论文部分内容阅读
现代战场通信采用组网的方式实施,信息注入已成为一种有效的战场无线网络对抗手段。通信网链路层协议的破析是实施信息注入的前提条件之一,信道编码识别又是链路层协议破析的关键技术。在认知无线电领域,自适应编码调制(Automatic Modulation Coding,AMC)技术被广泛采用,当编码调制参数信息不能准确及时地发送到接收端时,接收方需要快速地识别出信道编码方式及参数,以便于及时获取发送的信息。作为信息对抗及认知无线电领域的关键技术,信道编码识别近年来引起了国内外研究者的广泛关注。卷积码及卷积码加扰作为常见的信道编码方式,在军用卫星通信、深空通信、战术数据链通信等现代通信系统中有着广泛的应用,因此对卷积码及卷积码加扰的识别技术展开研究具有重要的军事意义和民用价值。由于识别是非合作过程,不可避免地要面对解调输出的误码率高以及可利用的先验信息少的实际情况,因此本文以增强识别方法在高误码率条件下的适用性及减少先验知识的利用为目标,对卷积码及卷积码加扰的识别技术进行了有益的探索,论文的主要工作如下:
关于高误码率下卷积码的识别做了以下两点工作。
1.在高误码率条件下,已有的(n,1,m)卷积码识别方法算法复杂度高且需要先验已知编码参数,为克服这一局限,提出一种基于校验方程系数特性的(n,1,m)卷积码的快速识别方法。首先将(n,1,m)卷积码的识别转化为n?1个(2,1,m)卷积码的识别,建立以(2,1,m)卷积码校验向量为解向量的校验方程组。然后基于校验方程系数的结构特性,循环利用校验向量中的已知元素递归估计其未知元素以实现校验方程组的求解,根据求解结果识别出(2,1,m)卷积码的生成多项式矩阵。在含有误码的情况下,递归运算过程中利用多个校验方程联合估计未知元素。最后将识别出的n?1个(2,1,m)卷积码的生成多项式矩阵组合以重建得到(n,1,m)卷积码的生成多项式矩阵,并检验重建结果的正确性。该方法具有较高的容错性,无需先验已知编码参数,且计算复杂度较低。
2.适用于高误码率条件下的删除卷积码识别方法通过遍历搜索删除卷积码校验向量及删除模式来完成识别,其算法复杂度随着码率及约束长度的增大呈指数增长,为此提出一种无需遍历搜索的识别新方法。首先鉴于删除卷积码校验向量维数高,校验方程系数的稀疏性难以保证的问题,对所提出的递归算法进行修正,利用修正的递归算法求解出删除卷积码校验向量。然后基于删除卷积码生成多项式矩阵与校验多项式矩阵的正交性求解出生成多项式向量基,进一步利用源卷积码等价分路后分组多项式矩阵的性质,构建出删除卷积码生成多项式矩阵的备选集合。最后根据多相伪循环矩阵与源卷积码生成多项式的互逆关系,由备选集合中的每个可能的删除卷积码生成多项式矩阵重建得到源卷积码的生成多项式矩阵和删除模式,选择与删除卷积码约束长度相等的源码作为识别结果。该方法具有较好的容错性,无需遍历搜索删除卷积码校验向量和删除模式,因而计算量远小于已有的识别方法。
关于卷积码加扰的识别做了以下三点工作。
3.对于卷积码同步加扰的扰码识别,已有方法需先验已知卷积码的校验向量,针对校验向量未知情况下的同步扰码识别,提出基于m序列三阶相关性的识别方法。首先对卷积码同步加扰序列进行分块处理,证明加扰序列块与卷积码校验向量内积运算的输出序列是与扰码同阶的m序列。由于m序列具有三阶相关峰值特性,因此在卷积码校验向量未知的情况下,通过检测输出序列的三阶相关函数是否存在峰值可识别出校验向量。进一步利用三阶相关函数峰值处的坐标信息重建出同步扰码反馈多项式,在反馈多项式重建结果的基础上,由输出序列与扰码初态间的关系实现初态的恢复。最后在含有误码的情况下,推导了三阶相关函数在峰值与非峰值处的概率分布,给出三阶相关峰的检测方法。与稀疏倍式搜索算法相比,所提出的识别方法克服了需已知卷积码校验向量的局限,消除了反馈多项式重建结果的不确定性,且具有更好的容错性。
4.为解决卷积码自同步加扰情况下的扰码识别问题,提出基于代价函数求解的自同步扰码识别方法。首先利用卷积码校验向量生成一组新序列,分析得到新生成的序列中含有自同步扰码的反馈关系。然后以最大化新生成序列间约束关系的成立概率为准则,利用解调输出的软判决序列构建以反馈多项式系数为未知参量的代价函数。最后通过增加元素值约束操作来改进动态搜索烟花算法,并利用改进算法实现代价函数的求解,改进后的动态搜索烟花算法较原算法有着更快的收敛速度。该识别方法具有较好的容错性,随着数据量的增大和扰码阶数的降低,其识别的正确率逐渐提高。
5.针对未知编码类型条件下卷积码及卷积码加扰的全盲识别问题,提出基于矩阵分析的全盲识别方法。首先分析得到卷积码加扰序列矩阵秩与卷积码编码参数及扰码阶数的关系式,与卷积码序列矩阵秩的特性相似,卷积码加扰序列矩阵在码长的整数倍处会周期性地出现亏秩,根据该亏秩特性,可将接收序列初步确定为卷积码或卷积码加扰序列。再分析卷积码与卷积码加扰序列矩阵零空间向量基的差异,加扰序列矩阵零空间向量基构建的多项式间存在最大公约式,且该最大公约式为扰码反馈多项式,由此实现卷积码与其加扰序列的区分。当编码类型识别为卷积码加扰序列时,遍历扰码初态并以同步扰码的解扰方式进行解扰,根据解扰输出序列矩阵的秩在初态估计正确时是否发生变化来判别扰码类型。在含有误码的情况下,利用软判决序列给出可靠数据的选取方法,以提高识别方法的容错性。该识别方法无需编码类型在内的任何先验知识,实现了真正意义上的卷积码及卷积码加扰的全盲识别。
本文通过大量的仿真实验验证了所提出的识别方法的有效性并分析了方法的性能,仿真结果表明本文方法有效地解决了所提出的研究问题。本文的研究成果不仅丰富了信道编码识别的理论体系,同时也具有工程应用前景。
关于高误码率下卷积码的识别做了以下两点工作。
1.在高误码率条件下,已有的(n,1,m)卷积码识别方法算法复杂度高且需要先验已知编码参数,为克服这一局限,提出一种基于校验方程系数特性的(n,1,m)卷积码的快速识别方法。首先将(n,1,m)卷积码的识别转化为n?1个(2,1,m)卷积码的识别,建立以(2,1,m)卷积码校验向量为解向量的校验方程组。然后基于校验方程系数的结构特性,循环利用校验向量中的已知元素递归估计其未知元素以实现校验方程组的求解,根据求解结果识别出(2,1,m)卷积码的生成多项式矩阵。在含有误码的情况下,递归运算过程中利用多个校验方程联合估计未知元素。最后将识别出的n?1个(2,1,m)卷积码的生成多项式矩阵组合以重建得到(n,1,m)卷积码的生成多项式矩阵,并检验重建结果的正确性。该方法具有较高的容错性,无需先验已知编码参数,且计算复杂度较低。
2.适用于高误码率条件下的删除卷积码识别方法通过遍历搜索删除卷积码校验向量及删除模式来完成识别,其算法复杂度随着码率及约束长度的增大呈指数增长,为此提出一种无需遍历搜索的识别新方法。首先鉴于删除卷积码校验向量维数高,校验方程系数的稀疏性难以保证的问题,对所提出的递归算法进行修正,利用修正的递归算法求解出删除卷积码校验向量。然后基于删除卷积码生成多项式矩阵与校验多项式矩阵的正交性求解出生成多项式向量基,进一步利用源卷积码等价分路后分组多项式矩阵的性质,构建出删除卷积码生成多项式矩阵的备选集合。最后根据多相伪循环矩阵与源卷积码生成多项式的互逆关系,由备选集合中的每个可能的删除卷积码生成多项式矩阵重建得到源卷积码的生成多项式矩阵和删除模式,选择与删除卷积码约束长度相等的源码作为识别结果。该方法具有较好的容错性,无需遍历搜索删除卷积码校验向量和删除模式,因而计算量远小于已有的识别方法。
关于卷积码加扰的识别做了以下三点工作。
3.对于卷积码同步加扰的扰码识别,已有方法需先验已知卷积码的校验向量,针对校验向量未知情况下的同步扰码识别,提出基于m序列三阶相关性的识别方法。首先对卷积码同步加扰序列进行分块处理,证明加扰序列块与卷积码校验向量内积运算的输出序列是与扰码同阶的m序列。由于m序列具有三阶相关峰值特性,因此在卷积码校验向量未知的情况下,通过检测输出序列的三阶相关函数是否存在峰值可识别出校验向量。进一步利用三阶相关函数峰值处的坐标信息重建出同步扰码反馈多项式,在反馈多项式重建结果的基础上,由输出序列与扰码初态间的关系实现初态的恢复。最后在含有误码的情况下,推导了三阶相关函数在峰值与非峰值处的概率分布,给出三阶相关峰的检测方法。与稀疏倍式搜索算法相比,所提出的识别方法克服了需已知卷积码校验向量的局限,消除了反馈多项式重建结果的不确定性,且具有更好的容错性。
4.为解决卷积码自同步加扰情况下的扰码识别问题,提出基于代价函数求解的自同步扰码识别方法。首先利用卷积码校验向量生成一组新序列,分析得到新生成的序列中含有自同步扰码的反馈关系。然后以最大化新生成序列间约束关系的成立概率为准则,利用解调输出的软判决序列构建以反馈多项式系数为未知参量的代价函数。最后通过增加元素值约束操作来改进动态搜索烟花算法,并利用改进算法实现代价函数的求解,改进后的动态搜索烟花算法较原算法有着更快的收敛速度。该识别方法具有较好的容错性,随着数据量的增大和扰码阶数的降低,其识别的正确率逐渐提高。
5.针对未知编码类型条件下卷积码及卷积码加扰的全盲识别问题,提出基于矩阵分析的全盲识别方法。首先分析得到卷积码加扰序列矩阵秩与卷积码编码参数及扰码阶数的关系式,与卷积码序列矩阵秩的特性相似,卷积码加扰序列矩阵在码长的整数倍处会周期性地出现亏秩,根据该亏秩特性,可将接收序列初步确定为卷积码或卷积码加扰序列。再分析卷积码与卷积码加扰序列矩阵零空间向量基的差异,加扰序列矩阵零空间向量基构建的多项式间存在最大公约式,且该最大公约式为扰码反馈多项式,由此实现卷积码与其加扰序列的区分。当编码类型识别为卷积码加扰序列时,遍历扰码初态并以同步扰码的解扰方式进行解扰,根据解扰输出序列矩阵的秩在初态估计正确时是否发生变化来判别扰码类型。在含有误码的情况下,利用软判决序列给出可靠数据的选取方法,以提高识别方法的容错性。该识别方法无需编码类型在内的任何先验知识,实现了真正意义上的卷积码及卷积码加扰的全盲识别。
本文通过大量的仿真实验验证了所提出的识别方法的有效性并分析了方法的性能,仿真结果表明本文方法有效地解决了所提出的研究问题。本文的研究成果不仅丰富了信道编码识别的理论体系,同时也具有工程应用前景。