基于压缩感知理论的BCH码译码-doi10.6043j.issn.0438-要点.docVIP

doi:10.6043/j.issn.0438-0479. 201702036 基于压缩感知理论的BCH码译码 姜恩华*，李素文， 窦德召，赵庆平 （淮北师范大学物理与电子信息学院，安徽 淮北 235000） 摘要：借助无噪条件下的压缩感知理论TN911.7 文献标识码：A  近年来，压缩感知理论 [1-3] 在图像与信号处理领域得到广泛的应用，该理论突破了香农-奈奎斯特采样定理的限制，降低了采样信号的频率，其主要内容包括：信号的稀疏表示、测量矩阵的构造和重构算法。压缩感知采样是通过测量矩阵对稀疏信号进行观测，得到测量信号；压缩感知恢复是把测量信号和测量矩阵代入重构算法重构出稀疏信号。在压缩感知理论中，信号精确恢复的条件是：测量矩阵与稀疏基不相关[4]，或者是感知矩阵满足有限等距性(restricted isometry property, RIP)[5]。 BCH码广泛应用在数字卫星电视、北斗导航电文纠错编码和光纤通信等领域。在BCH码的译码过程中，如何精确计算出差错图案E的估值是完成译码的核心问题。按照压缩感知理论，把差错图案E看作一维稀疏数字信号，伴随式S看作测量信号，校验矩阵H看作测量矩阵，计算差错图案E的估值问题，可以看作是压缩感知的稀疏信号恢复过程。选择合适的重构算法，完成对差错图案E的重构。可以把伴随式S与重构的差错图案E代入矩阵方程，验证重构的差错图案E是否正确。 文献[6,7]把压缩感知理论与信息论基本概念（例如：信道编码）作了对比；文献[8]采用信道编码方法构造压缩感知的测量矩阵；文献[9]采用压缩感知理论重构低密度奇偶校验码低密度奇偶校验码(low density parity check code，LDPC)列向量之间的线性相关性，即测量矩阵稀疏度Spark。 1.1无噪条件下压缩感知观测模型 在压缩感知理论中，通过测量矩阵对稀疏信号进行观测，得到观测信号，如式（1）所示。通过传感矩阵和观测信号，求解稀疏信号范数最小化问题如式 （1） （2） 借助。（2）式是求解范数最小化问题的稀疏度Spark 测量矩阵列向量组线性相关的最小的列数称为测量矩阵的稀疏度Spark [10]，稀疏度Spark的取值区间为[2，M+1]，其中M为观测值的个数。（1）式有唯一稀疏解的条件如（3）式所示[11]。 （3） 1.3基追踪BP算法 基追踪BP算法用来求解最小范数的优化问题，范数最小化属于凸优化问题[11]。求解该问题通常转化为线性规划问题求解，在基追踪BP算法中，一般通过调用MATLAB软件优化工具箱中的线性规划求解器求解，线性规划求解器采用原对偶内点法实现[12-13]，其计算步骤如下： （1）BP算法中的参数及其初始化，主要包括：严格可行点x，随机满秩矩阵A，正定矩阵p，列向量q，残差误差和对偶间隙误差，初始化常数因子μ和当前迭代点λ，代理对偶间隙为，回溯参数为和。 2）计算代理对偶间隙，。 3）确定时间t：。 4）计算对偶残差：。 5）计算中心残差：。 6）判断代理对偶间隙是否小于对偶间隙误差，对偶残差的范数是否小于残差误差，若同时成立，则跳出，结束循环，执行步骤（3）。 7）计算，， 求得：和。 8）计算回溯直线搜索的不超过1的最大的正步长作为初始步长step， ，其中的行数。 9）通过是否成立更新步长 10）计算下一个迭代点：。 11）更新步长：，直到成立重构 2.1差错图案重构的压缩感知模型 由于BCH码属于线性分组码的范畴[14]，本文借助线性分组码的译码过程，推导出BCH码的差错图案E重构的压缩感知模型。 首先根据收码计算伴随式，按照概率译码的准则，选择差错图案的重量最轻者作为的估值，然后进行消息还原得到消息线性分组码的编译码过程如图  在计算差错图案时伴随式是一个重矢量是一个重矢量是求解欠定方程组的个解。 对于随机差错来说，差错图案是一稀疏伴随式作为观测值校验矩阵作为矩阵的，从而计算出码字估值。对于二元编码来说校验矩阵的元素 （4） 在二元域内，由于差错图案，求解重量最小的E，就是求收码R和发码C的汉明距离d最小，汉明距离d越小，似然函数的值越大伴随式作为观测值校验矩阵作为矩阵的值最大作为测量矩阵 [8-9]。采用基追踪BP算法，根据收码R，计算伴随式，作为测量信号y，对差错图案E进行重构，得到的差错图案E与伴随式S的对应关系如表1所示，其中伴随式，差错图案,把矩阵方程展开成线性方程组如（5）所示，由于（15