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。     

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。     

基于改进Walsh-Hadamard变换的(n,1,m)卷积码盲识别

针对高误码率情况下(n,1,m)卷积码的盲识别问题,该文提出一种新的基于改进Walsh-Hadamard变换(Walsh-Hadamard Transform, WHT)的方法。首先将原问题等效为多路1/2码率卷积码的盲识别问题,并建立关于其生成多项式系数的线性方程组。然后分析了现有基于WHT的方法直接求解该方程组所存在的不足,重新建立更稳健的判决门限,同时通过缩小解的取值范围降低计算量,进而在求得正确解向量的同时完成对码长的识别。最后,将多路等效1/2码率卷积码的生成多项式按一定条件组合,得到(n,1,m)卷积码的生成多项式矩阵。仿真结果验证了所提方法的有效性,且性能优于传统方法。     

基于改进欧几里得算法的1/2码率卷积码盲识别方法

为了适应非合作条件下侦收码序列不完整这一特点,对已有1／2码率的卷积码盲识别多项式模型进行了修正。基于该模型,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1／2码率卷积码的盲识别算法,仿真结果验证了该算法的有效性。     

(n，1，m)递归系统卷积码的盲识别

递归系统卷积码(RSC码)是Turbo码子编码器常采用的编码形式。针对(n,1,m)递归系统卷积码的盲识别问题,给出了完整的编码参数和生成多项式识别方法。首先,采用矩阵分析法先求得卷积码参数,避免后续识别生成多项式时因参数循环估计带来的额外计算量。然后,根据RSC码的特性推导出生成多项式识别模型,给出了模型的具体求解步骤,并对所采用的Walsh-Hadamard变换算法进行了介绍。最后,运用Matlab平台进行仿真验证。仿真结果表明,该方法容错性能明显优于常规方法,在误码率为10-2条件下成功识别概率能达到90%,对于Turbo码的进一步研究具有重要意义。     

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。     

基于软信息的分组交织和卷积码联合识别

针对非合作数字通信系统中分组交织和卷积码的盲识别问题,提出了一种基于软信息的信道编码识别方法.该方法利用软信息建立了符合度的概念,首先利用采样序列的总符合度实现交织行数和卷积码校验向量的识别;然后通过每路采样序列平均符合度的变化规律实现交织起点行坐标的识别;最后根据解交织后数据的符合度实现交织列数和交织起点列坐标的识别.仿真结果表明,本文算法能在较高误码率下实现分组交织和卷积码的盲识别,与硬判决算法相比,达到较高正确率时,本文算法具有约5dB的信噪比增益.     

系统卷积码盲识别

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。文章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系统卷积码盲识别,取得了很好的效果。     

(n,1,m)RSC码的盲识别

(n,1,m)递归系统卷积码(RSC)是Turbo码分量编码采用最多的一种编码方式。针对RSC提出了基于改进欧几里德算法的识别方法,为Turbo码的识别奠定了基础。该方法首先将(2,1,m)卷积码的识别模型应用推广至(n,1,m)卷积码,即求解n个多项式的最高公因式,进而利用改进的欧几里德算法识别生成多项式。最后,实例仿真验证了该方法的有效性。     

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。     

基于多项式遍历和码字相关的Turbo码盲识别

针对1/n码率Turbo码的盲识别问题,提出了一种基于多项式遍历和码字相关的检测识别方法.该方法首先对码字序列进行分组,利用分组验证的方法对数据中的卷积码进行快速检测,进而识别出Turbo码的码率;然后,利用欧几里得算法对Turbo码的分量编码器a的参数进行识别,进而通过对编码器b的遍历,恢复出伪随机交织序列;最后,通过与信息序列的码字相关,验证编码器b的参数是否正确,同时利用相关谱峰值所在位置识别交织器参数,实现了Turbo码的全部参数估计.仿真实验验证了该算法的有效性.对算法的误码适应能力进行的仿真分析表明,该方法能够在较高误码率条件下实现Turbo码的检测与识别.     

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.     

删余型Turbo码分量编码器盲识别算法

摘 要:无法获得完整的递归系统卷积码(Recursive System Code,RSC)码字,传统的盲识别方法就不适用于删余型Turbo码的识别。于是该算法在识别序列的构造上进行了改进,针对Turbo码在删余位上的码字与对应的RSC码有所区别的情况,将该位上的码字视为“0”和“1”等概率出现的误码,从而对删余位进行归零处理并选取合适的截取序列进行匹配度计算,根据最后匹配度的总分布情况对删余型Turbo码分量编码器的参数进行识别。仿真结果表明针对码长为256,码率为1/2的删余型Turbo码,在最大误比特率不超过0.033的情况下正确识别率能保持在80%以上。      

基于刃边法的红外图像目标信息复原

红外图像在成像过程中,由于成像系统本身的因素以及电子噪声、热噪声等,会造成图像质量下降,对红外目标信息的识别造成影响。针对以上问题,本文提出了一种基于刃边法的图像信息复原方案。首先建立红外系统的复原模型,采用刃边法来计算系统的复原参数;接着使用Prewitt锐化算子检测刃边,再利用三次样条插值以及Savitzky-Golay滤波优化边缘扩散函数,得到系统的点扩散函数;最后采用维纳与盲卷积复原算法对红外图像进行处理,比较两种方法的热噪声特性,并通过边缘锐度与标准差来量化复原效果。实验结果表明:维纳滤波相比于盲卷积在复原效果上的提升更为明显,约为1倍,且热燥声改善也优于盲卷积,复原方案切实可行。     

一种改进的线性分组码的全盲识别算法

针对线性分组码编码参数的盲识别问题,根据实际与随机序列码重概率分布间较大的差异性,提出了利用两种特征参数(码重标准差率差值、码重信息熵)分别同时识别码长和起始点的算法.根据这两种算法的不足又进一步改进,提出一种对这两种特征参数进行融合来同时识别码长和起始点的算法.在此基础上,通过建立矩阵进行化简获得生成矩阵,从而实现线性分组码的全盲识别.理论分析及实验仿真表明该方法简单易行,容错性较强,在误码率为0.025条件下对中短码识别率达到90％,误码率为0.005条件下对中长码识别率高于80％.     

低速率语音通信中高效维特比译码的FPGA实现

维特比译码是卷积码勰码中一种最大似然的译码算法,文章给出了一种高效的卷积码编码及维特比解码FPGA硬件实现的结构,提出了一种采用（2,1,7）卷积码对2．4kbps MELP语音编码参数进行抗误码保护的信道编码方案。实验表明,能有效提舞噪声信道下传输的语音参数的抗误码性能。     

基于模拟退火算法的(2,1,m)卷积码盲识别

卷积码是数字通信中常采用的信道编码形式。针对(2,1,m)卷积码的盲识别问题,提出了一种基于模拟退火算法的新方法。首先根据码特征给出了识别的数学模型,然后基于该模型对方法的基本原理和实现过程进行了详细的介绍,并给出了各参数的选取方法。最后,采用蒙特卡洛方法进行了仿真验证。仿真结果表明,算法性能优异,在误码率高达10-2量级时,能有效实现对常用(2,1,m)卷积码的识别。相比于现有的卷积码识别方法,该算法性能优异且计算复杂度较低。