是指在无任何先验知识的情况下,仅通过接收或截获到的编码数据快速地盲识别出对方所采用的卷积码具体参数,是非合作通信领域的一项关键技术,在军事侦察方面具有广泛应用。针对传统高斯解方程法在对非系统卷积码进行盲识别时,生成矩阵存在多解的问题,提出了一种适用于1/n码率、基于改进高斯法的卷积码盲识别方法,仿真实验表明,该算法可对1/n非系统卷积码进行有效地盲识别。     

基于求解校验序列的(n,1,m)卷积码盲识别

伴随信息对抗和智能通信的快速发展,信道编码识别已成为信息恢复领域一个重要的课题。针对(n,1,m)卷积码盲识别问题,该文提出一种新的识别方法,该方法首先提出了校验序列的概念,通过改进后的矩阵模型求解出校验序列,进而由校验序列构造方程求解出生成多项式矩阵,完成识别。最后,通过实例仿真验证了该方法能够在参数n和码字起始位置都未知情况下有效识别出(n,1,m)卷积码。     

基于码重信息熵低码率线性分组码的盲识别

为解决较高误码条件下的低码率二进制线性分组码的盲识别问题,论文提出了基于码重分布信息熵的码长识别方法,而且,它还通过优化传统的矩阵化简方法求解生成矩阵,从而实现对低码率二进制线性分组码的盲识别。理论分析及仿真验证均表明:该方法能实现低码率线性分组码较正确的识别。论文最后进一步对不同码长线性分组码在不同误码率条件下进行了多次仿真,仿真结果验证了该识别方法具有较好的容错性能。     

基于校验矩阵的C(n,n-1,m)卷积码盲识别技术研究

摘 要:本文首先论证了C(n,n-1,m)卷积码的基本校验矩阵的维数与卷积码编码器存储器阶数之间的关系,通过码字约束关系提出了一种矩阵秩的判别方法。无误码情况下的仿真实验表明：在没有先验知识的情况下,对卷积码的多个参数有良好的识别效果。最后给出了AWGN信道下该识别方法的Matlab仿真分析,实验结果表明该算法具有良好的容错性能。     

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。     

基于校验统计的(2,1,m)卷积码盲识别

伴随通信对抗由信号层向信息层的发展,信道编码识别已成为信息截获恢复领域一个亟需解决的问题。针对(2,1,m)卷积码盲识别问题,提出了一种基于校验统计的识别方法,该方法首先通过统计的方法求出最佳匹配的校验矩阵,进而推导出生成多项式矩阵。最后,通过MATLAB实例仿真验证了该方法能够有效识别出所有(2,1,m)卷积码,且具有很好的容错性能。     

卷积码盲识别方法研究

提出了一种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.     

卷积交织参数的盲估计

通信系统中的交织技术在抗信道衰落引起的突发错误方面发挥着重要作用,能大大提高信息传输的可靠性.其中卷积交织由于能减少时延和存储量,得到了广泛应用.本文在非合作环境中针对信道编码中常用的卷积交织技术,提出了一种对交织参数进行盲估计的方法.所提方法通过构造去交织器,将截取数据流的起始位置信息转换成交织延时偏差,利用伽罗华域...     

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1dB.     

卷积码的线性系统

介绍了卷积码的线性离散时不变系统模型。从建立卷积码的状态变量方程出发,研究了卷积码的代数结构,并详细论述了基于状态变量方程描述的迭代译码算法。     

基于相似度对系统循环码参数的盲识别

针对系统循环码参数的盲识别问题,提出了一种基于数据挖掘中相似性度量函数的方法.首先,在不同的先验知识下,利用实际序列与随机序列的码重分布相似度差异最大的特性识别码长和起始点,在此基础上,通过优化传统的矩阵化简,由码字多项式与生成多项式的关系设定判定门限T的方式求解生成矩阵,实现了对系统循环码的盲识别.仿真结果表明,该算法在误码率为0.01的条件下识别效果较好.     

一种线性分组码参数的盲识别方法

针对线性分组码参数的盲识别问题,根据实际序列与随机序列码重分布相似度差异最大的特性,提出一种基于码重相似度识别码字长度和码字同步点的方法,在此基础上,利用一种新的特征——深度分布,识别生成矩阵,利用高斯消去法产生典型生成矩阵,实现了线性分组码的盲识别。码重相似度识别方法简单易行,理论分析及仿真实验表明该方法的容错性较强,误码率为0.01条件下识别效果较好。     

基于分块矩阵变换的线性分组码盲识别

为了解决传统矩阵分析方法存在的误码扩散问题,提出了一种基于分块矩阵变换的线性分组码盲识别方法.首先,将截获序列按照估计码长构造出分析矩阵,将分析矩阵分块后分别进行矩阵下三角变换;然后,以各列列重为度量,根据相关列重量的统计分布特性设置相关列阈值,并统计出符合阈值的相关列的个数,当相关列的个数最大时即为真实码长的情况.该方法还可以识别码字同步点,识别方法简单.理论分析及仿真结果表明,该识别方法的容错性能较好,在误码为5%的条件下,对(15,7)线性分组码的正确识别率依然能达到80%.     

一种多输入多输出系统的盲辨识算法

多输入多输出线性系统的盲辨识问题可以利用输出信号的高阶累积量来解决.针对已有的一个线性MIMO系统辨识方法没有充分利用累积量矩阵固有结构的不足,提出一个改进算法,从而提高估计性能.并通过计算机仿真作了验证.     

Turbo Product Codes Based on Convolutional Codes

In this article, we introduce a new class of product codes based on convolutional codes, called convolutional product codes. The structure of product codes enables parallel decoding, which can significantly increase decoder speed in practice. The use of convolutional codes in a product code setting makes it possible to use the vast knowledge base for convolutional codes as well as their flexibility in fast parallel decoders. Just as in turbo codes, interleaving turns out to be critical for the performance of convolutional product codes. The practical decoding advantages over serially‐concatenated convolutional codes are emphasized.