近年来,在非合作信号处理领域,信道编码识别分析技术成为一个新的研究热点,其在智能通信、信息截获和信息对抗等领域有越来越广泛的应用[1]。在智能通信中已经广泛采用了自适应调制编码技术。该技术可以根据信道质量随时间的变化,随时改变信道编码方式,使其获得最佳的通信效率和服务质量。然而在实际情况中,由于在传输过程中会受到时延、干扰、中断等因素的影响,有时候发送方就不能准时或正确地将相关控制信息传送到接收端,从而造成通信无法建立。这就需要接收方仅根据接收的未知数据快速识别出信道编码的体制、参数,以达到智能通信的目的[2-3]。在各类信道编码方式中,LDPC码具有接近香农极限的纠错能力,以及译码简单,译码错误可检测等优异性能,十分有利于高速信息传输,从而成为了信道编码理论新的研究热点[4]。在下一代5G通信系统中,由于LDPC码较强的纠错性能,可以较好地实现协作中继传输和多小区协作传输。这对LDPC码编码识别算法的研究提出了迫切需求。
针对自适应编码中LDPC码识别技术,国内外已经展开了研究。于明等研究了关于LDPC码码长和码率的识别算法[5],该算法结合信道输出的硬判决接收序列,依次搜索信道编码集合里的全部码长和码率,把伴随式Hamming重量最小的参数组合作为识别结果,但是这种方法需要接收序列中有足够长的无误码序列,因此,在噪声环境复杂的识别过程中该算法的识别性能十分有限,识别效果也不尽人意[6]。为提高算法对于低信噪比信号的识别率,Xia等提出了利用平均校验对数似然比的识别算法[7]。该算法通过对接收序列校验对数似然比求平均值,然后通过设计最大均值判决器的判决门限来对LDPC码进行识别。然而,由于该方法并没有充分考虑数据的可靠度概率信息,对于低码率LDPC码识别时,该方法性能较好;但针对高码率LDPC码,该算法的识别效果仍需要进一步提高。
本文针对现有算法在低信噪比条件下,对LDPC码编码参数识别率低以及对于高码率LDPC码识别性能不足的问题,提出一种利用最大均方比的LDPC码编码识别方法。首先利用信道输出的软信息,将编码校验关系映射到对数似然比域,并定义编码校验对数似然比(Check log-likelihood ratio, CLLR)。然后,分析CLLR模值的统计特性,建立CLLR与待识别LDPC码参数之间的联系。最后,充分利用CLLR在不同校验矩阵下统计特性的区别,找到识别LDPC码编码参数的特征,设计一种综合CLLR均值和方差特征的最大均方比判决器。随后,本文结合IEEE802.11n协议,从算法的可行性分析、均方比判决器的识别性能分析、与原算法的对比分析3个方面,对本文的LDPC码识别算法进行了仿真实验。实验结果显示,在低信噪比环境下,本文算法仍能够高效地完成对LDPC码的识别。特别是在针对高码率LDPC码识别率低的问题,本文算法的识别性能明显优于文献[8]中的算法。
1 LDPC码的编码识别模型图 1给出了本文识别算法所应用的基本通信模型。针对本文LDPC码编码的识别问题,设置调制方式为BPSK,传输信道是噪声功率为σ2的AWGN信道。记码型集合Θ=
{θx|x=1, 2, …, M}为闭集空间的M种LDPC码,其中每一种码型和校验矩阵构成一一映射的关系,与θx型LDPC码相对应的校验矩阵记为Hx,矩阵大小为
在发送端, 发送者采用θl型LDPC码编码方式,对长度为k的发送信息序
在接收端,首先对接收的信号进行软解调,然后对其进行采样,得到软判决序列为
记校验向量
$ \mathit{\boldsymbol{h}}_v^x\mathit{\boldsymbol{c}}_i^l = \sum\limits_{t:\mathit{\boldsymbol{h}}_{v,t}^x = 1} { \oplus \mathit{\boldsymbol{c}}_{i,t}^l} = 0 $ | (1) |
式(1)是在无误码条件下,对于GF(2)域上识别LDPC码编码参数θl的基本方程(式中为GF(2)域上的加法运算)。但是,由于LDPC码优异的纠错性能,使其多用于低信噪比环境中,信号通常会有噪声的干扰,导致接收序列中不可避免地含有错误。因此需要分析含错序列中的校验关系。本文的接收方得到的是实数序列,接下来定义ci, jl的后验对数似然比
$ L\left( {\mathit{\boldsymbol{c}}_{i,j}^l\left| {{r_{i,j}}} \right.} \right) = \ln \frac{{\Pr \left( {\mathit{\boldsymbol{c}}_{i,j}^l = 0\left| {{r_{i,j}}} \right.} \right)}}{{\Pr \left( {\mathit{\boldsymbol{c}}_{i,j}^l = 1\left| {{r_{i,j}}} \right.} \right)}} $ | (2) |
由Bayes理论,式(2)可以做如下恒等变形
$ L\left( {\mathit{\boldsymbol{c}}_{i,j}^l\left| {{\mathit{\boldsymbol{r}}_{i,j}}} \right.} \right) = L\left( {{\mathit{\boldsymbol{r}}_{i,j}}\left| {\mathit{\boldsymbol{c}}_{i,j}^l} \right.} \right) + L\left( {\mathit{\boldsymbol{c}}_{i,j}^l} \right) $ | (3) |
式(3)中先验对数似然比
$ \begin{array}{l} L\left( {{\mathit{\boldsymbol{r}}_{i,j}}\left| {\mathit{\boldsymbol{c}}_{i,j}^l} \right.} \right) = \ln \Pr \left( {{\mathit{\boldsymbol{r}}_{i,j}}\left| {\mathit{\boldsymbol{c}}_{i,j}^l = 0} \right.} \right) - \ln \Pr \left( {{\mathit{\boldsymbol{r}}_{i,j}}\left| {\mathit{\boldsymbol{c}}_{i,j}^l = 0} \right.} \right) \\= \ln \left( {\frac{1}{{\sigma \sqrt {2{\rm{ \mathsf{ π} }}} }}\exp \left( { - \frac{{{{\left( {{\mathit{\boldsymbol{r}}_{i,j}} - 1} \right)}^2}}}{{2{\sigma ^2}}}} \right)} \right) - \ln \left( {\frac{1}{{\sigma \sqrt {2{\rm{ \mathsf{ π} }}} }}\exp \left( { - \frac{{{{\left( {{\mathit{\boldsymbol{r}}_{i,j}} - 1} \right)}^2}}}{{2{\sigma ^2}}}} \right)} \right) = \frac{{2{\mathit{\boldsymbol{r}}_{i,j}}}}{{{\sigma ^2}}} \end{array} $ | (4) |
下面定义CLLR。在接收软判决序列ri条件下,校验关系
$ \mathit{\boldsymbol{\gamma }}_{i,v}^x = L\left( {\mathit{\boldsymbol{h}}_v^x\mathit{\boldsymbol{c}}_i^l\left| {{\mathit{\boldsymbol{r}}_i}} \right.} \right) = L\left( {\sum\limits_{t:\mathit{\boldsymbol{h}}_{v,t}^x = 1} { \oplus \mathit{\boldsymbol{c}}_{i,t}^l\left| {{\mathit{\boldsymbol{r}}_{i,t}}} \right.} } \right) $ | (5) |
式(5)中
$ \mathit{\boldsymbol{\gamma }}_{i,v}^x \approx \left( {\prod\limits_{t:\mathit{\boldsymbol{h}}_{v,t}^x = 1} {{\rm{sign}}\left( {L\left( {{{\mathit{\boldsymbol{\tilde r}}}_{i,t}}\left| {\mathit{\boldsymbol{c}}_{i,t}^l} \right.} \right)} \right)} } \right)\mathop {\min }\limits_{t:\mathit{\boldsymbol{h}}_{v,t}^x = 1} \left( {\left| {L\left( {{{\mathit{\boldsymbol{\tilde r}}}_{i,t}}\left| {\mathit{\boldsymbol{c}}_{i,t}^l} \right.} \right)} \right|} \right) $ | (6) |
由式(6)可以看出,
式(6)中,由于
假设H1:x=l,即码字
从式(6)可知,
$ {\mathit{\boldsymbol{F}}_U}\left( u \right) = 1 - \prod\limits_{t:\mathit{\boldsymbol{h}}_{v,t}^x = 1} {{\rm{Pr}}\left( {\left| {L\left( {{{\mathit{\boldsymbol{\tilde r}}}_{i,t}}\left| {\mathit{\boldsymbol{c}}_{i,t}^l} \right.} \right)} \right| > u} \right)} = 1 - {\left[ {1 - {\mathit{\boldsymbol{F}}_W}\left( w \right)} \right]^{\rm{T}}} $ | (7) |
式中:FW(w)由信道特性决定,它表示
$ \mathit{\boldsymbol{\gamma }}_v^x = \left( {\mathit{\boldsymbol{\gamma }}_{i,1}^x,\mathit{\boldsymbol{\gamma }}_{i,2}^x, \cdots ,\mathit{\boldsymbol{\gamma }}_{i,N}^x} \right) $ | (8) |
式中:N表示校验矩阵Hx中校验向量的数目。定义γvx的两个参数σ1x,σ2x如下
$ \sigma _1^x = \frac{1}{N}\sum\limits_{v = 1}^N {\left| {\mathit{\boldsymbol{\gamma }}_{i,v}^x} \right|} ,\sigma _2^x = \frac{1}{N}\sum\limits_{v = 1}^N {{{\left( {\mathit{\boldsymbol{\gamma }}_{i,v}^x - \sigma _1^x} \right)}^2}} $ |
其中σ1x表示
$ {\varphi ^x} = \frac{{\sigma _1^x}}{{\sigma _2^x}} = \frac{{\frac{1}{N}\sum\limits_{v = 1}^N {\left| {\mathit{\boldsymbol{\gamma }}_{i,v}^x} \right|} }}{{\frac{1}{N}\sum\limits_{v = 1}^N {{{\left( {\mathit{\boldsymbol{\gamma }}_{i,v}^x - \sigma _1^x} \right)}^2}} }} = \frac{{\sum\limits_{v = 1}^N {\left| {\mathit{\boldsymbol{\gamma }}_{i,v}^x} \right|} }}{{\sum\limits_{v = 1}^N {{{\left( {\mathit{\boldsymbol{\gamma }}_{i,v}^x - \sigma _1^x} \right)}^2}} }} $ | (9) |
结合式(1-6)可知:在x=l的情况下,码字
更进一步,φx不仅可以体现σ1x的取值特征,而且由σ1x与σ2x的物理意义可知,φx还能够表征
通过以上分析推导,定义最大均方比判决器为
$ {{\hat \theta }_i} = \mathop {\arg \max }\limits_{{\theta ^x} \in \mathit{\boldsymbol{ \boldsymbol{\varTheta} }}} {\eta ^x} $ | (10) |
为了提高识别算法的运算效率,这里采用Hx中部分校验向量定义均方比。记校验矩阵Hx中前
$ {\varphi ^x} = \frac{{\sigma _1^x\left( p \right)}}{{\sigma _2^x\left( p \right)}} = \frac{{\sum\limits_{v = 1}^N {\left| {\mathit{\boldsymbol{\gamma }}_{i,v}^x} \right|} }}{{\sum\limits_{v = 1}^N {{{\left( {\mathit{\boldsymbol{\gamma }}_{i,v}^x - \sigma _1^x\left( p \right)} \right)}^2}} }} $ | (11) |
式中
通过上文的分析讨论,本节利用Matlab软件进行仿真实验,通过1 000次蒙特卡洛实验,对本文的算法进行实验验证。仿真时,利用IEEE 802.11n协议中的LDPC码以及文献[12]的编码算法,对信息序列进行信道编码。在IEEE 802.11n协议中,LDPC码的编码参数有:码长n=648, 1 296, 1 944,码率R=1/2, 2/ 3, 3/4, 5/6[20]。
3.1 利用均方比特性的可行性分析实验对均方比φx(p)的特性进行考察。在不同p值下,采用不同编码方式,分析均方比φx(p)的变化。仿真中,信噪比为5 dB,编码参数集合Θ是码长为648,R=1/2, 2/3, 3/4, 5/6时4种不同码率的LDPC码。图 3-6分别表示当
从图中明显可以看出,如果x=l,即编码方式识别正确时,与θl对应的均方比φl(p)明显比其他φl(p)的值要大,而且随着p数量的递增,φl(p)的值将趋近于一个大于1的常数,而其他φl(p)的值则趋近于1,这个结果与文中的理论分析相一致。因此,利用不同编码方式下均方比φx(p)之间的显著差别,可以有效地完成对LDPC码编码方式的识别。
3.2 利用均方比判决器的识别性能分析本节通过实验,对均方比判决器的识别性能进行分析。信噪比范围为-4 ~6 dB,编码参数集合Θ为4种码率下码长分别为648和1 944的LDPC码。图 7,图 8分别表示码长为6 48和1 944时,均方比判决器的识别正确率随信噪比的变化情况,此时取p=N。
从图 7和图 8中可以看出,当信噪比高于4 dB时,码长为648和1 944的任何码率的LDPC码都能够被高效地识别出来,识别率达到99%以上。在信噪比-4~4 dB时,随着信噪比的提高,算法的识别正确率逐渐上升,识别有效性保持较高水平。从图 7和图 8的对比可以看出,利用最大均方比判决器进行识别,无论是对低码长的LDPC码还是较高码长的LDPC码都有较好的识别性能。
3.3 与最大均值算法的对比实验为考察本文算法在识别高码率LDPC码时的性能,本节将本文算法与文献[8]的算法进行对比分析。实验采用的码率R=5/6,针对3种不同码长,对两种算法LDPC码的识别正确率进行对比分析。仿真中,信噪比范围为-4~6 dB,取p=N。图 9给出了两种算法识别正确率的变化曲线。
从图 9中可知,对于相同的3种码长,本文算法对高码率LDPC码的识别正确率明显高于文献[8]的算法。而且当识别正确率达到95%时,相对于文献[8]的算法,本文算法对信噪比的要求降低了约1 dB。这是由于本文的算法能够更加充分地利用
在信道编码识别体系中,针对现有算法在低信噪比条件下对LDPC码编码参数识别率很低的问题,本文提出了基于最大均方比的LDPC码识别算法。该算法利用信道输出的软信息,将编码校验关系映射到对数似然比域,并定义CLLR。然后,分析CLLR模值的统计特性,建立CLLR与待识别LDPC码参数之间的联系。最后,充分利用CLLR在不同校验矩阵下统计特性的区别,利用最大均方比判决器,进而完成了对LDPC码的闭集识别。该算法综合利用了数据均值和方差的统计特性,有效地避免了传统算法在信噪比低时识别效果不理想的缺陷。而且,针对高码率的LDPC码,均方比判决器的区分度十分明显,进而可达到较为理想的识别效果。最后采用IEEE 802.11n协议中的LDPC码对所提算法进行了仿真实验。同时从利用均方比特性的可行性分析、均方比判决器的识别性能分析、与原算法的对比实验分析3个方面对本文的算法进行实验验证。从实验结果可以看出,相对于已有算法,本文算法在低信噪比环境下仍能获得较好的识别效果,识别增益可达2~5 dB。而且当信噪比高于5 dB时,识别正确率可以达到99%。针对高码率LDPC码的识别,本文算法的识别效果也明显优于现有算法。
[1] |
解辉, 黄知涛, 王丰华. 信道编码盲识别技术研究进展[J]. 电子学报, 2013, 41(6): 1166-1176. Xie Hui, Huang Zhitao, Wang Fenghua. Research progress of blind recognition of channel coding[J]. Acta Electronica Sinica, 2013, 41(6): 1166-1176. DOI:10.3969/j.issn.0372-2112.2013.06.019 |
[2] |
于沛东, 彭华, 巩克现, 等. 基于寻找小重量码字算法的LDPC码开集识别[J]. 通信学报, 2017, 38(6): 108-117. Yu Peidong, Peng Hua, Gong Kexian, et al. LDPC code reconstruction based on algorithm of finding low weight code-words[J]. Journal on Communication, 2017, 38(6): 108-117. |
[3] |
朱宏鹏, 程磊, 张剑. 可变码长LDPC码的GAU构造算法[J]. 数据采集与处理, 2015, 30(6): 1240-1245. Zhu Hongpeng, Cheng Lei, Zhang Jian. GAU construction algorithm for variable-length LDPC codes[J]. Journal of Data Acquisition and Processing, 2015, 30(6): 1240-1245. |
[4] |
李歆昊, 张旻, 史英春, 等. 基于游程特征的线性分组码与卷积码类型识别[J]. 数据采集与处理, 2015, 30(6): 1205-1214. Li Xinhao, Zhang Min, Shi Yingchun, et al. Linear block code and convolutional code type identification based on range features[J]. Journal of Data Acquisition and Processing, 2015, 30(6): 1205-1214. |
[5] |
于明, 高新华, 杜宇峰.一种容误码的LDPC码编码码长和码率的识别方法[P].中国: 201210384717. 2013-02-06. Yu Ming, Gao Xinhua, Du Yufeng. A error-toleration code lengthand rate identification algorithm for LDPC codes[P]. China: 201210384717. 2013-02-06. |
[6] |
阔永红, 曾伟涛, 陈健. 基于概率逼近的本原BCH码编码参数的盲识别方法[J]. 电子与信息学报, 2014, 36(2): 332-339. Kuo Yonghong, Zeng Weitao, Chen Jian. Blind identification of primitive BCH codes parameters based on probability approximation[J]. Journal of Electronics and Information Technology, 2014, 36(2): 332-339. |
[7] |
Xia T, Wu H C. Blind identification of non-binary LDPC codes using average LLR of syndrome a posteriori probability[J]. IEEE Communications Society, 2013(7): 1301-1304. |
[8] |
Xia T, Wu H C. Novel blind identification of LDPC codes using average LLR of syndrome a posteriori probability[J]. IEEE Transactions on Signal Processing, 2014, 62(3): 632-640. DOI:10.1109/TSP.2013.2293975 |
[9] |
刘骏, 李静, 于沛东. 一种Turbo码随机交织器的迭代估计方法[J]. 通信学报, 2015, 36(6): 201-206. Liu Jun, Li Jing, Yu Peidong. An iterative estimation method for random interleaver of Turbo codes[J]. Journal on Communications, 2015, 36(6): 201-206. |
[10] |
Moosavi R, Larsson E G. A fast scheme for blind identification of channel codes[C]//Global Telecommunications Conference.[S.l.]: IEEE, 2011: 1-5.
|
[11] |
包昕, 周磊砢, 何可, 等. LDPC码稀疏校验矩阵的重建方法[J]. 电子科技大学学报, 2016, 45(2): 191-196. Bao Xin, Zhou Leike, He Ke, et al. A method of restructuring LDPC parity-check matrix[J]. Journal of University of Electronic Science and Technology of China, 2016, 45(2): 191-196. DOI:10.3969/j.issn.1001-0548.2016.03.006 |
[12] |
Cluzeau M, Tillich J P. On the code reverse engineering problem[C]//IEEE International Symposium on Information Theory. Toronto, Canada: [s.n.], 2008: 634-638.
|
[13] |
刘海达, 李静, 彭华. 利用最大偏差比的LDPC码识别算法[J]. 信号处理, 2014(8): 908-913. Liu Haida, Li Jing, Peng Hua. LDPC code recognition algorithm with maximum deviation ratio[J]. Journal of Signal Processing, 2014(8): 908-913. DOI:10.3969/j.issn.1003-0530.2014.08.006 |
[14] |
张岱, 张玉, 杨晓静. 一种高误码(n, k, m)非系统卷积码盲识别算法[J]. 数据采集与处理, 2015, 30(3): 636-645. Zhang Dai, Zhang Yu, Yang Xiaojing. A blind recognition algorithm for high error (n, k, m) non-systematic convolutional codes[J]. Journal of Data Acquisition and Processing, 2015, 30(3): 636-645. |
[15] |
刘海达.基于解调软判决的信道编码参数识别技术研究[D].郑州: 解放军信息工程大学, 2014: 56-59. Liu Haida. Research on channel coding parameter identification technology based on demodulation soft decision[D]. Zhengzhou: The PLA Information Engineering University, 2014: 56-59. http://cdmd.cnki.com.cn/Article/CDMD-90005-1016058326.htm |
[16] |
于沛东, 李静, 彭华. 一种利用软判决的信道编码识别新算法[J]. 电子学报, 2013, 41(2): 301-306. Yu Peidong, Li Jing, Peng Hua. A novel algorithm for channel coding recognition using soft-decision[J]. Acta Electronica Sinica, 2013, 41(2): 301-306. DOI:10.3969/j.issn.0372-2112.2013.02.015 |
[17] |
Chabot C. Recognition of a code in a noisy environment[C]//IEEE International Symposium on Information Theory. Nice, France: [s.n.], 2007: 2211-2215.
|
[18] |
Li C, Sun F, Cioffi J M, et al. Energy efficient MIMO relay transmissions via joint power allocations[J]. IEEE Transactions on Circuits & Systems Ⅱ Express Briefs, 2014, 61(7): 531-535. |
[19] |
Sala F, Schoeny C, Kabir S. On nonuniform noisy decoding for LDPC codes with application to radiation-induced errors[J]. IEEE Transactions on Communications, 2017, 65(4): 1438-1450. DOI:10.1109/TCOMM.2017.2657759 |
[20] |
Jung J, Park I C. Multi-bit flipping decoding of LDPC codes for NAND storage systems[J]. IEEE Communications Letters, 2017, 21(5): 979-982. DOI:10.1109/LCOMM.2017.2656119 |