基于滑窗过滤的分组码码重分析识别方法

摘要

本发明提供了一种基于滑窗过滤的分组码码重分析识别方法，将得到的码重分布图样进一步通过滑窗滤波的方法，将影响判决结果的错误峰值滤掉，以得到正确的码长估计。本发明能够有效扩展现有通信盲识别系统的适用范围，降低了运算复杂度，极大提升了编码识别的效率及正确率。从而为基于自适应调制编码及其识别技术的智能通信系统的发展奠定了基础，为在通信侦察和网络对抗等非协作通信中获取信息优势提供了保障。

说明书

技术领域

本发明属于非协作通信和信息对抗领域，具体涉及差错控制编码识别中的一种分组码码重分析识别方法。

背景技术

自Shannon提出信道编码以来，如何实现性能接近Shannon限的编码，是编码理论学者一直努力的方向。为了构造出性能优异的码字和译码复杂度可接受的译码算法，学者们给出了很多编码方案。

分组码是发展最早的一类纠错码，线性分组码是分组码中最重要的一类码。由于线性分组码的研究开展较早，相关理论研究也最深入，并且码型结构简单，编译码设备不太复杂，所以在通信系统中获得了广泛的应用。

信道编码盲识别技术是指在接收端未知或部分未知收到信号采用的编码参数的情况下，通过算法分析快速地得到发端的编码参数。这一技术目前主要应用在智能通信、通信侦察和网络对抗领域，随着通信技术和信道编码理论的不断发展和完善，信道编码识别技术将会在更多的领域得到应用。由于无线通信环境日趋恶劣，在实际传输过程中的时延、干扰、中断等情况使得相关控制信息有时不能准确地传送到接收端，从而造成通信无法建立。因此如何仅根据接收到的数据快速地盲识别出发送端的编码方式就成为关键。特别是随着认知无线电和认知通信的发展，信道编码分析识别将成为未来智能通信系统的重要功能之一。另一应用领域是信息对抗，信息对抗包括信息截获和信息攻击两大方面。信息截获是第三方对通信双方信息进行非常规或非授权获取的一种技术，进行信息截获(或攻击)的第三方处于信息传输系统之外，其切入点通常处于传输信道上。在非合作的电子侦察领域，如何从信息码流中正确地识别出信道编码的类型及相关参数，是电子侦察从信号层跨入信息层的第一步。

虽然现有的码重分析法对于识别分组码具有较好的效能，但仍存在如下缺陷：

1.在识别码长较长的分组码时，码重分布距离的峰值会产生偏移，从而导致识别结果出错。

2.在识别码率接近1/2的分组码时，码重分布距离的峰值呈现弱化，导致判决进过不准确，从而导致识别结果出错。

发明内容

为了克服现有技术的不足，本发明提供一种基于滑窗过滤的分组码码重分析识别方法，将得到的码重分布图样进一步通过滑窗滤波的方法，将影响判决结果的错误峰值滤掉，以得到正确的码长估计相比于传统分组码码重分析方法在得到码重分布图样后直接取实际分布与均匀分布的方差距离的最大值，本发明可以有效的扩展适用范围和提高判决结果的正确率。

本发明解决其技术问题所采用的技术方案包括以下步骤：

(1)对长度为L的比特序列C₀，根据估计码长将C₀顺序的分为长的若干个估计码字将C₀最后长度不足一个估计码长的比特序列舍弃；

(2)计算均匀分布模型下不同码重的码字出现概率

(3)统计所有估计码字的重量分布，得到实际重量为i的码字出现的概率P_i，

(4)计算码重分布距离计算得到估计码长为时，实际分布与均匀分布的方差距离

(5)取码长预估范围其中，以为初始值，以每次循环时加1直至为规则，重复步骤(1)～步骤(4)，得到该范围的码重分布距离图样；

(6)根据设定的过滤门限Ω和滤波系数δ，采用滑窗过滤法，将码重分布距离图样依次通过窗口，滤掉错误的峰值；1.1≤Ω≤1.3，0.01≤δ≤0.2；

(7)在过滤后的码重分布距离图样中，取码重分布距离的最大值此时对应的即为真实码长估计识别结束。

本发明的有益效果是：能够有效扩展现有通信盲识别系统的适用范围，降低了运算复杂度，极大提升了编码识别的效率及正确率。从而为基于自适应调制编码及其识别技术的智能通信系统的发展奠定了基础，为在通信侦察和网络对抗等非协作通信中获取信息优势提供了保障。

附图说明

图1为本发明基于滑窗过滤的分组码码重分析识别流程图。

图2为本发明识别(127,50)BCH码时的码重分布距离图样。

图3为本发明基于滑窗过滤识别(127,50)BCH码时的码重分布距离图样。

图4为本发明基于滑窗过滤识别(127,50)BCH码时与标准码重分析法识别性能对比图。

具体实施方式

下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。

本发明包括以下步骤：

1.取解调判决后的比特序列C₀，其长度为L，根据估计码长将C₀顺序的分为长的若干个估计码字将长度不足估计码长的尾比特序列舍弃。

2.计算均匀分布模型。假设此时的码重分布是均匀分布模型，不同码重的码字出现概率为：

3.计算实际重量分布。统计所有估计码字的重量分布，得到实际重量为的码字出现的概率P_i。

4.计算码重分布距离码重分布距离计算公式如下：

$D\left(\hat{n}\right)=\frac{\hat{n}+1}{\hat{n}}\underset{i=0}{\overset{\hat{n}}{\Sigma }}{\left|P_i-P_0\right|}^2$

计算得到估计码长为时，实际分布与均匀分布的方差距离

5.计算码重分布距离图样。取码长预估范围(其中，)，以为初始值，以每次循环时加1直至为规则，重复步骤1～步骤4，得到该范围的码重分布距离图样。

6.滑窗过滤码重分布距离图样。令过滤门限Ω(1.1≤Ω≤1.3)、滤波系数δ(0.01≤δ≤0.2)，采用滑窗过滤法，将码重分布距离图样依次通过窗口，滤掉错误的峰值。

7.得到识别结果。在过滤后的码重分布距离图样中，取码重分布距离的最大值此时对应的即为真实码长估计识别结束。

本发明克服了码重分析法在识别码长较长且码率接近1/2的分组码时的识别结果易错的问题，可直接应用于现有的纠错码识别系统，提高纠错码识别的效率，扩展可识别范围。

本发明的实施例包括以下步骤：

1.取接收端解调后的比特序列。在接收端收到解调后的(127,50)BCH码，取解调后收到得200组码字序列C₀，误码率BER＝5×10^-3，L＝127×200。

2.获取估计码字根据估计码长将C₀顺序的分为长的若干个估计码字将长度不足估计码长的尾比特序列舍弃。

3.计算码重均匀分布概率P₀，实际分布概率P_i。若估计码长不为真实码长，则可认为码重分布是均匀分布模型，不同码重的码字出现概率为：统计所有估计码字的重量分布，得到实际重量为的码字出现的概率P_i。

4.计算码重分布距离码重分布距离计算公式如下：

$D\left(\hat{n}\right)=\frac{\hat{n}+1}{\hat{n}}\underset{i=0}{\overset{\hat{n}}{\Sigma }}{\left|P_i-P_0\right|}^2$

计算得到估计码长为时，实际分布与均匀分布的方差距离

5.计算码重分布距离图样。取码长预估最小值最大值在该范围内以为初始值，以每次循环时加1直至为规则，重复步骤2～步骤4，得到该范围的码重分布距离图样，如图2所示。此时取最大值时而当时出现的正确峰值明显低于最大值，即识别结果出错。

6.滑窗过滤码重分布距离图样。令过滤门限Ω＝1.15、滤波系数δ＝0.1，采用滑窗过滤法，将码重分布距离图样依次通过过滤窗口，得到结果如图3所示。

7.得到识别结果。在过滤后的码重分布距离图样中，取此时的码重分布距离的最大值(最高峰值)此时对应的即为真实码长估计识别结果正确，识别过程结束。该方法滤掉了错误的峰值，修正了识别结果。

依然采用(127,50)BCH码，取解调后收到得200组码字序列，在不同误码率下的识别性能仿真结果如图4所示。部分结果如表1所示。

表1算法识别性能对比

误码率BER标准算法识别正确率(％)本发明算法的识别正确率(％)1×10^-432.61003×10^-420.61005×10^-411.91001×10^-31.71005×10^-3082.9

由图4及上表可知，本发明提出的分组码识别算法性能相当优越，对原有算法的性能提升很大，在误码率为5×10^-3时，原有算法识别正确率已下降为0时，而本发明依然可提供大于80％的识别正确率。