一种基于遗传算法的RSC码盲识别方法

针对目前递归系统卷积(RSC)码盲识别算法容错性差、计算量大的问题,提出了基于遗传算法的RSC多项式参数盲识别算法。首先根据RSC码特殊的编码结构,构建了基于遗传算法的识别模型,将结果向量的码重作为适应度函数,然后推导出了不同误码率条件下平均码重的理论值,实现了算法中最优门限的获得。该算法容错性能较好,并且最大计算量只与初始种群的规模、遗传代数的上限以及输出路数成正比。最后仿真验证表明,理论推导的码重分布情况能够与仿真结果较好地吻合,并且在误码率高达0.06的情况下,各种寄存器个数下的RSC码参数识别率接近于0.9。     

低信噪比下分组交织器识别

针对现有的分组交织器识别算法计算复杂高且容错性差缺点，从分组交织后的同步码分布规律出发，提出了一种新的识别算法。首先，利用数据矩阵统计特性，给出了在任意矩阵列数下，同步码和随机业务数据位置上的概率密度分布函数，基于最小错误判决准则，设定了同步码检测门限，同时基于3倍标准差准则，求解出稳健的交织周期识别门限；其次，分析了数据矩阵中每一行与每一列累积量之间的对应关系，提出了一种快速交织周期遍历方法，使得数据矩阵的构建次数大大减少；最后，总结了4个分组交织后同步码分布规律，通过遍历同步码序列，利用同步码之间的位置关系，实现交织同步位置、分组交织列与交织行参数快速识别。仿真结果表明:所提算法具有较强的低信噪比容错性，在信噪比为-6 dB条件下，参数识别率能够达到98%以上，同时与现有的算法相比，其性能提升4~10 dB且计算效率明显提高。      

基于最大序列相关性的Turbo码交织器识别

针对现有算法在Turbo码交织器识别中存在低信噪比适应性差，且识别性能随交织长度增加而急剧恶化的缺点，提出了基于最大校正序列相关的识别算法。该算法首先利用已识别的交织位置序列对每一帧交织位置上的信息序列进行估计，通过遍历可能的交织位置，并作互相关运算，当遍历位置为交织映射关系时，该位置上的数据序列与估计序列具有最大的相似度，从而完成交织位置识别；然后充分利用这些交织位置上的序列，分别估计出校正数据序列，将校正的序列再与原始序列叠加，完成码元校正，直到所有的交织关系识别完成。所提算法直接利用了截获的软判决信息，同时能够实现码元校正，这就克服了以往算法的两个缺点。仿真结果表明，在信噪比为-1 dB，交织长度为1024时，所提出算法仅仅需要1000数据帧，就能达到100%的识别率，与以往算法相比，性能提升2~3 dB，同时完成一次可靠识别所需的数据量仅需以往算法的1/4。