本发明属于Turbo码交织参数盲识别领域,尤其涉及较大交织深度(几百至几千)的情况下,对归零Turbo码进行交织七点以及交织深度估计的方法。本发明基于归零结构的交织器深度及起点识别方法,利用了实际应用中广泛存在的卷积编码自归零结构。在此结构下,无论是归零比特,还是以全零状态作为起始态的编码序列,都存在一定的结构特性。通过对码字序列的统计,寻找符合特定结构的码字位置,从而确定Turbo码的交织深度和交织起点。本发明方法大大降低了Turbo码参数盲识别算法的运算量,规避了全盲识别时对于多个未知数被迫采取多重嵌套运算的步骤。将识别过程分离,逐个参数识别,从而在提高运算效率的同时,也使得大交织深度的识别具备了实际可操作性。
📄 2015107290762
📂 H03M13_29
👤 电子科技大学
📅 2015-10-31
本发明属于turbo码盲识别技术领域,具体涉及一种DVB‑RCS2协议中双输入类Turbo码闭集识别方法。本发明基于对双输入类turbo码编码结构的等效结构,通过估计等效编码器的结构,得到与原编码器具有相同编码输出的参数已知的等效编码器结构。从而实现对该类Turbo码进行参数识别。
📄 2019109215872
📂 H03M13_29
👤 电子科技大学
📅 2019-09-27
本发明属于turbo码盲识别技术领域,具体涉及一种已知支路信息turbo码删除模式估计方法。本发明利用支路编码序列和信息位序列长度比值与删除比特个数与删除周期长度比值相等的关系,估计删除周期。然后再通过删除卷积码的识别方法得到生成矩阵,利用估计得到的生成矩阵重新生成支路序列,比对其正确性,从而确定支路的删除模式以及生成矩阵。本发明针对具有复杂删除模式的支路信息已知的turbo码进行识别,能够对具有多个1的复杂删除模式进行有效识别。很好的适应于实际的turbo码识别应用中。
📄 2019109214085
📂 H03M13_29
👤 电子科技大学
📅 2019-09-27