基于模糊KHM聚类的跳频网台分选方法

针对聚类分析实现跳频网台分选时,分选结果对初始聚类中心敏感且某些样本点“既可以属于类A也可以属于类B”的问题,提出了一种基于模糊K调和均值(KHM)聚类的跳频网台分选方法。首先利用搜索统计直方图位置法预估聚类数目和聚类中心,减少了算法的迭代次数;然后根据跳频信号的各项参数,应用模糊KHM聚类算法对跳频网台进行分选,有效解决了样本点的隶属度问题;最后通过类内类间距法估计得到准确的聚类数目K、聚类中心位置,大幅提升了聚类算法准确度。仿真结果表明,该算法聚类中心接近实际类中心,分选正确率高,迭代次数少。     

低信噪比下归零Turbo码码长及其帧同步识别

针对目前高斯消元法在归零Turbo码长、帧同步等参数识别过程存在容错性能低且计算复杂度高的缺点,该文提出一种低信噪比(SNR)下基于差分似然差(DLD)的识别算法。首先通过定义差分似然差的概念,利用归零Turbo码帧头两码元差分似然差为正值(“+”)的特性,构建分析矩阵实现码长的识别;其次,提出基于最小错误判决准则下的差分似然差“+”位置门限判决方法,完成帧同步;最后,从工程实际出发,遍历寄存器个数的可能值,实现码率、寄存器个数以及交织长度识别。仿真实验表明:所提算法对于归零Turbo码码长、帧同步等参数识别有效,差分似然差“+”位置分布与分析的数据结构特征一致,判决门限能够有效判断差分似然差“+”位置,同时,算法容错性能较强,在信噪比为–5 dB条件下,码长、帧同步等参数识别率能够达到90%以上,并且算法的复杂度远小于现有算法。