一种归零Turbo码起点及深度盲识别方法
【技术领域】
[0001] 本发明属于化rbo码交织参数盲识别领域，尤其设及较大交织深度（几百至几千） 的情况下，对归零化rbo码进行交织屯点W及交织深度估计的方法。
【背景技术】
[0002] 根据香农定理，只要传信率低于信道容量，那么随着码长趋近于无穷，一定存在差 错率趋近于零的渐进号码。1993年提出的化rbo码编译码方案，通过充分利用随机性，在 65536的随机交织器条件下，使得1/2码率化rbo码实现了距离香农限仅0. 7地的优异性 能。从此化rbo码被广泛应用于无线通信领域。Turbo码的意义在于提供了一种低信噪比下 的级联编码方案，并且突出了迭代译码的思想，对后来的信道均衡W及信号检测等领域的 研究也都有着一定的促进作用。现在化rbo码已经广泛应用于各大通信协议中，包括3GPP 的第S代移动通信协议、LTE、CCSDS等。其中最常见的是1/3码率的PCCC结构。
[0003] 并行级联结构（PCCC)主要由两个1/2码率递归系统卷积码巧SC)编码器和一个 交织器构成。输入数据直接进入第一个编码器，输出一路信息位和一路校验位。与此同时， 输入数据按照一定的交织深度，逐块的进行块内交织。交织后的数据进入第二个编码器，只 选取输出的一路校验位。最后，=路数据进入复用器进行删除复用，得到编码后序列。
[0004] 对于PCCC结构化rbo码的识别工作，主要集中在分量编码器参数识别和交织器的 参数识别。在盲识别的过程中，还设及到码字序列的起始位确定、交织深度的确定、分量编 码器参数是否一致的认定等问题。运些参数的不确定性是使得识别工作运算量提升的常见 因素。具体到编码器参数识别，与卷积码识别一样，主要采用矩阵初等变换、欧几里得無转 相除、BM算法、Walsh-化damard变换等方法。而随机交织器的估计，主要是将交织视为一组 完全随机的一一映射，利用多帖的数据进行比对，从而确定下各位置的映射关系。
【发明内容】
阳0化]本发明的目的在于克服现有技术的不足，提供一种归零化rbo码起点及深度盲识 别方法，使得交织参数和交织深度的识别能够适应比W往更大的交织规模，并且大大减小 运算量、提高抗误码性能。
[0006] 本发明方案为：基于归零结构的交织器深度及起点识别方法，利用了实际应用中 广泛存在的卷积编码自归零结构。在此结构下，无论是归零比特，还是W全零状态作为起始 态的编码序列，都存在一定的结构特性。通过对码字序列的统计，寻找符合特定结构的码字 位置，从而确定化rbo码的交织深度和交织起点。
[0007] 一种归零化rbo码起点及深度盲识别方法，包括W下步骤：
[0008] Sl、设接收的码字序列为C，长度为以码率为1/n，创建全零序列X，长度为以交织 深度N的估计范围最大为40~[L/(30 ? n)]，其中，n为不为零的自然数；
[0009] S2、对于3若Ci= Cw, Ci I=C 12,则Xi= 1，
[0010] 对于i二1, 2,右Ci= C W，则Xi= 1,其中，C康不束i个比特；
[0011] S3、交织深度猜测值设为N = 40 ;
[0012] S4、利用Sl所述全零序列X构造矩阵
阳01引 S5、求S4所述矩阵A的各列和Yi~Yw,若存在满足条件的Yj,则序列C的第j位 是第一个完整交织块的起点，且交织深度确定为N，否则，N = N+1，其中，j = 1，2, 3,...，N， Yw是矩阵A第N列的和，是模2加，其结果是I或0;
[0014] S6、重复步骤S4和S5,直到找到正确的交织深度N，或者N = [L/ (30 ? n)]; 阳01引 S7、设符合条件的Yj分别为Yji~Y "，对于1《P《t，计算dp= (j (p4)mndt-jp+N) modN，找出最大值d。，则n是正确的交织块起点，t是找到的符合条件的Y,的个数。
[0016] 本发明的有益效果是：
[0017] 本发明方法大大降低了Turbo码参数盲识别算法的运算量，规避了全盲识别时对 于多个未知数被迫采取多重嵌套运算的步骤。将识别过程分离，逐个参数识别，从而在提高 运算效率的同时，也使得大交织深度的识别具备了实际可操作性。
【附图说明】
[001引图1是PCCC结构下本发明的一种实现过程的流程图；
[0019] 图2是本发明实施例1中参数识别成功率随比特误码率的变化；
[0020] 图3是本发明实施例1中参数识别成功率随交织深度的变化；
[0021] 图4是本发明实施例2中几种不同分量编码器的参数识别成功率。
【具体实施方式】
[0022] 下面结合实施例和附图，详细说明本发明的技术方案。
[0023] 下面结合附图对本发明的【具体实施方式】进行描述，W便本领域的技术人员更好地 理解本发明。需要特别提醒注意的是，在W下的描述中，当已知功能和设计的详细描述也许 会淡化本发明的主要内容时，运些描述在运里将被忽略。
[0024]图1是本发明在应用于PCCC结构化rbo码时的一种【具体实施方式】流程图。如图 1所示，本发明大交织深度下的归零化rbo码起点及深度盲识别方法包括W下步骤： 阳0巧]Sl :设接收的码字序列为C，长度为以码率为1/n。创建全零序列X，长度为L。交 织深度N的估计范围最大为40~[L/(30 ? n)]; 阳 0%] S2 :对于3《i《kl，若 Ci= Cw，Ci 1= Ci2,则 Xi= 1 ;对于 i = 1，2,若 Ci = 。+1，则 Xi= 1 ;
[0027] S3:交织深度猜测值设为N = 40; 阳02引 S4 :利用序列X构造矩阵
[0029]S5 :求A的各列和Yi~Yw。若存在满足条件的Yj，则序列C的第j位是第一个完 整交织块的起点，且交织深度确定为N。若存在多个Yj,则记录全部的Yj。若不存在，则N= N+1 ;
[0030] S6:重复步骤S4和S5,直到找到正确的交织深度N，或者N= [L/ (30 ?n)];
[003U S7:设符合条件的Y汾别为Yji~Y"。对于计算dp= (j (仙mndt-jp+N) modN，找到最大值d。，则n是正确的交织块起点。 阳0巧实施例1、
[0033] 本实施例的目的是对不同交织深度和不同比特误码率条件下的参数盲识别成功 率进行仿真。W1/3码率、PCCC结构，两分量编码器参数皆为[13, 1引为例。在交织深度 200的条件下调节比特误码率，记录识别成功率，得到图2。可W看出，随着比特误码率的提 高，识别成功率逐步下降，但整体上该方法具有相当好的抗误码性能。在误码率2. 5%条件 下调节交织深度，记录识别成功率，得到图3。可W看出，交织深度对识别成功率的影响很 小，运是该方法适用于大交织深度的理论依据。
[0034] 实施例2、
[0035] 本实施例的目的是研究不同分量编码器参数下本方法的识别性能。同样WW1/3 码率、两分量编码器相同的PCCC结构为例，探究了 [101，103]到[177, 17引之间的682个 生成多项式。在交织深度200,比特误码率2. 5%的条件下，对各个编码多项式的识别成功 率进行分类统计，结果如图4。
[0036] 可W看出，绝大部分分量编码器的识别概率在85%W上。事实上，由于实例1中展 示的识别成功率随着比特误码率变化的规律，在实际中常见的0. 1 %数量级上，绝大部分分 量编码器的识别成功率都可W达到非常理想的效果。为了突出不同分量编码器的识别性能 会略有不同，此处才将比特误码率加大到2. 5 %。但仍然有大量成功率超过90 %的编码器， 可见本方法的适用范围之广。
【主权项】
1. 一种归零Turbo码起点及深度盲识别方法，其特征在于，包括以下步骤： 51、 设接收的码字序列为C，长度为L，码率为1/n，创建全零序列X，长度为L，交织深度 N的估计范围最大为40~[17(30 ·η)]，其中，η为不为零的自然数； 52、 对于 3 彡i彡L-LgC1=C^C11=C12，则X1= 1， 对于i= 1，2，若(；=C1+1，则X1= 1，其中，C1表示第i个比特； 53、 交织深度猜测值设为N= 40 ; 54、 利用Sl所述全零序列X构造矩阵55、 求S4所述矩阵A的各列和Yi~YN，若存在满足条件的Yj,则序列C的第j位是第 一个完整交织块的起点，且交织深度确定为N，否则，N=N+1，其中，j= 1，2, 3,. . .，14是 矩阵A第N列的和，是模2加，其结果是1或0 ; 56、 重复步骤S4和S5,直到找到正确的交织深度N，或者N= [17(30 ·η)]; 57、 设符合条件的Yj分别为&~，对于1彡ρ彡t，计算dp=(jdt-jp+N)modΝ， 找出最大值dn，则n是正确的交织块起点，t是找到的符合条件的1的个数。
【专利摘要】本发明属于Turbo码交织参数盲识别领域，尤其涉及较大交织深度(几百至几千)的情况下，对归零Turbo码进行交织七点以及交织深度估计的方法。本发明基于归零结构的交织器深度及起点识别方法，利用了实际应用中广泛存在的卷积编码自归零结构。在此结构下，无论是归零比特，还是以全零状态作为起始态的编码序列，都存在一定的结构特性。通过对码字序列的统计，寻找符合特定结构的码字位置，从而确定Turbo码的交织深度和交织起点。本发明方法大大降低了Turbo码参数盲识别算法的运算量，规避了全盲识别时对于多个未知数被迫采取多重嵌套运算的步骤。将识别过程分离，逐个参数识别，从而在提高运算效率的同时，也使得大交织深度的识别具备了实际可操作性。
【IPC分类】H03M13/29
【公开号】CN105391455
【申请号】CN201510729076
【发明人】朱胜利, 东阳, 甘露, 廖红舒
【申请人】电子科技大学
【公开日】2016年3月9日
【申请日】2015年10月31日