基于分块译码的极化码参数盲识别方法

1.本发明属于信道编码盲识别领域，具体为一种基于分块译码的极化码参数盲识别方法。


背景技术：

2.随着现代通信技术的不断发展，信道编码技术应用的场景也越来越广泛，于是信道编码参数盲识别技术也随之成为信道编码领域中的研究热点。信道编码参数盲识别技术的主要目标是将信道中截获的数据，在无先验信息的情况下识别出信道编码参数。极化码是一种理论上能够达到香农极限且应用十分广泛的信道编码方案，如今已经被选作5g标准中下行控制信道的编码方案。但目前针对极化码的盲识别研究成果非常少，因此对极化码参数的盲识别研究具有重要的意义。
3.目前针对极化码参数盲识别的研究文献较少，文献[“刘鉴兴.基于信息矩阵估计的极化码参数盲识别算法[j].系统工程与电子技术,2022,44(02):668-676.”]利用极化码生成矩阵的逆矩阵为其本身这一特性，与截获码字比特流构造的码字矩阵相乘得到估计的信息矩阵，利用零均值比统计量识别出码长，最后利用信息矩阵各列的统计分布特征与判决门限识别出信息比特位，但该方法信息比特位识别性能较差。文献[“张天骐.基于零空间矩阵匹配的极化码参数盲识别算法[j].电子与信息学报,2020,42(12):2953-2959.”]利用生成矩阵剔除冻结比特所在行求出对应的零空间矩阵，再用截获的码字与零空间矩阵迭代相乘，通过遍历冻结比特位置的方式计算匹配度，根据匹配度最大值识别出极化码的码长、信息比特位数和位置，但该算法计算量较大。文献[“吴昭军.基于软判决下的不删余极化码参数识别[j].通信学报,2020,41(12):60-71.”]利用生成矩阵构造出对偶向量，并利用软判决序列和平均对数似然比识别出对应信息比特位数，并根据码率变化情况识别出码长，但该方法容错性较差。
[0004]
因此，为了提高极化码参数盲识别的容错性，本发明利用极化码性质将码字矩阵分块后再结合bp译码算法得到分块信息矩阵，再利用生成矩阵各列1元素所在的位置对分块信息矩阵进行对应相加，最后利用列重分布特性识别出信息比特位，并根据其周期特性识别出码长。


技术实现要素：

[0005]
本发明所要解决的技术问题，在低信噪比下，对极化码参数盲识别的研究存在性能较差的问题，为了提高识别性能，本发明提出一种在软判决下结合bp译码算法的极化码参数盲识别方法。该方法利用极化码可以分段编码的性质，在软判决序列下，利用bp译码算法减小了噪声的影响，从而提高了对极化码参数盲识别的性能。
[0006]
本发明解决上述问题的技术方案是：一种利用分段编码性质与bp译码算法相结合的识别方法，下面首先会给出关于极化码分段编码相关定义，且后面所以分析都是在gf(2)上讨论的。
[0007]
定义1设是由信息序列生成的码长为n＝2n,1＜n≤10的码字序列，其中长度都为根据和的关系，就有下式：
[0008][0009]
其中表示大小2
n-1
×2n-1
为全0矩阵。bn可以看作对进行列变换的置换矩阵，对识别结果没有影响，所以bn可以省略，即有
[0010][0011]
则有
[0012][0013]
这里的可以看作是由信息序列生成的码长为2
n-1
的极化码，就为生成的极化码。根据极化编码原理可知，完整信息比特位置为那么中信息比特位置集合就为的信息比特位置集合为由于冻结比特为0，信息比特随机产生，则信息序列的信息比特位置集合为从式(3)可以看出各段码字对应的信息比特序列为克罗内克积矩阵列向量中元素对应位置的原信息序列的和。需要指出的是，定义1的结论是具有递推性的，将码字分为4,8,...,2
n-1
段时，各段码字也能看成一组新的极化码。
[0014]
定义2设是由原信息序列是由原信息序列生成的码长为n＝2
n-1
的码字序列，其中长度都为n/2。将扩展为时，根据编码原理和定义1就有：
[0015][0016]
则有
[0017][0018]
定义2的结论也具有递推性，当2h,2≤h个相同参数码字扩展为一段新的码字再将其分为2b,h＜b段时也会有其类似结论。
[0019]
由定义1和2可知，不管是一个码字内分段还是多个码字组成的新码字分段，分段后的码字都能看作一个新的极化码。于是可将该思想运用于提高对较长码长的识别性能，先将码字分段，并识别出各段码字对应的信息序列，再将信息序列按照克罗内克积矩阵列向量中元素对应位置进行求和，得到原信息序列，并从中识别出信息比特参数。下面将介绍如何求得包含更少误码的信息比特序列。
[0020]
先将截获码字序列构造一个列数为n
′
的分析矩阵，再将分析矩阵分块(块数为2的幂次)，这样就能得到每一块矩阵对应的码长。由于本文采用bp译码算法，截获的码字序列为软判决序列...,r
i,1
,r
i,2
,...,r
i,n
′
,...,1≤i≤m，m为截获码字组数。使用的调制方式为bpsk调制，映射规则为1映射为+1,0映射为-1,噪声为均值为0、方差为σ2的高斯白噪声。将软判决序列构造为列数为n
′
的分析矩阵r，即
[0021][0022]
定义r中r
i,j
,1≤j≤n的llr(对数似然比)为：
[0023][0024]
将r分为a块，a＝2b,1≤b＜10。第t块分析矩阵就为
[0025][0026]
其中1≤t≤a，d＝n
′
/a。
[0027]
假设发送的原始信息比特矩阵为um×n，生成矩阵为gn，则码字矩阵xm×n就可以用矩阵乘法来表示：
[0028]
xm×n＝um×n·gn
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0029]
由于极化码的生成矩阵gn的逆矩阵为其本身，则估计的信息矩阵可以由接收码字矩阵xm×n和生成矩阵gn来表示，即
[0030]
[0031]
设gj为生成矩阵gn第j列列向量，xi＝[x
i,1
,x
i,2
,...,x
i,n
]为ri＝[r
i,1
,r
i,2
,...,r
i,n
]对应的输入序列。在ri条件下，估计的信息矩阵中第i行j列元素u
i,j
就为
[0032][0033]
根据极化码编码原理在信息序列中，冻结比特位上的元素通常为0。于是，当j为冻结比特位置时，的概率就为
[0034][0035]
设gj的码重为ω，以及gj中元素1的位置为l
1,j
,l
2,j
,...,l
ω,j
，则式(9)就可以改写为
[0036][0037]
式(12)对应的对数似然比就为
[0038][0039]
并进一步将式(13)化简为
[0040][0041]
lυ
i,j
为一个码字的对数似然比，当有m个码字时，平均对数似然比就为
[0042][0043]
lυj表示估计信息矩阵中第j列的平均对数似然比，根据对数似然比的定义和式(15)，当j为冻结比特位置且信噪比越高时，lυj的值越接近于1，反之当j为信息比特位置且信噪比越高时，lυj的值远小于1。
[0044]
根据上述方法得到分块矩阵r
t
对应的信息比特位置，接着对r
t
进行bp译码得到对应的信息矩阵u
t
′
。当r分为a块时对应的克罗内克积矩阵为设第t列f
:,t
的重量为w，元素为1的位置为s
t,1
,s
t,2
,...,s
t,w
。那么第t块原信息矩阵u
t
求和过程如下
[0045][0046]
由于冻结比特为0，在无误码情况下u
t
中冻结比特位置对应的列为零向量，而其余列0和1出现的概率为0.5。在有误码情况下通过计算u
t
各列归一化列重与门限λ来识别出信息比特位置，具体定义如下
[0047][0048]
其中，1≤z≤d，表示u
t
第c行z列元素。最后将识别出的分段信息比特位置组合得到设|
·
|表示求集合的大小，当b中会出现周期分布的情况识别出码长。
附图说明
[0049]
图1是本发明的极化码参数盲识别流程图；
[0050]
图2是本发明选取合适门限的情况图；
[0051]
图3是本发明不同码字组数的识别性能仿真图；
[0052]
图4是本发明不同码率组数的识别性能仿真图；
[0053]
图5是本发明不同码长组数的识别性能仿真图；
具体实施方式
[0054]
以下结合附图和具体实例，对本发明的实施作进一步的描述。
[0055]
图1为本发明针对极化码参数识别的流程图，具体步骤如下：
[0056]
步骤1截获软判决序列构造分析矩阵r，其列数为n
′
，并将分析矩阵r分为a块。
[0057]
步骤2利用生成矩阵和平均对数似然比识别出分块矩阵对应的信息比特位置。
[0058]
步骤3根据bp译码算法，利用分块矩阵和其对应的码长2n′
、信息比特位置进行译码，得到信息矩阵u
′
t
。
[0059]
步骤4根据式(16)求出特征矩阵u
t
，并求出u
t
各列值，然后设置门限值λ进行判决，若则z就判断为信息比特位置并放入集合中，最后将识别出的分段信息比特位置组合得到
[0060]
步骤5如果中出现周期分布的情况，其周期为t，则信息比特位数为周期的个数为则码长为反之，当b中没有出现周期分布的情况，码长n＝n
′
。
[0061]
图2表示如何选取合适的门限：
[0062]
从特征矩阵中识别信息比特时，由于信息比特位置对应列中0,1出现概率为0.5，当m越大该列值越接近0.5。所以门限值的选取和m有关，在不同m下选择合适的门限值是提高极化码识别率的关键。设定m＝500、700、1000，信噪比为2.5db、3db，门限值0.35～0.5，步长为0.01，从图2结果来看，信噪比为3db时，可选取的门限值较多，当信噪比为2.5db时，门限值的选取与m的取值有关。为了保证参数能够100％的识别，m＝500时，门限值λ＝0.4；m＝700时，门限值λ＝0.41；m＝1000时，门限值λ＝0.42。
[0063]
图3为不同码字组数的识别率，选取(1024,512)的极化码进行性能分析，n
′
＝1024，取分块数为16，其识别性能由译码求和步骤决定。设r矩阵行数m＝500,700,1000，信
噪比范围1.5～3.5db，步长为0.1。从仿真结果可看出识别率随着码字组数增加而增加，这是由于码字组数增加，矩阵u
t
中信息比特对应列的值分布越稳定，同信噪比下识别率也就越高。所以可以通过适当增加数据量来提高参数的识别性能。
[0064]
图4为不同码率的识别率，选取码长为1024的极化码进行性能分析，码率为1/2、2/5、1/3。设定r矩阵行数m＝1000，n
′
＝1024，信噪比范围1～3db，步长为0.1。从仿真结果可看出，识别率随码率减小而逐渐升高，这是由于在bp译码过程中，当译码位置为冻结比特位置时，可直接译为0，所以在针对低码率极化码进行识别时，采用bp译码算法能得到含更低误码的信息序列，识别性能也就越好。
[0065]
图5为不同码长的识别率，设定三组极化码参数为(1024,512)、(512,256)和(256,128)，截获码字组数为1000，n
′
＝1024信噪比范围为1～3db，步长为0.1。从仿真结果来看码长越短，本文算法识别容错性越好。在信噪比为2.5db时，本文算法对码长为1024极化码的识别率能够到达100％，说明本文算法抗噪声性能较好。

技术特征：
1.一种基于分块译码的极化码参数盲识别方法，具体步骤：将接收到的软判决码字序列构造为码字矩阵，将码字矩阵进行分块处理得到分块矩阵，并利用生成矩阵与对数似然比求出分块矩阵对应的信息比特位，再利用bp译码算法得到分块信息矩阵，然后利用克罗内克积矩阵求得包含真实信息比特位信息的特征矩阵，最后利用归一化列重识别出信息比特位和码长。2.根据权利要求1所述的识别方法，其特征在于，利用极化码分段编码的性质，将码字矩阵进行分块处理，将较长码长的码字转化为较短码长的码字来识别，由于在对较短码长的码字识别，噪声影响将减小，从而提高极化码的识别性能。3.根据权利要求1所述的识别方法，其特征在于，利用了生成矩阵和对数似然比求取分块矩阵的信息比特位，利用分块矩阵列数得到，再根据得到的对应参数对分块矩阵进行bp译码，进一步降低噪声对识别性能的影响。4.根据权利要求1所述的识别方法，其特征在于，识别出分块矩阵对应的信息比特位之后，利用其周期识别出码长和码率。

技术总结
本发明请求保护一种基于分块译码的极化码参数盲识别方法，属于信道编码盲识别领域。首先说明极化码分段后的码字仍能由原信息序列生成。根据分段编码的性质将截获序列构造的分析矩阵分块，并利用生成矩阵和平均对数似然比识别分块矩阵对应的信息比特位置。接着采用BP译码算法得到分块信息矩阵，并将对应在克罗内克积矩阵列向量元素为1位置的矩阵求和得到包含真实信息比特位置的特征矩阵，最后利用归一化列重识别出信息比特位置、位数和码长。该方法在低信噪比情况下依旧具有良好的识别效果，具有一定的应用价值。具有一定的应用价值。


技术研发人员：张天骐 刘鉴兴 张刚 叶绍鹏
受保护的技术使用者：重庆邮电大学
技术研发日：2022.03.17
技术公布日：2023/9/23