基于最大序列相關性的Turbo碼交織器識別

吳昭軍，張立民，＊，鐘兆根

1.海軍航空大學 信息融合研究所，煙臺 264001 2.海軍航空大學 航空基礎學院，煙臺 264001

為了對抗惡劣的信道環境，現代數字通信系統廣泛采用信道編碼的方案，通過增加碼元之間的冗余信息，從而實現信息碼元的自動檢錯與糾錯。Turbo碼是目前信道編碼中一類性能較好的編碼方案，現在廣泛應用于衛星通信、深空探測等領域［1］。對于非協作通信而言，Turbo碼中隨機交織器的識別是Turbo碼識別的重要內容之一［2］，能給后續盲譯碼提供必不可少的先驗信息。

目前，大部分算法集中于完成Turbo碼分量編碼器識別［3－6］，而單獨針對交織器識別的算法較少，大多數局限于實現交織幀長度［7－9］或是僅針對卷積交織［10－11］、分組交織［12］這樣固定結構的參數識別。從已有的文獻來看，主要分為兩個大類，即：基于硬判決以及基于軟判決碼元的交織關系識別。文獻［13］首先將Turbo碼分量編碼器展開為沖激響應序列，利用未交織信息序列，脈沖序列以及交織編碼序列三者的約束關系逐位驗證完成識別，該算法在能夠在無誤碼條件下完成交織關系以及沖激響應序列的同時識別，但是一旦出現誤碼，算法將會失效；文獻［14］從信息熵的角度出發，利用正確的交織位置與錯誤交織位置上信息碼元與編碼碼元之間約束關系成立的概率不同，將結果以熵的形式來度量，逐位進行驗證，從而估計出交織關系，該算法具有一定的容錯性能，但是計算量很大，實時性不高；從提高交織器識別算法實時性以及容錯性兩個方面出發，文獻［15］提出了一種高誤碼條件下的Turbo碼交織器恢復方法，該方法主要利用了校驗向量的特征，僅僅依賴幾個相關位置進行識別，避免了誤碼的累積，但是當交織長度增加時，算法性能將會急劇惡化，需要截獲大量的數據幀塊，才能改善；為了提高Turbo碼交織器在低信噪比下識別的可靠性，同時為了將有限域中交織器識別算法推廣到信號處理方式豐富的實數域中；文獻［16］利用Turbo碼譯碼器軟輸出之間相關性，提出了一種迭代估計算法。該方法雖然克服了硬判決算法容錯性能低的缺點，但是在迭代估計過程中算法的復雜度非常高；從提高實時性角度出發；文獻［17］提出了基于校驗方程符合度下的Turbo碼交織器識別方法，該方法直接利用了軟判決信息，通過遍歷交織位置，求取最大的校驗符合度完成交織關系識別，該算法具有較好的低信噪比適應能力，但是當交織長度過長時，算法的性能會急劇惡化；文獻［18］為了進一步減少計算復雜度，提出低信噪比下，基于對數符合度的隨機交織器識別算法，該算法在計算對數符合的方法上更加簡單，與文獻［17］一樣，隨著交織長度的增加，誤差將會累計；為克服現有算法性能隨交織長度增加而急劇惡化的缺點，文獻［19］提出了基于Gibss采樣下的交織器識別算法，該方法是基于文獻［17］的改進，在文獻［17］的基礎上，利用部分相關數據采用Gibss樣本法進行糾錯，在一定程度上改善了算法的性能，但是實時性能卻減弱了不少。綜合上述分析，現有的Turbo交織器算法還存在著容錯性與實時性不好的缺點。

鑒于此，本文提出了一種低信噪比條件下，Turbo碼隨機交織器識別算法，該算法首先利用第3路編碼碼元對每一幀交織前的信息碼元進行重新估計，得到不同數據幀上同一交織位置上的估計序列；其次遍歷所有的交織位置，將所估計的序列與同一遍歷位置上不同幀塊上原始信息序列做互相關運算，則最大的互相關系數所對應的位置即為估計的交織位置。同時在估計過程中，算法利用第2路碼元序列對第1路的信息碼元進行校正，然后利用第1路碼元對第3路已估計完的交織位置上碼元進行校正，這樣最大程度的克服了以往算法隨著交織長度急劇惡化的缺點。仿真結果表明，提出的算法容錯性較強，同時計算復雜度適中。

1 Turbo碼編碼原理以及模型建立

Turbo碼自1993年提出以來，廣泛應用于通信系統中。Turbo碼編碼結構主要是以并行級聯型為主，圖1為并行級聯型Turbo碼編碼、發送、接收示意圖。圖中：ut為時刻t的信息碼元分別為第1路與第2路的分量編碼器，通常這兩路的分量編碼器相等。c1，t與c2，t為第1分量編碼器與第2分量編碼器的t時刻的輸出；xt，yt以及zt分別為時刻t下，ut，c1，t，c2，t經過信道后的軟判決輸出；π為交織器。設時刻t以內的信息序列可以用多項式表示為

式中：D為延時單元，則

式中：C1（D）為第1路分量編碼器編碼多項式。

式（3）為第2路分量編碼器編碼多項式。設分量編碼器寄存器個數為m，若以g1，i，g′1，i（0≤i≤m）表示第1與第2路分量編碼器前向多項式系數，以g0，i，g′0，i（0≤i≤m）表示第1與第2路分量編碼器反饋多項式系數，通常Turbo碼中兩種分量編碼 器是相同 的，故 有 g1，i＝ g′1，i，g0，i＝g′0，i，故將式（2）與式（3）展開后，得到

式中：“⊕”表示二元域中加法運算。

圖1 Turbo碼編碼、發送、接收示意圖Fig.1 Turbo code of encoding，sending，and receiving

由于截獲的碼元xt與yt是未經過交織的碼元編碼輸出，利用現有的算法能夠高效的完成分量編碼器的識別，同時文獻［9］首先將截獲的碼元做差分預處理，利用每一幀初始位置兩碼元之間的差分結果一定為零的特點，構建差分序列分析矩陣，實現了在誤碼率高達0.2條件下碼長以及幀同步的可靠識別，所以本文假定分量編碼器以及碼長已經完成了估計，重點研究低信噪比下利用分量編碼器，截獲的軟判決碼元實現交織器π的識別。

2 低信噪比下交織器識別模型

參數估計的基本思路為：利用截獲的軟判決序列以及生成多項式G1（D）／G0（D）首先對每一幀數據交織位置上的信息碼元進行預估計，得到不同數據幀同一交織位置上的估計序列，然后遍歷交織位置，將所估計的序列與同一遍歷位置上不同幀塊原始信息序列做互相關運算，則最大的互相關位置即為估計的交織位置。

2.1 交織位置信息序列估計

在整個交織器識別過程中，信息序列的正確估計是關鍵。下面重點研究如何利用截獲的編碼序列以及生成多項式完成交織位置信息序列的估計。

由于生成多項式中g1，0＝g0，0＝1，故式（5）可以進一步寫為

在第k幀數據中，標記：

則第k幀數據的第t個交織位置碼元uk，π（t）取值為0，1的條件概率為

式中：v＝0，1。

利用貝葉斯公式，將式（10）展開，得到

在uk，π（t）＝v確定后，各路碼元之間相互獨立，僅僅與多項式系數相關，故式（11）進一步轉化為

為了進一步化簡式（12），引入對數似然比運算，將Pc（uk，π（t）＝v）轉化為對數似然比，即：

式中：llr（·）為對數似然比。

當信息序列 Xvk，π（t）以及多項式確定后，每一路碼元的概率分布就確定了，各個碼元之間可以認為是相互獨立，故式（13）可進一步展開為

進一步化簡為

由式 （7）可 知，序 列 Xvk，π（t）＝ ［v，xk，π（t－1），…xk，π（t－m）］僅僅可以確定時刻t，c2，t的取值，若要確定c2，i，（0≤i＜t）的取值概率，則需要序列［xk，π（i），xk，π（i－1），…，xk，π（i－m）］，而此時v 并不在該序列中，故xk，π（t）的取值對其并無影響，故有

由此，式（15）簡化為只需要求取i＝t時的對數似然比值，即

式中：φ1＝ ｛j＝0，1，…，m｜g1，j＝1｝，φ0＝ ｛j＝1，2，…，m｜g0，j＝1｝。

設傳輸信道為AWGN信道，調制方式為2PSK，載波幅度為A，則

式中：σ2為白噪聲方差。

由對數似然比概念，式（18）條件對數似然比可進一步轉化為條件概率為

將式（22）以及式（23）代入式（15）可得

由于ln（ef1＋ef2）≈max（f1，f2），故式（24）可進一步化簡為

由式（27）中uk，π（t）的條件 似然比 的求解方法，可以得到每一幀數據交織位置上碼元似然比的預值，即

式中：N為截獲的幀塊數目。

通過遍歷可能的交織位置，將所有數據幀上同一位置上的對數似然比序列與預估的序列做相關運算，即

式中：i∈ ｛1，2，…，L｝＼｛π（1），π（2），…，π（t－1）｝。

由于算法對交織關系的估計過程中，需要利用已經估計完的交織位置，隨著交織位置的增加，算法的可靠性會降低，為了克服這樣的缺點，本文首先利用第2路軟判決信息對第1路信息進行增強更新，即利用第2路軟判決碼元yk，t以及生成多項式系數對第1路中第k幀t時刻的信息碼元進行預估計，整個過程與上面基本一致，即

式中：

將預估的值llr＾（uk，t）與第1路碼元llr（uk，t）進行疊加，實現第1路碼元的更新增強。

同理，利用已經識別的交織位置的信息碼元以及生成多項式系數對第3路碼元進行校正更新。首先進行預估即

其中：φ1＝ ｛j＝0，1，…，m｜g1，j＝1｝，φ0＝ ｛j＝1，2，…，m｜g0，j＝1｝。

將預估的值llr＾（ck2，t）與第3路碼元llr（ck2，t）進行疊加，實現第3路碼元的校正增強。

完成一個交織位置的識別，第3路信息序列以及第3路編碼序列上相應位置的軟判決信息得到更新，直到所有的交織位置完成識別。

2.2 交織關系識別流程

由2.1節中，推導過程可知，Turbo碼交織器識別過程主要由2個部分組成，即：估計與校正過程。估計階段：利用第3路碼元以及多項式系數完成對每一幀數據交織位置的信息碼元預估計，然后將預估計的序列與每一幀數據上遍歷位置的信息序列作相關運算，相關度最高的位置即為交織位置；校正階段：利用第2路碼元信息與多項式系數對第1路碼元進行預估計，將估計的信息序列與原信息序列相疊加，完成第1路信息更新，其次利用已經完成識別的第1路交織位置上碼元信息以及多項式系數對第3路碼元信息進行預估計，將估計的第3路碼元序列與原始的第3路碼元序列相疊加，完成第3路碼元信息的更新。估計與校正兩個階段輪流進行，直到最后一個交織位置識別完成，具體的步驟如下：

步驟1 將截獲3路軟判決信息轉化為對數似然比形式，同時t＝1。

步驟2 利用式（19）以及式（27）計算每一幀第1路交織位置上信息序列的條件對數似然比，獲得序列

步驟3 遍歷原始信息位置i，其中，i∈｛1，2，…，L｝＼｛π（1），π（2），…，π（t－1）｝，將步驟2中的序列與每一幀第一路原始序列同一遍歷位置的序列作相關運算，并存儲相關運算結cor（i）。

步驟5 利用式（31）以及式（32）計算每一幀第1路數據t位置的估計值

步驟6 利用式（33）以及式（34）計算每一幀第3路數據t位置的估計值

步驟7 將步驟5以及步驟6中的估計值分別與第1路以及第3路每一幀t位置的碼元相疊加，完成每一幀第1路與第3路碼元相應位置的校正更新，同時t＝t＋1，重復步驟2到步驟7，直到t＞L，輸出交織關系π，完成識別。

從算法的流程來看，整個過程分為估計與校正兩個部分，步驟2到步驟4是對交織關系估計，步驟5到步驟6是對第1路以及第3路信息序列進行估計，為序列校正準備條件；步驟7是利用估計的序列對原始序列進行校正。提出的算法能夠在估計交織位置時實現對第1路以及第3路序列的校正，能夠避免以往算法隨著交織長度的增加性能急劇惡化的缺點。

對于刪余Turbo碼而言，主要在于校驗方程不同，利用文獻［21］可以獲得刪余條件下RSC碼校驗多項式，此時利用校驗方程，可以對每一路信息的對數符合度進行估計，從而完成交織器識別，原理與不刪余一樣，不再贅述。

2.3 計算復雜度分析

從算法的步驟來看，設交織長度為L，截獲幀塊數目為N，編碼器寄存器個數為m。當對第t個交織位置進行識別時，算法首先對每一幀交織位置的碼元進行估計，需要進行N（2（m＋1）－1）次乘積運算、N次tanh－1（·）運算以及N次比較運算；然后需要遍歷（L－t＋1）個可能的交織位置，每遍歷一次就需要將不同數據幀上遍歷位置的數據序列與估計序列作相關運算，總共需要N（L－t＋1）次乘法運算、N（L－t＋1）加法運算以及L－t＋1次比較運算；在校正過程中，需要對第1路以及第3路序列進行估計，總共需要2 N（2（m＋1）－1）次乘法運算、2 N 次tanh－1（·）運算以及2 N次比較運算；在序列更新過程中，需要2 N次加法運算。設定一次比較運算與1次加法運算相當，一次tanh－1（·）運行等價于4次乘法運算，則整個算法總的乘法運算次數mul以及加法運算次數sum近似為

故算法的乘法復雜度為O（NL2），加法復雜度為O（（N＋1）L2）；如果將碼長以及幀同步考慮在內，由文獻［9］可知，碼長的計算復雜度為O（l／r2），其中l為截獲的數據量，r為構建的分析矩陣行數，運算 · 為向下取整；幀同步的計算復雜度為O（N），忽略低階項，本文算法整體計算復雜度約等于O（NL2）；而文獻［14］中Cluzeau算法每一步的計算復雜度為O（NL2m），總的計算復雜度為O（NL22m）；文獻［17］采用基于平均校驗方程符合度的交織器識別算法，總共需要L步，每一步計算復雜度為O（NLm），總的計算復雜度為O（NL2m），而文獻［19］算法是文獻［17］的改進，在文獻［17］的基礎上，增加了Gibbs樣本法進行糾錯，其計算復雜度為O（NL2m＋2 NL（m＋1）m2）。從計算復雜度來看，本文算法要小于Cluzeau算法，而與文獻［17］以及文獻［19］運算量相當。

3 仿真分析

3.1 算法有效性分析

仿真1 算法正確性驗證

選定Turbo碼交織長度為1 024，截獲的交織幀數為2 000，編碼多項式為（7，5）遞歸系統卷積碼，其生成多項式為（1，（1＋D2）／（1＋D＋D2）），設置信噪比為3dB，交織關系為隨機交織，在交織映射關系中，π（18）＝15，π（256）＝156，π（512）＝466，π（768）＝556，π（890）＝860，π（1 024）＝287。下面驗證算法對以上位置的交織關系進行驗證（取其他位置亦可）。首先利用第3路信息以及已識別的交織位置信息對π（18），π（256），π（512），π（768），π（890），π（1 024）上的第1路每一幀碼元進行預估，得到如圖2（a）所示的結果（為便于觀察，這里僅展示π（18）所在位置前200幀估計值，實際應有2 000幀）；其次遍歷交織位置，將估計的序列與遍歷位置不同幀上的序列作相關運算，得到如圖2（b）所示的結果；最后，利用第2路信息對第1路每一幀第18，256，512，768，890以及1 024位置上碼元進行估計以及利用第一路已經估計完畢交織位置上的信息對第3路每一幀上述位置的碼元進行估計，結果如圖2（c）以及圖2（d）所示（同樣為了便于觀測，這里只畫出了π（18）前200幀估計位置序列，實際有2 000個）。

首先從得到的結果來看，算法在位置15，156，287，466，556以及860各自取得最大的相關系數為67.69，70.11，70.32，69.59，71.02以及71.21，此時估計的交織關系為＾π（18）＝15，＾π（256）＝ 156，＾π（512）＝ 466，＾π（768）＝ 556，＾π（890）＝860，＾π（1 024）＝287。這與實際設定是一致的，說明算法有效；從估計的序列來看，圖2（a），圖2（c）以及圖2（d）原始信號與估計信息的符號是一致的，此時序列的相關性將是最好的。

圖2 估計的信息序列以及相關運算結果Fig.2 Estimated information sequence and results of correlation operation

仿真2 交織位置相關性與次最大相關性對比

在識別過程中，正確交織位置的序列相關值與次最大序列相關值的差異程度，因為只有當二者的差異程度越大時，識別出的結果可靠性才能越高。設定交織長度為1 000，交織方法為隨機交織，多項式參數設定與上面一致，截獲碼元數目為2 000，信噪比為0dB，記錄在交織關系識別中，每一個正確的交織位置上有校正與無校正情況下，相關系數值，以及該兩種情況下，次最大的相關系數，結果如圖3（a）所示；然后考察在不同信噪比環境下，有校正和無校正兩種情況下，正確交織位置的平均相關系數cor以及次最大平均相關系數差異程度，設定信噪比范圍為－6到6dB間隔0.5dB取值，記錄平均相關系數的結果如圖3（b）所示。

圖3 有校正與無校正情況下，交織位置相關系數與次最大相關系數對比Fig.3 Comparison of maximum and sub maximum correlation coefficients with correction and without correction

從圖3得到的結果來看，在0dB噪聲環境下，有校正條件下，交織位置的相關系數與次最大相關系數的差值要遠遠大于無校正的情況，這說明有校正的交織器識別算法低信噪比適應能力要遠遠好于無校正的情況；從圖3（b）來看，隨著信噪比的增加有校正與無校正兩種條件下，二者與各自次最大的差值逐漸接近，但是當信噪比下降時，特別是在1dB之后，有校正情況下的平均相關系數與次最大相關系數之差明顯大于無校正的情況，這進一步說明本文提出的算法具有極強的低信噪比適應性。

仿真3 多項式碼重對相關系數的影響

由式（19），式（32）以及式（34）可知，多項式中1的個數決定了反正切運算中，乘積因子的個數，這里將多項式系數1的個數定義為多項式碼重，由此多項式碼重值決定了ηvk，t，η′vk，t，η″vk，t的值，而這3個變量在估計各路信息序列時，至關重要，所以有必要研究多項式碼重對于相關系數的影響。驗證時，設定交織長度為1 000，截獲碼塊數目為2 000，選定分量編碼器為（21，23），（23，25），（23，35）以及（23，37），4種 RSC碼，對應于多項式碼重分別為5，6，7，8.記錄在不同碼重下，有校正與無校正條件下，正確交織位置的相關系數以及次最大相關系數值，結果如圖4所示。

從圖4結果來看，多項式系數對于相關系數具有一定的影響，從圖4（a）來看，在高信噪比條件下，多項式碼重對于有校正情況影響較小，在信噪比較低時，碼重的影響才比較明顯的表現出來，而對于無校正的情況，無論是高信噪比還是低信噪比條件下，影響都比較明顯；從圖4（b）來看，碼重的影響規律與圖4（a）基本一致，說明有校正的算法對于多項式碼重的魯棒性要強于無校正的算法。

圖4 多項式碼重對相關系數影響Fig.4 Influence of polynomial weights on correlation coefficients

3.2 算法容錯性驗證

本節進一步考察，提出的算法在有噪聲環境下的適應能力?？疾鞆?個方面進行，首先考察在不同交織長度下，算法的識別性能變換情況；其次考察當交織長度一定時，截獲幀塊數目對算法性能的影響；最后考察多項式系數碼重對于算法性能的影響。為了突出在有校正情況下算法的優勢，本節將在同一條件下，將2種情況放在一起進行對比。

仿真1 交織長度對算法性能的影響

設定交織長度L分別為64，128，256，512和1 024，交織類型為隨機交織方式，設定截獲數據幀數目為1 000，設定噪聲變化范圍為－4.5到0dB間隔0.125dB取值，分別采用有校正和無校正條件下對交織器進行識別，蒙特卡羅實驗次數為1 000次，只有當全部交織關系都完成了識別，才能算一次正確的識別，記錄在不同信噪比下有校正與無校正條件下交織器的正確識別概率，結果如圖5所示。

從圖5結果來看，隨著交織長度的增加，算法性能逐漸變差，同時交織長度越大，算法性能變差的速度越快，但是總體來看，算法在低信噪比下的適應能力較好，如在交織長度為1 024，信噪比為－2dB條件下，識別率能夠達到100%。同時與無校正情況對比來看，算法性能提高了近0.75dB。

仿真2 截獲幀數對算法性能影響

圖5 交織長度對算法性能的影響Fig.5 Influence of interleaver length on algorithm performance

仿真設定交織長度為512，交織方式為隨機交織，設定截獲的碼塊數目N分別為500，1 000，1 500，2 000，2 500，設定信噪比變化范圍為：－5.5到－0.5dB，間隔0.125dB取值，蒙特卡羅試驗次數為1 000次，同樣在有校正以及無校正兩種情況下，統計參數的識別概率，結果如圖6所示。

從圖6結果來看，當截獲幀塊數目增大時，算法的識別性能得到了有效的提升，主要原因在于截獲的數據幀塊越多，序列之間的相關性就越接近真實的情況，交織位置就越容易正確識別，但是當截獲的幀數增加時，算法的性能雖然能夠得到明顯的提升，但是算法的計算復雜度也會增加；同樣與無校正的情況對比，可知有校正的算法性能明顯好于無校正算法，性能提升接近1dB。仿真3 多項式碼重對于算法性能影響

圖6 截獲幀塊數目對算法的影響Fig.6 Influence of intercepted blocks on algorithm

由3.1中，仿真3可知，多項式碼重對于算法的性能具有較大的影響，在本節中，進一步研究多項式碼重對于算法容錯性能的影響。設定交織長度為256，交織方式為隨機交織，截獲數據幀數為1 000，選定分量編碼器多項式為：（21，23），（23，25），（23，35），（23，37）以及（37，33），5種 RSC碼，分別對應碼重w 為5，6，7，8，9。蒙特卡羅次數為1 000，同樣在有校正和無校正兩種情況下，記錄參數的識別概率，結果如圖7所示。

圖7 多項式碼重對算法性能的影響Fig.7 Influence of polynomial weights on algorithm

從圖7來看，碼重對于算法性能的影響比較明顯，碼重越小，算法的識別率越高；從識別率來看，相比較于無校正情況，存在校正的算法性能平均提高了近0.5dB，并且隨著碼重增加，提升越明顯；從對碼重的魯棒性來看，有校正算法分別在w＝5，w＝9兩種情況下識別率剛好降低到0時的信噪比為－4.375和－2.375dB，二者相差2dB，對于無校正算法，識別率剛好降低到0時的信噪比分別為－4.125和－1.5dB，二者相差2.625dB，說明有校正的算法的魯棒性要好于無校正的情況。

3.3 與其他算法比較

本節將現有的算法與本文算法進行對比。本節選取的算法是基于校驗符合度下的識別算法［17］以及文獻［19］基于Gibss改進的識別算法；對比時，設定交織長度為64和512兩種情況，截獲的幀塊數目為300，將本文算法（有校正與無校正兩種方式）與之相對比，結果如圖8所示。

圖8 不同算法性能對比Fig.8 Comparison of performances of different algorithms

從圖8的結果來看，本文提出的識別算法要明顯好于文獻［17，19］中的算法，有校正的算法性能相比較于Gibbs算法，性能提升了接近2dB，而對比于校驗符合度算法，其性能提高了接近3 dB。分析主要的原因在于，本文所提出的算法是將估計的序列與原始每幀遍歷位置上的序列作相關運算，這種相關運算更能從整體上反映兩個序列之間的相似程度，同時算法還可以利用估計的序列對原始序列進行校正，從而克服了以往算法性能隨著交織長度的增加而急劇惡化的缺點。

其次，進一步對比算法完成一次可靠識別，所需要的最小數據量。設定交織長度L分別為64，128和512，信噪比設定為0和1dB兩種情況，分別記錄完成一次可靠識別，4種算法所需要的最少數據幀數目，記錄結果如表1所示。

從表1中，4種算法完成一次可靠識別所需要的數據幀量來看，本文所提出的算法所需要的數據量最小，大約為文獻［17］算法所需數據量的1／10以及文獻［19］數據量的1／4。從2.3節中計算復雜度分析可知，在交織長度以及幀塊數目相同的條件下，本文算法與文獻［17，19］的算法計算復雜度相當，從完成一次可靠識別所需要的數據幀數來看，本文算法所需要的幀數要遠遠小于文獻［17，19］中算法，由此從完成一次可靠識別的計算復雜度出發，本文算法的實時性最好。

表1 4種算法完成一次可靠識別所需要幀數目對比Table 1 Comparison of the data required for a reliable identification among 4algorithms

綜合算法的容錯性能以及實時性能兩個方面，本文所提出的算法要好于現有的算法。

4 結 論

1）從Turbo碼編碼結構出發，提出了具有較強低信噪比適應能力的隨機交織器識別算法，該算法首先利用截獲的每路軟判決信息實現交織位置信息序列預估計，然后將預估計的序列與原始序列作相關運算，相關性最大的位置即為交織位置；仿真實驗證明了算法的能夠實現序列的正確估計，同時能夠實現低信噪比下交織關系的正確識別。

2）通過仿真，詳細分析了多項式碼重對最大相關系數以及次最大相關系數的影響，當多項式碼重增加時，序列的最大以及次最大互相關性都會減弱；同時在有校正情況下，最大與次最大相關性之間的差異明顯大于無校正情況，這說明了有校正的算法對于多項式碼重的魯棒性要強于無校正的算法。

3）考察了算法的容錯性能，研究了交織長度、截獲數據幀量、多項式碼重因素對算法性能的影響，從結果來看，交織長度越大，算法的識別率將會降低，但是通過增加截獲的數據幀量，可以改善交織長度較大所帶來的缺點，同時多項式碼重的增加會使得估計的序列與原始序列的相關性減弱，從而造成算法的性能變差，同樣可以增加數據幀數，解決這一問題。

4）在容錯性能以及所需要的數據量上，與現有的算法進行了對比，從結果來看，本文的性能提升了2～3dB，同時完成一次可靠識別所需的數據量減少了近原數據量的1／4。