非协作通信QC-LDPC码参数估计与校验矩阵重构方法、系统及设备

本发明涉及通信信号处理与信道编码识别，具体是一种非协作通信下qc-ldpc码基结构参数的联合粗估计方法、一种非协作通信下qc-ldpc码稀疏校验矩阵的重构方法、一种非协作通信下qc-ldpc码稀疏校验矩阵重构系统，以及一种非协作通信信号处理设备。

背景技术：

1、在非协作通信、通信侦察、电子对抗及认知无线电等场景中，接收端无法预先获取发送端的信道编码参数，需要通过盲识别技术还原编码结构，才能进一步实现译码与信息解析，因此信道编码盲识别是非协作通信信号处理领域的核心支撑技术。

2、准循环低密度奇偶校验（qc-ldpc）码凭借优异的纠错性能与较低的硬件实现复杂度，已被广泛应用于5g nr、ieee 802.16e等主流通信标准，同时也是非协作场景中最为常见的编码类型之一。从结构上看，qc-ldpc码的校验矩阵由若干尺寸为z×z的子块拼接而成，其中z称为扩展因子，用于标注子块零/非零分布的矩阵称为支撑矩阵；扩展因子与初始支撑矩阵是qc-ldpc码稀疏化重构的前置基础参数，其估计精度与估计效率，直接决定了整套重构方案的工程可用性。

3、现有线性分组码盲识别通常采用高斯消元类方法求解校验矩阵，但该方法得到的是非稀疏形式的稠密校验矩阵，平均行重可达数百，并不符合ldpc码的稀疏特性，无法直接应用于标准译码流程，必须先完成结构参数估计与稀疏化重构。例如申请号为cn202310555258.7的专利申请公开了一种ldpc码参数识别方法，其通过高斯列变换求解对偶向量得到非稀疏校验矩阵，再采用通用稀疏化算法重建稀疏校验矩阵，以此实现非协作场景下的ldpc码开集盲识别。但该类方案在面向qc-ldpc码时存在明显的工程局限：首先是未充分利用qc-ldpc码的准循环分块结构特性，没有针对扩展因子设置前置筛选与粗估计环节；其次，在非协作零先验条件下，qc-ldpc码扩展因子的候选值为码长的全部正约数，数量可达十数种至数十种，若对每个候选均执行完整的精细优化重构，计算量将随候选数量线性攀升，难以满足通信侦察、动态频谱接入等场景的工程实时性要求。

4、由此可见，现有ldpc码盲识别方案多沿用通用线性分组码的处理思路，未针对qc-ldpc的准循环分块特性设计前置参数粗估计环节，导致零先验场景下重构计算量过高、实时性不足，无法高效输出扩展因子与初始支撑矩阵这类结构化先验，成为制约qc-ldpc码重构工程落地的前置瓶颈。

5、完成基础结构参数的粗估计后，进入qc-ldpc码稀疏校验矩阵的精细化重构阶段。针对qc-ldpc码的重构优化，部分现有技术引入智能优化算法以提升全局搜索能力，将支撑矩阵的二进制取值与各子块的移位值编码为同一组优化变量，采用单一算法同步迭代求解。例如申请号为cn202111264759.7的专利申请公开了一种适用于分块结构ldpc码的遗传优化方法，其虽针对分块ldpc码的移位值开展优化，但该方案默认基矩阵支撑结构完全已知，仅将移位值作为优化变量；若将其拓展至重构场景，需同时引入支撑矩阵变量并同步优化，将直接导致解空间维度爆炸。此类同步优化模式的共性问题主要体现在三个方面：首先，支撑矩阵的0-1组合变量与移位值的整数变量性质差异显著，将二者耦合在同一优化流程中，单一算法难以同时适配两种变量的寻优特性，导致全局搜索广度与局部寻优精度无法兼顾；其次，解空间维度会随基矩阵规模线性激增，不仅算法收敛速度大幅下降，同时极易陷入局部最优，在高密度矩阵场景下重构效果难以保证；此外，这类方案普遍采用完全随机的初始化方式，优化迭代次数多、结果波动性大，重构稳定性难以满足工程应用要求。

6、由此可见，现有qc-ldpc码重构方案多采用支撑矩阵与移位值耦合的同步处理模式，既无法适配两类变量的差异化寻优特性，也普遍存在收敛速度慢、易陷入局部最优、结果稳定性不足等问题，难以在非协作场景下实现高精度、高效率的稀疏校验矩阵重构，无法兼顾重构精度与工程实时性。

技术实现思路

1、为了解决非协作零先验场景下，因缺少低复杂度的qc-ldpc码扩展因子与初始支撑矩阵联合粗估计手段，导致后续稀疏重构计算量过大、难以满足工程实时性要求的技术问题，本发明提供了一种非协作通信下qc-ldpc码基结构参数的联合粗估计方法。

2、此外，为了解决现有qc-ldpc码稀疏重构采用支撑矩阵与移位值耦合同步优化模式，导致算法适配性差、收敛慢、易陷入局部最优，重构精度与效率无法兼顾的技术问题，本发明提供了一种非协作通信下qc-ldpc码稀疏校验矩阵的重构方法。

3、基于上述两种方案，本发明还提供了一种非协作通信下qc-ldpc码稀疏校验矩阵重构系统、一种非协作通信信号处理设备。

4、为实现上述目的，本发明提供如下技术方案：

5、一种非协作通信下qc-ldpc码基结构参数的联合粗估计方法，应用于信道编码盲识别场景，基于截获信号经高斯消元得到的稠密校验矩阵进行参数估计，包括以下步骤：

6、根据稠密校验矩阵的码长，生成全部候选扩展因子集合，各候选扩展因子均为码长的正约数；

7、遍历每一候选扩展因子，按照当前扩展因子将稠密校验矩阵划分为对应尺寸的子块阵列；针对每个子块，采用循环对角线映射方式，按块内列索引与行索引之差对当前扩展因子取模的规则，单次遍历子块内全部元素并按移位值分类累加，直接得到该子块在所有移位值下的匹配得分，提取各子块的最大匹配得分；

8、基于预设的非零子块判定阈值，根据各子块的最大匹配得分判定子块的零/非零属性，生成当前候选扩展因子对应的初始支撑矩阵；

9、采用综合评分函数，对当前候选扩展因子及对应的初始支撑矩阵进行打分；

10、选取综合评分最高的候选扩展因子作为最优扩展因子，对应输出其初始支撑矩阵，作为后续稀疏化重构的结构先验，支撑非协作通信下的盲译码处理。

11、作为上述方案的进一步改进：综合评分函数具体表示如下：

12、；

13、；

14、式中，score为综合评分；α为分段权重系数；exp(·)为自然指数函数；ρ为支撑矩阵密度，即当前候选扩展因子下，支撑矩阵的非零元素占比；dest为根据经验预估的ldpc码矩阵密度；σ为高斯函数的标准差，用于控制得分的衰减平缓程度；si,j为支撑矩阵第i行第j列的元素，取值为0或1，1代表该元素的位置为非零子块，0代表零子块；matchi,j(s)为第(i,j)个子块，与移位值为s的标准循环置换矩阵的对应元素乘积之和；第(i,j)个子块，在所有可能的移位值s中，与循环置换矩阵能达到的最高匹配分数；support为支撑矩阵中被判定为非零的子块构成的集合；|·|为取绝对值操作。

15、作为上述方案的进一步改进：匹配得分的取值范围为0至当前候选扩展因子的数值，得分越高代表子块与循环置换矩阵的结构重合度越高；当子块的最大匹配得分低于0.5倍当前候选扩展因子时，直接判定该子块为零子块，不纳入后续零/非零子块判定流程；反之，当子块的最大匹配得分大于等于0.5倍当前候选扩展因子时，该子块进入后续判定环节，基于非零子块判定阈值系数进一步确定其零/非零属性。

16、作为上述方案的进一步改进：在计算每个子块的匹配得分时，同步记录各子块最大匹配得分对应的最优移位值；在输出初始支撑矩阵的同时，同步输出所有非零子块对应的最优移位值，按行列索引组织为初始移位向量；该初始移位向量作为后续稀疏化重构中移位值局部精细优化的结构化热启动起点，用以替代随机初始化方式。

17、一种非协作通信下qc-ldpc码稀疏校验矩阵的重构方法，针对非协作通信场景下截获的编码信号，经解调与高斯消元得到稠密校验矩阵后，执行以下步骤：

18、通过非协作通信下qc-ldpc码基结构参数的联合粗估计方法对稠密校验矩阵执行基结构参数联合粗估计，得到最优扩展因子与对应的初始支撑矩阵；

19、以初始支撑矩阵为基准构建半确定性初始种群，采用适配二进制支撑结构的遗传算法对支撑矩阵的非零子块分布进行全局寻优，输出最优支撑矩阵；

20、固定最优支撑矩阵的非零子块位置，采用适配整数移位微调的模拟退火算法对各非零子块的循环移位值进行局部精细优化，输出最优移位值矩阵；

21、根据最优扩展因子、最优支撑矩阵与最优移位值矩阵，通过子块拼接方式生成符合准循环结构的稀疏校验矩阵；稀疏校验矩阵直接输入ldpc译码器，用于非协作通信信号的盲译码与信息恢复。

22、作为上述方案的进一步改进：全局寻优包括以下步骤：

23、针对种群内每个候选支撑矩阵个体计算适应度，适应度用于衡量候选支撑矩阵与qc-ldpc码结构特性的吻合程度；

24、采用精英保留策略，将当前种群中适应度最高的2个个体直接保留至下一代种群；

25、采用锦标赛选择机制筛选父代个体，经行列交叉、位点变异操作生成新一代种群；

26、重复迭代进化，直至无法生成适应度更优的个体或达到预设最大遗传代数，选取末代种群中适应度最高的个体作为最优支撑矩阵。

27、作为上述方案的进一步改进：局部精细优化具体包括以下步骤：

28、设置模拟退火初始温度、退火速率与最大迭代次数，以初始移位向量作为优化起点；

29、在当前温度下，随机选取一个非零子块并调整其移位值，生成候选移位向量，计算候选移位向量与当前移位向量的能量变化量；

30、完成当前温度下的预设次数迭代后执行降温操作，重复迭代直至移位值无法继续优化或达到最大迭代次数，输出最优移位值矩阵。

31、作为上述方案的进一步改进：计算能量变化量后遵循metropolis准则判断是否接受候选移位向量：

32、若候选移位向量对应的能量值小于当前移位向量的能量值，则直接接受候选移位向量；

33、若候选移位向量对应的能量值大于等于当前移位向量的能量值，则以概率exp(-δf/t)接受候选移位向量，其中δf为能量变化量，t为当前温度。

34、一种非协作通信下qc-ldpc码稀疏校验矩阵重构系统，用于执行非协作通信下qc-ldpc码基结构参数的联合粗估计方法，以及非协作通信下qc-ldpc码稀疏校验矩阵的重构方法，包括：

35、基结构参数粗估计模块，用于接收经高斯消元得到的稠密校验矩阵，根据稠密校验矩阵的码长生成全部候选扩展因子集合，遍历各候选扩展因子完成子块划分、匹配得分计算、零/非零子块判定与综合评分，输出最优扩展因子与对应的初始支撑矩阵；

36、支撑矩阵全局优化模块，用于以初始支撑矩阵为基准构建半确定性初始种群，采用适配二进制支撑结构的遗传算法对支撑矩阵的非零子块分布进行全局寻优，输出最优支撑矩阵；

37、移位值局部优化模块，用于固定最优支撑矩阵的非零子块位置，采用适配整数移位微调的模拟退火算法对各非零子块的循环移位值进行局部精细优化，输出最优移位值矩阵；

38、校验矩阵拼接输出模块，用于根据最优扩展因子、最优支撑矩阵与最优移位值矩阵，通过子块拼接生成符合准循环结构的稀疏校验矩阵，并输出至ldpc译码单元以支撑非协作通信信号的盲译码处理。

39、一种非协作通信信号处理设备，包括非协作通信下qc-ldpc码稀疏校验矩阵重构系统，还包括信号接收解调单元、存储器以及处理器；

40、信号接收解调单元用于截获非协作通信场景下的射频编码信号，依次经解调、硬判决、高斯消元对偶空间求解得到稠密校验矩阵，并传输至重构系统；

41、存储器用于存储计算机程序及信号处理过程中的中间数据；

42、处理器加载并运行qc-ldpc码稀疏校验矩阵重构系统，分别与信号接收解调单元、存储器通信连接，用于调度各模块执行对应的参数估计与矩阵重构流程。

43、与现有技术相比，本发明的有益效果是：

44、1、在联合粗估计方法中，基于qc-ldpc码的固有结构约束，通过分层降维与双维度评估实现低复杂度的参数联合粗估计：首先利用“扩展因子必为码长正约数”的结构规律，将扩展因子的无边界搜索收敛至有限候选集合，从源头限定搜索范围；其次按候选扩展因子对稠密校验矩阵进行子块划分，通过子块与标准循环置换矩阵的匹配计算，将准循环结构识别转化为可快速计算的匹配得分，仅保留子块最大匹配得分作为判断依据，控制运算开销；特别是采用循环对角线映射的快速匹配方式，将单张子块的匹配计算从逐移位重复遍历降为单次元素遍历，运算量降低一个数量级，进一步压缩了粗估计阶段的计算耗时；随后基于预设的非零子块判定阈值完成子块零/非零属性判定，生成初始支撑矩阵，将后续优化的搜索空间从全矩阵元素级压缩至基矩阵子块级，实现搜索规模的数量级缩减；再通过融合密度符合度与结构匹配度的综合评分函数，依托qc-ldpc码稀疏性与准循环性两大固有属性，无需复杂迭代即可完成全部候选的量化排序；最终输出最优扩展因子与初始支撑矩阵，为后续稀疏重构提供高质量结构先验，避免随机初始化带来的冗余迭代。特别是，该方法同步输出的非零子块最优移位值构成了后续移位值优化的结构化热启动初始解，将原本盲目、离散的移位搜索转变为确定性局部微调问题，既大幅缩减了模拟退火算法的有效搜索半径，又保证了多批次处理结果的一致性，为工程化部署提供了可靠的确定性输入。整套粗估计流程仅包含分块运算、阈值判定与加权求和三类低复杂度操作，在零先验条件下即可完成参数初筛与空间降维，有效降低了后续稀疏重构的计算量，支撑工程场景下的实时处理需求。

45、2、在重构方法中，本发明采用“前置粗估计降维+分阶段解耦优化”的架构：支撑矩阵的0-1二元分布属于非连续、高维度的组合优化问题，其解空间存在大量局部极值，需依赖具备强大全局探索能力的算法；而循环移位值在固定支撑结构后，则退化为低维、平滑的整数连续微调问题，更依赖高精度的局部挖掘。 针对这一“异质变量”冲突，本发明强制解耦两类变量：

46、第一阶段，将支撑矩阵建模为独立优化目标，采用适配二进制编码的遗传算法进行全局空间搜索，精准定位最优支撑分布；

47、第二阶段，在支撑结构完全锁定的前提下，将问题降维至仅含整数移位值的平滑空间，采用模拟退火算法进行精细局部寻优。

48、该强制解耦与分阶段适配策略，使两类优化目标各自匹配最优的求解器，从架构设计上根本性地规避了传统耦合模式中‘遗传算法精调不足、模拟退火全局探索低效’的双重缺陷，实现了全局探索广度与局部开发深度的帕累托最优。同时，由于每一阶段的解空间维度相比耦合模式降低了一个数量级，整体收敛速度大幅提升，有效解决了耦合优化模式下适配性差、收敛慢、精度与效率难以兼顾的技术痛点。首先通过前置的基结构参数联合粗估计方法，在零先验条件下快速输出最优扩展因子与高质量初始支撑矩阵，替代传统随机初始化方式，避免盲目迭代带来的冗余开销，为后续优化提供优质起点；其次将原本耦合的支撑结构优化与移位值优化拆解为两个独立阶段，针对支撑矩阵的二进制离散组合特性，采用适配二进制结构的遗传算法执行全局寻优，充分发挥遗传算法在复杂非凸搜索空间中的全局探索能力，精准定位最优支撑分布，规避耦合优化时全局搜索能力不足的缺陷；在确定最优支撑矩阵后，固定非零子块位置，仅针对循环移位值这一整数微调问题，采用模拟退火算法执行局部精细寻优，依托metropolis接受准则的概率性跳脱机制避免陷入局部最优，同时解耦后移位优化的搜索维度大幅降低，显著提升收敛速度；最终通过子块拼接生成符合准循环结构的标准稀疏校验矩阵。该分阶段解耦架构使两类优化问题各自匹配最适配的算法，既保障了全密度场景下的重构精度，又大幅缩短了整体处理耗时，有效平衡了重构精度与工程效率，有效的解决了耦合优化模式下适配性差、收敛慢、精度与效率难以兼顾的技术痛点。