本发明属于通讯信号识别领域，特别涉及一种m序列伪随机交织的识别方法。
背景技术：
数字信息传输系统的目的是安全有效地发送、传输和接收信息。通信双方通常为合作方，对合作方而言，当接收方接收到传输的信号后，需根据合作方使用的调制样式对信号进行解调，而后实施信道解码、信源译码等，这些步骤完成后才能提取所传输的信息。而传输信号时采用的调制样式、信道编码参数(包括：交织参数、纠错编码参数、扰码参数)、信源编码参数、密码等是通信双方事先约定的或者通过通信协议告知接收方的。然而，在某些特殊的领域，比如信息截获领域，非合作方(除通信双方以外的第三方)需要在无任何先验知识或极少先验知识的环境下实现信息的获取以及解译。由此，研究非合作条件下的信道编码识别具有重要应用意义，其中对交织的识别方法研究一直是难点问题，当前的交织识别方法主要针对行列式交织和卷积交织序列，而关于伪随机交织序列的识别方法提出较少。
伪随机交织由于其交织过程中相对复杂的码元映射关系，使得对其交织置换关系的识别十分困难，当前的识别技术手段主要是利用Turbo码中三路编码序列之间的对应关系加以识别，该方法具有较大的局限性。因此，急需研究一种性能更佳、应用范围更广的伪随机交织识别方法。
技术实现要素：
本发明的目的是：提供一种非合作条件下的m序列伪随机交织识别方法，可有效完成非合作条件下伪随机交织序列的识别问题，具有方法简单、识别准确度高、便于应用等特点，可大大提高通讯信号的识别能力。
本发明的技术方案是：一种非合作条件下的m序列伪随机交织识别方法，它包括下列步骤：
步骤一：分析m序列伪随机交织的周期性；
m序列发生器的结构为高速线性反馈移位寄存器发生器，分析发生器的结构，可以得到反馈连接由多项式(1)确定：
g(D)＝1+g1D+g2D2+…+grDr (1)
其输出为：
其中D是单位时延变量，它的幂次表示时延，gi选自集合{0,1}，a(D)表示移位寄存器的初始状态；
如果g(D)是本原多项式，那么高速线性反馈移位寄存器产生的序列具有最大长度，推导如下：
装入高速线性反馈移位寄存器的每一种可能都称为高速线性反馈移位寄存器的状态，由于共有r级寄存器，且每一级都可以装入0或者1，所以共有2r个状态；
由于这些状态中有一个是全0状态，如果高速线性反馈移位寄存器恰好移位到全0状态，那么它将始终处于全0状态；
因此，反馈结构的最大状态数为2r-1，这也是在其输出重复之前输出序列的最大长度；所以得出，m序列为周期序列，周期为2r-1；
伪随机交织就是原始信息序列被m序列调制并发送的过程，通过m序列可实现信息的随机排序；由于m序列是周期性的，所以每个周期内的编码序列都采用相同的调制方式，然后由相同的伪随机序列进行RAM地址读取，这说明信息数据反复被m序列进行周期性地调制；
步骤二：对伪随机交织中的m序列周期进行估计；
假设非合作方已将截获的升序伪随机交织进行降序还原处理，则得到在噪声n(t)环境下的伪随机交织信号f(t)为：
f(t)＝p(t-Tx)·e(t-Tx)+n(t) (3)
p(t)为原始信息序列：
其中Tx为均匀分布于[0,T0]上的随机时延，T0为m序列周期，Tc为m序列子脉冲宽度，且有T0＝NTc，N为m序列位数，q(t)为一方波脉冲，n(t)是零均值高斯白噪声，方差为σ2；
步骤三：采用矩阵推导方法得出m序列e(t)的数学表达式；
e(t)为m序列，通过对伪随机交织过程的分析，可以对p(t)·e(t)进行替换性描述：在单位周期内形成的伪随机交织就是原始信息序列与矩阵E'相乘后得到的序列，而这个矩阵E'可通过对单位矩阵E实施简单的初等变换得到；
对假设的原始信息序列P＝{u0,u1,u2,u3,u4,u5,u6,u7,u8,u9...}进行伪随机交织；
假设得到的m序列为：
E'＝{2,1,4,0,3,2,1,4,0,3...}
按单位周期内绝对值从小到大的规则对m序列进行重组，得到伪随机交织后的数据为：
F＝{u2,u1,u0,u4,u3,u7,u6,u5,u9,u8...}
上述过程同时也是一个矩阵变换的过程，原始信息序列P可以看做是一个一维行向量，所得到的伪随机交织后的数据F也是一个一维行向量，将m序列转化为矩阵形式，则有：
分析矩阵E'可得：矩阵E'的行数由原始信息序列的总比特数决定，即行向量P有多少维矩阵,E'就具有多少行；由于m序列周期为5，则矩阵E'从第6行开始均被0元素填充；列向量每隔5列进行一次循环，它的循环周期恰好就是m序列的周期；
矩阵E'前5行中，每隔5列的分块矩阵是由一个单位矩阵E经过初等行/列变换得到的；
设:原始信息序列为P，P为有限的{0,1}信息序列；m序列E'的周期为N，E'为有限的{0,1}信息序列；利用原始信息序列P与m序列E'实现伪随机交织，得到矩阵E'的普适规律为：
矩阵E'的行数是由原始信息序列的总比特数决定的，即行向量P的列有多少维，矩阵E'就要求行有多少维；由于m序列周期为N，则矩阵E'从第N+1行开始，所有元素均被0填充；矩阵E'的列向量每隔N列进行一次循环重复，它的循环周期恰好与m序列的周期N是相同的；矩阵E'前N行中，每隔N列的分块矩阵E*，是由一个单位矩阵E经过初等行/列变换得到的；
由此，得到m序列的数学表达式为：
其中E'为单位阵的初等变换，q(t)为一chip脉冲；假设伪随机交织信号与信道噪声均为理想状态，以此消除随机时延Tx，根据式(4)与式(5)，得：
f(t)＝me(t)+n(t) (6)
其中
步骤四：计算伪随机交织信号f(t)的相关函数；
因为n(t)与me(t)相互独立，因此E[me(t1)·n(t2)]＝E[n(t1)·me(t2)]＝0,且n(t)是零均值高斯白噪声,方差为σ2，所以有E[n(t1)·n(t2)]＝σ2δ(t1-t2)；
代入式(7)，得：
由于原始信息序列p(t)与m序列e(t)不相关，所以有：
原始信息序列p(t)与m序列e(t)都是采用二进制数表示，即在{0,1}中随机取值，所以p(t)与e(t)都是随机二元脉冲序列；
对于一个随机二元脉冲序列h(t)：
其中g(t)为一周期矩形波，周期为T；hk为一个独立等概{0,1}平稳随机序列；
可得随机二元序列脉冲信号的自相关函数Rh(τ)为：
利用式(11)分别将原始信息序列p(t)与m序列e(t)代入，计算出对应的相关函数；由于e(t)是周期为kNTc的伪随机序列，可得e(t)的相关函数Re(τ)：
步骤五：计算截获数据的功率谱，并求其二次功率谱，得到m序列伪随机交织的周期；
对应e(t)的功率谱为Se(f)：
同理可以得到p(t)的相关函数Rp(τ)：
对应p(t)的功率谱为Sp(f)：
通过e(t)与p(t)的功率谱，进行me(t)＝p(t)·e(t)功率谱的计算；
利用式(8)来计算功率谱
因为T0＝NTc，且上式可简化为：
当T0＞＞Tc时，式(17)变化为：
利用高斯白噪声n(t)的功率谱在作二次处理后不具有时间量纲特性，已知me(t)的功率谱后，可对伪随机交织信号f(t)进行二次功率谱处理，除去噪声；
处理可得：
式(19)表明,交织信号的二次功率谱是尖锐的周期类三角形脉冲序列，周期间距为m序列的周期；通过相应地对Sf(e)进行累加，得到周期脉冲，脉冲之间的间隔就是m序列周期；
步骤六：借鉴PN序列的多重相关平均法，识别m序列伪随机交织；
对截获的采用升序方式的m序列伪随机交织进行降序处理，得序列F；假设原始信息序列恰好为m序列周期T0的倍数，将F进行分割处理，按估计出的m序列周期T0将m序列伪随机交织分成N段，分割后的每个序列段Fi都包含一个完整的被同一m序列所调制的信息序列，它们之间的相关性此时是最大的；
分割后的数据用矩阵表示为：
式(20)中fij为截获的m序列伪随机交织的码元；
从矩阵F的第一行数据开始将每一行数据依次与其它行数据做相关运算，得r*ij；
将所有的相关值r*ij按顺序排列作为新的数据集矩阵表示为：
矩阵是一个由分数组成的对称矩阵，将中的所有元素取绝对值后相加求和，再除以矩阵中的元素总数，得到平均值r0；
设置r0为量化门限，通过对r*ij与r0进行比较，将矩阵中所有的元素r*ij量化成{0,1}；根据r*ij的位置，将量化后得到的{0,1}序列rij按顺序排列；再按m序列周期T0对新得到的数据进行分割，组建新的矩阵Rk式(22)，由此完成了对m序列伪随机交织F的一次相关处理；
对Rk再次进行相关计算处理，从矩阵Rk的第一行数据开始，将每一行数据依次与其它行数据进行相关运算，并将所得的相关值组成新的数据段然后再取其平均值进行量化，最后任取其中一组数据作为m序列伪随机交织的估计值。
本发明通过对通过对分析m序列伪随机交织的周期性、对伪随机交织中的m序列周期进行估计、采用矩阵推导方法得出m序列e(t)的数学表达式、计算伪随机交织信号f(t)的相关函数、；计算伪随机交织信号f(t)的相关函数、计算截获数据的功率谱，并求其二次功率谱，得到m序列伪随机交织的周期；借鉴PN序列的多重相关平均法，识别m序列伪随机交织；
，可有效完成非合作条件下伪随机交织序列的识别问题，具有方法简单、识别准确度高、便于应用等特点，可大大提高通讯信号的识别能力。
附图说明
图1为本发明流程图。
具体实施方式
实施例1：参见图1，一种非合作条件下的m序列伪随机交织识别方法，它包括下列步骤：
步骤一：分析m序列伪随机交织的周期性；
m序列发生器的结构为高速线性反馈移位寄存器发生器，分析发生器的结构，可以得到反馈连接由多项式(1)确定：
g(D)＝1+g1D+g2D2+…+grDr (1)
其输出为：
其中D是单位时延变量，它的幂次表示时延，gi选自集合{0,1}，a(D)表示移位寄存器的初始状态；
如果g(D)是本原多项式，那么高速线性反馈移位寄存器产生的序列具有最大长度，推导如下：
装入高速线性反馈移位寄存器的每一种可能都称为高速线性反馈移位寄存器的状态，由于共有r级寄存器，且每一级都可以装入0或者1，所以共有2r个状态；
由于这些状态中有一个是全0状态，如果高速线性反馈移位寄存器恰好移位到全0状态，那么它将始终处于全0状态；
因此，反馈结构的最大状态数为2r-1，这也是在其输出重复之前输出序列的最大长度；所以得出，m序列为周期序列，周期为2r-1；
伪随机交织就是原始信息序列被m序列调制并发送的过程，通过m序列可实现信息的随机排序；由于m序列是周期性的，所以每个周期内的编码序列都采用相同的调制方式，然后由相同的伪随机序列进行RAM地址读取，这说明信息数据反复被m序列进行周期性地调制；
步骤二：对伪随机交织中的m序列周期进行估计；
假设非合作方已将截获的升序伪随机交织进行降序还原处理，则得到在噪声n(t)环境下的伪随机交织信号f(t)为：
f(t)＝p(t-Tx)·e(t-Tx)+n(t) (3)
p(t)为原始信息序列：
其中Tx为均匀分布于[0,T0]上的随机时延，T0为m序列周期，Tc为m序列子脉冲宽度，且有T0＝NTc，N为m序列位数，q(t)为一方波脉冲，n(t)是零均值高斯白噪声，方差为σ2；
步骤三：采用矩阵推导方法得出m序列e(t)的数学表达式；
e(t)为m序列，通过对伪随机交织过程的分析，可以对p(t)·e(t)进行替换性描述：在单位周期内形成的伪随机交织就是原始信息序列与矩阵E'相乘后得到的序列，而这个矩阵E'可通过对单位矩阵E实施简单的初等变换得到；
对假设的原始信息序列P＝{u0,u1,u2,u3,u4,u5,u6,u7,u8,u9...}进行伪随机交织；
假设得到的m序列为：
E'＝{2,1,4,0,3,2,1,4,0,3...}
按单位周期内绝对值从小到大的规则对m序列进行重组，得到伪随机交织后的数据为：
F＝{u2,u1,u0,u4,u3,u7,u6,u5,u9,u8...}
上述过程同时也是一个矩阵变换的过程，原始信息序列P可以看做是一个一维行向量，所得到的伪随机交织后的数据F也是一个一维行向量，将m序列转化为矩阵形式，则有：
分析矩阵E'可得：矩阵E'的行数由原始信息序列的总比特数决定，即行向量P有多少维矩阵,E'就具有多少行；由于m序列周期为5，则矩阵E'从第6行开始均被0元素填充；列向量每隔5列进行一次循环，它的循环周期恰好就是m序列的周期；
矩阵E'前5行中，每隔5列的分块矩阵是由一个单位矩阵E经过初等行/列变换得到的；
设:原始信息序列为P，P为有限的{0,1}信息序列；m序列E'的周期为N，E'为有限的{0,1}信息序列；利用原始信息序列P与m序列E'实现伪随机交织，得到矩阵E'的普适规律为：
矩阵E'的行数是由原始信息序列的总比特数决定的，即行向量P的列有多少维，矩阵E'就要求行有多少维；由于m序列周期为N，则矩阵E'从第N+1行开始，所有元素均被0填充；矩阵E'的列向量每隔N列进行一次循环重复，它的循环周期恰好与m序列的周期N是相同的；矩阵E'前N行中，每隔N列的分块矩阵E*，是由一个单位矩阵E经过初等行/列变换得到的；
由此，得到m序列的数学表达式为：
其中E'为单位阵的初等变换，q(t)为一chip脉冲；假设伪随机交织信号与信道噪声均为理想状态，以此消除随机时延Tx，根据式(4)与式(5)，得：
f(t)＝me(t)+n(t) (6)
其中
步骤四：计算伪随机交织信号f(t)的相关函数；
因为n(t)与me(t)相互独立，因此E[me(t1)·n(t2)]＝E[n(t1)·me(t2)]＝0,且n(t)是零均值高斯白噪声,方差为σ2，所以有E[n(t1)·n(t2)]＝σ2δ(t1-t2)；
代入式(7)，得：
由于原始信息序列p(t)与m序列e(t)不相关，所以有：
原始信息序列p(t)与m序列e(t)都是采用二进制数表示，即在{0,1}中随机取值，所以p(t)与e(t)都是随机二元脉冲序列；
对于一个随机二元脉冲序列h(t)：
其中g(t)为一周期矩形波，周期为T；hk为一个独立等概{0,1}平稳随机序列；
可得随机二元序列脉冲信号的自相关函数Rh(τ)为：
利用式(11)分别将原始信息序列p(t)与m序列e(t)代入，计算出对应的相关函数；由于e(t)是周期为kNTc的伪随机序列，可得e(t)的相关函数Re(τ)：
步骤五：计算截获数据的功率谱，并求其二次功率谱，得到m序列伪随机交织的周期；
对应e(t)的功率谱为Se(f)：
同理可以得到p(t)的相关函数Rp(τ)：
对应p(t)的功率谱为Sp(f)：
通过e(t)与p(t)的功率谱，进行me(t)＝p(t)·e(t)功率谱的计算；
利用式(8)来计算功率谱
因为T0＝NTc，且上式可简化为：
当T0＞＞Tc时，式(17)变化为：
利用高斯白噪声n(t)的功率谱在作二次处理后不具有时间量纲特性，已知me(t)的功率谱后，可对伪随机交织信号f(t)进行二次功率谱处理，除去噪声；
处理可得：
式(19)表明,交织信号的二次功率谱是尖锐的周期类三角形脉冲序列，周期间距为m序列的周期；通过相应地对Sf(e)进行累加，得到周期脉冲，脉冲之间的间隔就是m序列周期；
步骤六：借鉴PN序列的多重相关平均法，识别m序列伪随机交织；
对截获的采用升序方式的m序列伪随机交织进行降序处理，得序列F；假设原始信息序列恰好为m序列周期T0的倍数，将F进行分割处理，按估计出的m序列周期T0将m序列伪随机交织分成N段，分割后的每个序列段Fi都包含一个完整的被同一m序列所调制的信息序列，它们之间的相关性此时是最大的；
分割后的数据用矩阵表示为：
式(20)中fij为截获的m序列伪随机交织的码元；
从矩阵F的第一行数据开始将每一行数据依次与其它行数据做相关运算，得r*ij；
将所有的相关值r*ij按顺序排列作为新的数据集矩阵表示为：
矩阵是一个由分数组成的对称矩阵，将中的所有元素取绝对值后相加求和，再除以矩阵中的元素总数，得到平均值r0；
设置r0为量化门限，通过对r*ij与r0进行比较，将矩阵中所有的元素r*ij量化成{0,1}；根据r*ij的位置，将量化后得到的{0,1}序列rij按顺序排列；再按m序列周期T0对新得到的数据进行分割，组建新的矩阵Rk式(22)，由此完成了对m序列伪随机交织F的一次相关处理；
对Rk再次进行相关计算处理，从矩阵Rk的第一行数据开始，将每一行数据依次与其它行数据进行相关运算，并将所得的相关值组成新的数据段然后再取其平均值进行量化，最后任取其中一组数据作为m序列伪随机交织的估计值。