基于线性变换的F-LDPC码校验矩阵重量压缩方法

摘要

本发明属于智能通信技术领域，提供一种基于线性变换的F‑LDPC码校验矩阵重量压缩方法，用以降低F‑LDPC码校验矩阵盲识别的复杂度；首先，通过可逆线性变换将校验矩阵的汉明重量压缩为原先重量的1/2，并对F‑LDPC码字做相应线性变换获得与重量压缩后校验矩阵满足校验关系的新码字；然后，利用基于信息集译码算法对新码字进行校验关系恢复，获得重量压缩的校验矩阵Hnew；最后，通过线性变换将校验矩阵Hnew还原为全重量的F‑LDPC码校验矩阵H。本发明将全重量校验矩阵H的盲识别问题转化为重量减半的校验矩阵Hnew的盲识别问题，极大降低了F‑LDPC码校验矩阵盲识别的复杂度，并大幅提高了F‑LDPC码校验矩阵盲识别的抗误码能力。

权利要求

1.基于线性变换的F‑LDPC码校验矩阵重量压缩方法，其特征在于，包括以下步骤：步骤1. 重量压缩；

根据F‑LDPC码的信息位长k，将码字数据矩阵C按系统位、校验位进行划分，得到第一码字数据子矩阵B与第二码字数据子矩阵P；

根据F‑LDPC码的码长n与信息位长k生成第一压缩矩阵G与第二压缩矩阵Ge；

采用第一压缩矩阵G与第二压缩矩阵Ge分别对第一码字数据子矩阵B与第二码字数据子矩阵P进行重量压缩处理，得到第一压缩码字数据子矩阵Bnew与第二压缩码字数据子矩阵Pnew；

将第一压缩码字数据子矩阵Bnew与第二压缩码字数据子矩阵Pnew拼接得到压缩码字数据矩阵Cnew；

步骤2. 校验矩阵搜索；

基于压缩码字数据矩阵Cnew，利用信息集译码算法搜索获得重量压缩后的压缩校验矩阵Hnew；

步骤3. 重量恢复；

根据F‑LDPC码的信息位长k，将压缩校验矩阵Hnew进行划分，得到第一压缩子校验矩阵D与第二压缩子校验矩阵Q；

采用第一压缩矩阵G与第二压缩矩阵Ge分别对第一压缩子校验矩阵D与第二压缩子校验矩阵Q进行重量恢复处理，得到第一全重量码字数据子矩阵DT与第二全重量码字数据子矩阵QT，将第一全重量码字数据子矩阵DT与第二全重量码字数据子矩阵QT拼接得到全重量F‑LDPC码校验矩阵H。

2.根据权利要求1所述基于线性变换的F‑LDPC码校验矩阵重量压缩方法，其特征在于，步骤1中，码字数据矩阵C的划分过程为：Cm×n=[Bm×k|Pm×(n‑k)]，

其中，m×n表示码字数据矩阵C的维度，m×k表示第一码字数据子矩阵B的维度，m×(n‑k)表示第二码字数据子矩阵P的维度，m为码字数量。

3.根据权利要求1所述基于线性变换的F‑LDPC码校验矩阵重量压缩方法，其特征在于，步骤1中，第一压缩矩阵G与第二压缩矩阵Ge采用双对角结构方阵，具体为：， ，

其中，k×k表示第一压缩矩阵G的维度，(n‑k)×(n‑k)表示第二压缩矩阵Ge的维度。

4.根据权利要求1所述基于线性变换的F‑LDPC码校验矩阵重量压缩方法，其特征在于，T T T T步骤1中，重量压缩处理具体为：Bnew=BG ，Pnew=PGe ，G 表示第一压缩矩阵G的转置，Ge 表示第二压缩矩阵Ge的转置。

5.根据权利要求1所述基于线性变换的F‑LDPC码校验矩阵重量压缩方法，其特征在于，步骤1中，压缩码字数据矩阵Cnew表示为：Cnew=[Bnew|Pnew]。

6.根据权利要求1所述基于线性变换的F‑LDPC码校验矩阵重量压缩方法，其特征在于，步骤3中，压缩校验矩阵Hnew划分过程为：Hnew =[D(n‑k)×k|Q(n‑k)×(n‑k)]，其中，(n‑k)×k表示第一压缩子校验矩阵D的维度，(n‑k)×(n‑k)表示第二压缩子校验矩阵Q的维度。

7.根据权利要求1所述基于线性变换的F‑LDPC码校验矩阵重量压缩方法，其特征在于，步骤3中，重量恢复处理具体为：DT=DG，QT=QGe。

8.根据权利要求1所述基于线性变换的F‑LDPC码校验矩阵重量压缩方法，其特征在于，步骤3中，全重量F‑LDPC码校验矩阵H表示为：H=[DT|QT]。

说明书

基于线性变换的F‑LDPC码校验矩阵重量压缩方法

技术领域

[0001] 本发明属于智能通信技术领域，具体提供一种基于线性变换的F‑LDPC码校验矩阵重量压缩方法，该方法用于降低F‑LDPC码校验矩阵盲识别的复杂度。

背景技术

[0002] F‑LDPC码是一种串行级联校验系统码，其编码器由外部编码模块、交织器以及内部校验编码器三个模块级联构成，F‑LDPC码具有极高的码率灵活度以及便于简单高速硬件译码器实现的优点，在民用通信系统和军用通信系统中都有着较好的应用前景，文献“The F‑LDPC family: high‑performance flexible modern codes for flexible radio”中详细阐述了F‑LDPC码编码原理和校验矩阵生成机制。信道编码盲识别是第三方在非合作通信场景下获取通信双方所传信息的一种技术手段，在军事情报分析、智能通信等领域中有着广泛应用。对于截获传输信号的第三方，信号的编码参数等信息通常是未知的，需要通过对码字数据的分析识别出信道编码参数进而实现译码，完成从信号层到信息层的突破。

[0003] F‑LDPC码的盲识别工作主要包括校验矩阵搜索（校验矩阵盲识别）和参数识别两部分，校验矩阵搜索是参数识别的基础，也是盲识别工作中的关键问题。目前，在大码长和较高误码率条件下，F‑LDPC码校验矩阵搜索算法的搜索进程将严重受阻甚至完全停止；因此，有必要提出一种新的方法来优化F‑LDPC码校验矩阵搜索进程以提高搜索效率，进而提高F‑LDPC码盲识别的效率和抗误码性能。

发明内容

[0004] 本发明的目的在于提供一种基于线性变换的F‑LDPC码校验矩阵重量压缩方法，用以在大码长、较高误码率条件下优化F‑LDPC码校验矩阵搜索进程以提高搜索效率，进而提高F‑LDPC码盲识别的效率和抗误码性能。本发明提出基于线性变换的重量压缩方法，通过线性变换将F‑LDPC码校验矩阵的汉明重量压缩至原先重量的1/2，并生成一组新的码字，新码字与重量压缩后的校验矩阵存在校验关系，在此基础上，结合校验矩阵搜索算法能够极大地降低搜索难度、提高搜索效率；同时，随着重量压缩方法的引入，F‑LDPC码校验矩阵盲识别的抗误码能力也得到显著提升。

[0005] 为实现上述目的，本发明采用的技术方案为：

[0006] 基于线性变换的F‑LDPC码校验矩阵重量压缩方法，包括以下步骤：

[0007] 步骤1. 重量压缩；

[0008] 根据F‑LDPC码的信息位长k，将码字数据矩阵C按系统位、校验位进行划分，得到第一码字数据子矩阵B与第二码字数据子矩阵P；

[0009] 根据F‑LDPC码的码长n与信息位长k生成第一压缩矩阵G与第二压缩矩阵Ge；

[0010] 采用第一压缩矩阵G与第二压缩矩阵Ge分别对第一码字数据子矩阵B与第二码字数据子矩阵P进行重量压缩处理，得到第一压缩码字数据子矩阵Bnew与第二压缩码字数据子矩阵Pnew；

[0011] 将第一压缩码字数据子矩阵Bnew与第二压缩码字数据子矩阵Pnew拼接得到压缩码字数据矩阵Cnew；

[0012] 步骤2. 校验矩阵搜索；

[0013] 基于压缩码字数据矩阵Cnew，利用信息集译码算法搜索获得重量压缩后的压缩校验矩阵Hnew；

[0014] 步骤3. 重量恢复；

[0015] 根据F‑LDPC码的信息位长k，将压缩校验矩阵Hnew进行划分，得到第一压缩子校验矩阵D与第二压缩子校验矩阵Q；

[0016] 采用第一压缩矩阵G与第二压缩矩阵Ge分别对第一压缩子校验矩阵D与第二压缩子校验矩阵Q进行重量恢复处理，得到第一全重量码字数据子矩阵DT与第二全重量码字数据子矩阵QT，

[0017] 将第一全重量码字数据子矩阵DT与第二全重量码字数据子矩阵QT拼接得到全重量F‑LDPC码校验矩阵H。

[0018] 进一步的，步骤1中，码字数据矩阵C的划分过程为：

[0019] Cm×n=[Bm×k|Pm×(n‑k)]，

[0020] 其中，m×n表示码字数据矩阵C的维度，m×k表示第一码字数据子矩阵B的维度，m×(n‑k)表示第二码字数据子矩阵P的维度，m为码字数量。

[0021] 进一步的，步骤1中，第一压缩矩阵G与第二压缩矩阵Ge采用双对角结构方阵，具体为：

[0022] ， ，

[0023] 其中，k×k表示第一压缩矩阵G的维度，(n‑k)×(n‑k)表示第二压缩矩阵Ge的维度。

[0024] 进一步的，步骤1中，重量压缩处理具体为：Bnew=BGT，Pnew=PGeT，GT表示第一压缩矩T阵G的转置，Ge 表示第二压缩矩阵Ge的转置。

[0025] 进一步的，步骤1中，压缩码字数据矩阵Cnew表示为：Cnew=[Bnew|Pnew]。

[0026] 进一步的，步骤2中，信息集译码算法具体采用Dumer算法。

[0027] 进一步的，步骤3中，压缩校验矩阵Hnew划分过程为：

[0028] Hnew=[D(n‑k)×k|Q(n‑k)×(n‑k)]，

[0029] 其中，(n‑k)×k表示第一压缩子校验矩阵D的维度，(n‑k)×(n‑k)表示第二压缩子校验矩阵Q的维度。

[0030] 进一步的，步骤3中，重量恢复处理具体为：DT=DG，QT=QGe。

[0031] 进一步的，步骤3中，全重量F‑LDPC码校验矩阵H表示为：H=[DT|QT]。

[0032] 基于上述技术方案，本发明的有益效果在于：

[0033] 本发明基于F‑LDPC码编码机制及其校验矩阵的结构特性，首先，通过可逆线性变换的方法在不损坏F‑LDPC码校验矩阵结构的前提下将校验矩阵的汉明重量压缩为原先重量的1/2，同时，对F‑LDPC码字做相应线性变换获得与重量压缩后校验矩阵满足校验关系的新码字；然后，利用基于信息集译码的dumer算法对新码字进行校验关系恢复，获得重量压缩的校验矩阵Hnew；最后，通过线性变换将校验矩阵Hnew还原为全重量的F‑LDPC码校验矩阵H。本发明提出的校验矩阵重量压缩方法将F‑LDPC码的全重量校验矩阵H的盲识别（搜索）问题转化为重量减半的校验矩阵Hnew的盲识别问题，极大降低了F‑LDPC码校验矩阵盲识别的复杂度。

[0034] 综上所述，本发明提供了一种基于线性变换的F‑LDPC码校验矩阵重量压缩方法，该方法能够显著降低F‑LDPC码校验矩阵搜索的复杂度，同等条件下对搜索时间成本的优化程度在90%以上；同时，该方法大幅提高了F‑LDPC码校验矩阵搜索的抗误码能力，对于码长‑3较大的F‑LDPC码，能够在10 量级误比特率条件下实现校验矩阵的完整识别；对于码长较小‑2
的F‑LDPC码，能够在10 量级误码率条件下实现校验矩阵的完整识别。

附图说明

[0035] 图1为本发明中基于线性变换的F‑LDPC码校验矩阵重量压缩方法的流程图。

[0036] 图2为对比例在各个码长下校验矩阵盲识别的耗时曲线图。

[0037] 图3 为本发明在各个码长下校验矩阵盲识别的耗时曲线图。

[0038] 图4为本发明与对比例在各个误码率下校验矩阵盲识别的耗时曲线对比图。

具体实施方式

[0039] 为使本发明的目的、技术方案与有益效果更加清楚明白，下面将结合附图和实施例对本发明做进一步详细说明。

[0040] 本实施例提供一种基于线性变换的F‑LDPC码校验矩阵重量压缩方法，其流程如图1所示，包括重量压缩、校验矩阵搜索与重量恢复三部分；具体包括以下步骤：

[0041] 步骤1. 重量压缩；

[0042] 针对F‑LDPC码，其码字数据矩阵由m个码字组成，具体表示为Cm×n，m×n表示码字数据矩阵C的维度，n为码长（比特数），则码字数据矩阵C中每一行代表一个码字；

[0043] 根据F‑LDPC码的信息位长k，将码字数据矩阵Cm×n按系统位、校验位划分为第一码字数据子矩阵B与第二码字数据子矩阵P，具体表示为：

[0044] Cm×n=[Bm×k|Pm×(n‑k)]，

[0045] 其中，k为F‑LDPC码的信息位长；

[0046] 即：将码字数据矩阵Cm×n中第1列至第k列划分为第一码字数据子矩阵Bm×k，第k‑1列至第n列划分为第二码字数据子矩阵Pm×(n‑k)；

[0047] 根据F‑LDPC码的码长n与信息位长k生成第一压缩矩阵G与第二压缩矩阵Ge，第一压缩矩阵G与第二压缩矩阵Ge为双对角结构方阵，具体形式为：

[0048] ， ，

[0049] 上述第一压缩矩阵G与第二压缩矩阵Ge的第i行中，第i列与第i‑1列的元素为1，其与元素均为0；

[0050] 采用第一压缩矩阵G与第二压缩矩阵Ge分别对第一码字数据子矩阵B与第二码字数据子矩阵P进行重量压缩处理，得到第一压缩码字数据子矩阵Bnew与第二压缩码字数据子矩阵Pnew，具体为：

[0051] Bnew=BGT，Pnew=PGeT，

[0052] 其中，GT表示第一压缩矩阵G的转置，GeT表示第二压缩矩阵Ge的转置；

[0053] 将第一压缩码字数据子矩阵Bnew与第二压缩码字数据子矩阵Pnew拼接得到压缩码字数据矩阵Cnew，表示为：Cnew=[Bnew|Pnew]，Cnew的维度为m×n；

[0054] 步骤2. 校验矩阵搜索；

[0055] 基于重量压缩后的压缩码字数据矩阵Cnew，利用信息集译码算法搜索获得重量压缩后的压缩校验矩阵Hnew，Hnew的维度为 (n‑k)×n；所述信息集译码算法具体采用Dumer算法，其具体过程为本领域公知常识，此处不再赘述；

[0056] 步骤3. 重量恢复；

[0057] 根据F‑LDPC码的信息位长k，将压缩校验矩阵Hnew划分为第一压缩子校验矩阵D与第二压缩子校验矩阵Q，具体表示为：

[0058] Hnew=[D(n‑k)×k|Q(n‑k)×(n‑k)]，

[0059] 即：将压缩校验矩阵Hnew中第1列至第k列划分为第一压缩子校验矩阵D(n‑k)×k，第k‑1列至第n列划分为第二压缩子校验矩阵Q(n‑k)×(n‑k)；

[0060] 采用第一压缩矩阵G与第二压缩矩阵Ge分别对第一压缩子校验矩阵D与第二压缩子校验矩阵Q进行重量恢复处理，得到第一全重量码字数据子矩阵DT与第二全重量码字数据子矩阵QT，具体为：

[0061] DT=DG，QT=QGe，

[0062] 将第一全重量码字数据子矩阵DT与第二全重量码字数据子矩阵QT拼接得到全重量F‑LDPC码校验矩阵H，表示为：H=[DT|QT]，全重量F‑LDPC码校验矩阵H的维度为(n‑k)×n。

[0063] 为验证本发明的有益效果，首先在不同码长条件下进行仿真测试；具体过程为：设置F‑LDPC码的码率为0.5、误码率为0、校验矩阵重量为6，在码长n依次等于1000、2000、4000、6000、8000、10000、12000比特条件下，以全重量校验矩阵盲识别为对比例，分别进行对比例中全重量校验矩阵和本发明中压缩校验矩阵的盲识别，记录识别耗时并绘制曲线图，其结果分别如图2和图3所示；由图可见，在同一码长下，图2中耗时曲线高于图3中对应的耗时曲线，即本发明提供的校验矩阵重量压缩方法有效降低了F‑LDPC码校验矩阵盲识别的耗时；进一步对比图2和图3中数据可以发现，在同等条件下，本发明提出的校验矩阵重量压缩方法能够实现对校验矩阵搜索时间成本的显著优化，优化程度在90%以上。

[0064] 进一步的，在不同误码率条件下进行仿真测试；具体过程为：设置F‑LDPC码的码率为0.5、码长为4000比特、校验矩阵重量为6，在误码率依次等于1‰、2.5‰、5‰、7.5‰、1%的条件下，分别进行对比例中全重量校验矩阵和本发明中压缩校验矩阵的盲识别，记录识别耗时并绘制曲线图，其结果如图4所示；由图可见，在码长4000比特、误码率等于1‰的条件下，全重量的校验矩阵盲识别获得100%校验矩阵所需时间约为15000s，而本发明校验矩阵重量压缩方法仅耗时10s左右；若进一步提高误码率，全重量校验矩阵盲识别进程将严重受阻，无法实现完整校验矩阵的识别，而本发明校验矩阵重量压缩方法仍有较好的识别效果，即使在误码率等于1%的条件下仍能在1000s内完成100%校验举证的识别，由此表明本发明提供的校验矩阵重量压缩方法大幅提高了F‑LDPC码校验矩阵盲识别的抗误码能力。

[0065] 以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。