低信噪比下卷積交織器識別

吳昭軍, 張立民, 鐘兆根

(1. 海軍航空大學信息融合研究所, 山東 煙臺 264001; 2. 西南電子電信研究所, 四川 成都 610041; 3. 海軍航空大學航空基礎學院, 山東 煙臺 264001)

0 引 言

通信系統中,為了對抗突發信道干擾,交織器被廣泛應用于信道編碼之中。20世紀70年代初,文獻[1]提出了一種能夠連續工作的卷積交織器,這種交織器相比于矩形交織器,除了具有確定的交織深度和交織寬度外,還具備收發兩端存儲器個數減半的優點,故被廣泛的應用于如ATSC、DVB-S等通信協議中。對于非合作通信而言,首先需要分析出碼字之間的交織映射關系,這是后續信道編碼逆向分析的前提[2-13]。

目前大多數算法局限于Turbo碼交織器的重建[14-16],而單獨針對編碼后交織關系識別的算法還比較少。文獻[17-18]首先將交織器重建問題作為研究對象,將截獲的碼元序列排列成分析矩陣,當分析矩陣的列數等于交織深度以及碼字長度的整數倍時,矩陣將出現秩虧現象,從而識別出相關參數,但是該方法僅僅能夠分析出交織周期,不能對交織寬度、交織深度以及交織起點進行識別,同時該方法不具有容錯性;文獻[19]為提高容錯性,利用消元后相關列與獨立列之中0,1個數分布不同,設定門限,判斷矩陣秩虧,完成交織周期識別,然后遍歷交織寬度、交織深度以及交織起點,實現其他3種參數的識別,該方法雖然具有一定的容錯性,但是在識別過程中必須采用三重循環進行高斯消元,其計算復雜度太高,不具有工程實用性;文獻[20-24]同樣采用了高斯消元的思路,但與文獻[19]的不同點在于,在每次高斯消元后,都記錄下矩陣中0元素的占有比例,將0元素比例作為矩陣秩虧的度量,該方法容錯性能進一步提升,但是計算復雜度高的缺點仍然未能解決。文獻[25]從數據幀結構中的同步碼作為突破口,利用分析矩陣的列數等于交織深度與數據幀長的整數倍時,交織后的同步碼位置對應于分析矩陣列上的一階累積量將出現峰值,從而實現交織周期識別,然后利用同步位置之間的數量關系,分析出交織深度與交織寬度。該方法雖然克服了傳統高斯消元法的缺點,但是在同步位置檢測過程中,設定的判決門限并不合理,這導致在高誤碼率情況下,會出現很高的虛警概率,同時在交織深度與交織寬度識別中,需要完全檢測出同步位置,這使得算法在高誤碼率情況下的魯棒性不好。在此基礎上,文獻[26]采用2的冪次倍遞減的方式遍歷可能的交織周期,使得遍歷次數大大減少,然后通過三重循環的方式對數據進行解交織,完成交織深度、交織寬度以及數據可恢復起點識別。該方法計算效率與識別性能有了明顯提升,但是在同步碼檢測過程中,存在對矩陣每一列的統計特性分析不全面,噪聲一旦惡化,虛警概率會增加。同時，三重循環解交織過程使得算法的計算效率不高。從以上分析來看,利用交織后同步碼的位置分布特性作為卷積交織器識別的突破口,仍然是目前最佳的選擇,但是為了實現算法性能與效率的提升,還需要進一步深入分析數據矩陣中每一列一階累積量的統計特性。

基于此,本文同樣基于幀同步碼交織以后,分析矩陣中的位置分布規律,但是不同于文獻[25-26]的地方在于,在同步碼位置檢測過程中,全面研究了在不同條件下,分析矩陣中每一列的累積量統計特性,提出了更為穩健的判決門限,為交織周期識別奠定了基礎;其次在交織周期識別中,充分利用了分析矩陣的結構特點,僅構造一次分析矩陣即可完成多次的交織周期遍歷,極大的減少了分析矩陣的構造次數,使得算法的效率得到有效提升;最后定義了峰值聚合度概念,只需要二重循環即可完成交織深度與交織寬度的識別,相比于文獻[26]的三重循環,計算效率進一步提升。從仿真結果來看,提出的方法識別性能要明顯好于文獻[25-26]中的算法,同時計算效率成倍的提升。

1 卷積交織器原理

卷積交織器是一種能夠連續工作的交織器,其交織和解交織的原理框圖如圖1所示。

圖1 卷積交織/解交織原理圖Fig.1 Principle of convolutional interleaving/deinterleaving

圖1中B為交織深度,J為交織寬度。在卷積交織器中,第0路寄存器無存儲單元,第i路寄存器都比i-1路寄存器多J個存儲單元。對于每一個到來的碼元符號,轉換開關轉接到下一路寄存器,從第0路一直到第B-1路,周期反復。存儲器中最早輸出的碼元經過調制后,經過信道到達接收端,在接收端解交織的過程與交織過程相反。在圖1中,所有的轉換開關必須嚴格同步。在原始序列中,相鄰兩碼元進入交織后,位置距離至少為B·J。設圖1中比特流為(x1,x2,…,xl),其中,l為待交織的數據量,則卷積交織的過程可以等價于將序列排入如下的半無限大矩陣中,然后按照列輸出交織后的序列,即

(1)

式中,矩陣A中第i行由元素vi=[xi,xi+B,xi+2B,…]構成,且相比于第i-1行,初始元素xi在矩陣中的位置右移J個單位。

解交織的過程是其逆過程,只需要將交織后的數據按列排入矩陣A中,然后矩陣中第i行向左平移(i-1)J個單位,然后按列輸出即可。

對于非合作通信而言,卷積交織器識別的主要內容包括:交織周期、卷積交織深度B以及卷積交織寬度J,由于在數據偵收過程中,不可避免會出現數據的丟失,此時還需要識別出數據可恢復的交織起點。本文重點研究的內容就是直接利用截獲到的軟判決序列,恢復出上述參數,為后續信道編碼參數的分析準備條件。

2 基于同步碼分布特性的參數識別

2.1 卷積交織周期識別

在實際通信系統中,為了實現幀數據同步,通常會在每一幀數據中添加同步碼,而這些同步碼同樣也會隨著業務數據進行交織,如ATSC,DVB-S以及DVB-T等協議[25]。在交織之前,同步碼序列位置在一起,交織之后,同步碼位置被打亂在業務數據之中,此時如果將交織后的數據序列按行方向排列成分析矩陣,當矩陣的列數是數據幀長以及交織深度B的整數倍時,分析矩陣中每一行同步碼位置分布是固定的,對應于交織后的數據,同步碼位置分布將出現周期性變化,設最小正周期為T0,則T0為數據幀長L以及交織深度B的最小公倍數,即

T0=lcm(B,L)

(2)

式中,符號lcm(·)表示取最小公倍數。

由上面分析,當分析矩陣的列數正好等于T0的整數倍時,由于矩陣中每一行上的同步碼分布一樣,此時求取矩陣每一列的一階累積量,那么在同步碼位置上將會出現峰值。設發送的數據序列為(syn,c1,syn,c2,…),其中,ci為碼字序列,syn為同步碼序列,即

syn=(a1,a2,…,as)

(3)

為了提高算法在低信噪比下的識別性能,本文直接利用信道的軟解調序列,并假設調制方式為BPSK,碼元c映射方式為:0映射為-1, 1映射為+1,信道噪聲為高斯白噪聲,則截獲的軟解調碼元x可表示為

x=2c-1+r

(4)

式中,r～N(0,σ2),σ2為白噪聲方差。

設構造的分析矩陣為H,列數為l′,即

H=[h1,h2,…,hl′]

(5)

式中,列向量hj(1≤j≤l′)為矩陣H的第j列,即

hj=[x1, j,x2, j,…,xM, j]T

(6)

定義H中第j列的一階累積量為

(7)

當l′為T0的整數倍時,H中每一行同步碼位置分布固定,此時分析矩陣中同步碼位置所在列上的一階累積量服從均值為2c-1,方差為σ2/M的高斯分布,而其他列上的一階累積量服從均值為0,方差為σ2/M+1;當l′不為T0的整數倍時,文獻[25-26]認為此時矩陣中每一列的一階累積量都近似服從均值為0,方差為σ2/M+1的概率分布,事實上這種近似是非常粗糙的,例如當l′=T0/2時,在構建的分析矩陣中,同步碼位置所在列的概率分布是由兩部分組成,即同步碼序列部分和隨機的業務數據部分,二者合在一起,服從均值為(2c-1)/2,方差為σ2/M+3/4的概率分布。當信道環境變得惡劣時,在文獻[25-26]設定的門限下,同步碼位置的檢測將會出現很高的虛警概率。由此可見,還需要全面考慮分析矩陣中每一列的統計特性,而不能簡單的用兩種概率分布來近似替代。

考慮構建的分析矩陣列數l′為一任意大于0正整數,將截獲的數據排入分析矩陣中,當同步碼位置分布再次重復第1行中的分布規律時,則已經排入矩陣的數據長度一定為T0的整數倍,由于矩陣的列數是l′,故同時也是l′的整數倍,不妨設此時排入矩陣的數據量為len。由此可知,len為l′與T0的最小公倍數,即

len=lcm(l′,T0)

(8)

此時,在分析矩陣中,同步碼位置具有相同分布規律的行將以len/l′為周期間隔出現,不妨記ξ=len/l′,則在分析矩陣中同步碼出現相同分布的概率一定為ξ。此時分析矩陣中第j列的一階累計量cum(j)服從以下的高斯分布:

(9)

從式(9)可知,當ξ→0時,即使存在同步碼,cum(j)的概率分布也會趨近于不存在同步碼的情況。圖2進一步給出了在σ2=3,M=100情況下,不同ξ條件下,累積量概率密度函數。

圖2 不同ξ下的概率密度函數Fig.2 Function of probability density at different ξ

(10)

(11)

a2Λ2+a1Λ+a0=0

(12)

其中,

(13)

(14)

(15)

求解該一元二次方程,得到在c=1條件下的最小錯誤判決門限,即

(16)

當c=0時,此時門限與Λ互為相反數,為了將門限統一于Λ上,只需要取矩陣中每一列的一階累積量的絕對值,然后與Λ進行比較,即可完成同步碼位置的快速檢測。由于業務數據長度要遠遠大于同步碼長度,考慮到在低信噪比與門限Λ下,不存在同步碼的列,檢測的結果出現虛警的概率更大,因此除了要考察同步碼的漏警概率外,還需要考慮到來自其他列的虛警概率,這在信噪比較低時,尤為重要。記Psa為當l′為T0的整數倍時,同步碼位置出現的漏警概率,而Psf為來源于不存在同步碼列(此時ξ=0)的虛警概率,由其概率分布,可以得到計算表達式為

(17)

(18)

當分析矩陣的列數l′為T0整數倍時,設存在同步碼的列數為SL,則同步碼位置未被檢測出來的個數S0服從二項分布,即

S0～B(SL,Psa)

(19)

而非同步碼位置所在列被誤判為同步碼位置的個數S1,同樣服從二項分布,即

S1～B(l′-SL,Psf)

(20)

將同步碼位置上的漏警以及隨機業務數據上的虛警充分考慮在內。按照統計學中3倍標準差準則,當遍歷的l′等于T0的整數倍時,檢測出的同步碼位置數目S應當滿足:

(21)

由此,可以得到交織周期識別的最優判決門限Λopt為

(22)

式中,SL一般不能準確獲得,故在門限計算中,SL值初始一般設置較小,故設定的實際門限Λs一般小于Λopt。由于實際工程中同步碼一般是成字節(8位比特)形式出現,所以在一開始可以設定SL為8,然后按照8的倍式增加。

文獻[26]僅僅考慮了同步碼所在列出現漏警的情況,卻未能考慮到由業務數據所構成列可能會出現虛警的情況,相比而言,本文算法的門限設定更為合理。

(23)

當交織周期門限確定后,需要對交織周期進行遍歷求解,該過程是整個卷積交織識別最耗時的過程。文獻[25]從初始設定的最小交織周期Tmin到最大交織周期Tmax依次進行遍歷,這種遍歷方式效率較低,文獻[26]首先計算在最大交織周期處的累積量,然后由此結果直接計算與最大交織周期構成2的冪次倍關系處的累積量,其計算效率提升了一倍以上,但是文獻[26]僅僅考慮了減少累積量的計算次數,但未能考慮到由于截獲的數據量往往非常大,構造分析矩陣同樣也會減弱算法的實時性,本文從減少構成分析矩陣的次數出發,提出一種快速的交織周期遍歷方法。設在遍歷的交織周期為l′,截獲的數據總量為L情況下,構造的分析矩陣為X,即

(24)

考慮當分析矩陣的列數等于k·l′的情況,此時分析矩陣的每一列可由X的行間隔k抽樣構成,由此可見,當構建的分析矩陣列數由l′擴展為k·l′,對應于一階累積量為cumk·l′,其每一列可由式(24)計算得到,即

(25)

基于上述分析,可以得到在低信噪比下卷積交織周期快速識別算法,流程如算法1所示。

算法 1 交織周期快速識別Require: Tmin, Tmax, 軟判決序列1. 構建遍歷周期集合Tset={Tmin, Tmin+1,…, Tmax},初始化標志位flag=02. while Tset≠? do3. 令軟判決序列長度為l,l'==Tset{1},N=l/l'構造數據矩陣XN×l'4. for k=1 toTset{end}/l' do5. 計算同步碼檢測門限Λ以及交織周期檢測門限Λs6. 由式(25)計算累積量cumk·l'7. 將cumk·l'取絕對值,并與Λ比較,確定出同步碼個數S8. if S>Λs do9. EsT=k·l', flag=110. break11. end if12. end for13. if flag==1 do14. break15. else16. Tset=Tset{l',2l',…,kl'}17. end if18. end whileEnsure: EsT

2.2 卷積交織器參數識別

當交織周期識別完成后,緊接著進行交織器參數識別。交織器參數識別包含的具體內容為交織寬度J、交織深度B以及可恢復數據的交織起點stp。文獻[25]主要利用了交織后,同步碼位置與交織周期之間的數量關系確定出J與B,這需要以交織周期完全正確,同時檢測出全部同步碼位置為前提,當信噪比較低或交織周期不正確時,無法解算J與B,同時也未給出可恢復數據的交織起點;文獻[26]將J,B以及stp進行遍歷,構建出三重循環對數據進行解交織,對應于同步碼位置聚集程度越高的參數即為識別的參數。由于這種方法涉及到了三重循環遍歷,不可避免存在著計算效率低下的缺點;其次,當同步碼位置的分布很接近時,文獻中給出的衡量同步碼位置聚集程度的方法,難以對其進行區分。基于此,本文重新定義了聚合度這一概念,能夠更好的表征同步碼位置的聚集程度,僅僅需要二重循環即可完成J與B的識別。

由于在交織前,同步碼位置是連續在一起的,當未被交織器打亂時,在每一幀數據中,同步碼位置前后兩項之差一定為1,基于此,通過遍歷J與B對序列進行解交織,當B與J正確時,即使此時可恢復數據的交織起點還未被確定,通過解交織過程仍然能夠將某些被打亂的同步碼變換到一起。設解交織后,檢測出的同步碼位置為synpos=[w1,w2,…,wm],將synpos中元素作后向差值運算,得到

Dsynpos=[w2-w1,w3-w2,…,wm-wm-1]

(26)

設Dsynpos中元素等于1的個數為Nums,則解交織后,能夠反映同步碼位置聚集程度的聚合度ε定義為

ε=Nums/(m-1)

(27)

通過遍歷B以及J,使得ε值最大的參數即為識別出的卷積交織器參數,即

(28)

在交織深度以及交織寬度完成識別后,僅僅需要一重循環遍歷,即可完成可恢復數據的交織起點識別,此時只需要從1到EsB進行遍歷,將其作為數據的起點,利用估計出的EsB以及EsJ對數據解交織,使得ε最大的起點,即為可恢復數據的交織起點,即

(29)

由上述分析過程可知,僅僅利用二重循環遍歷即可得到B與J的估計算法,詳細流程如算法2所示。

算法 2 交織深度B與交織寬度J快速識別Require: Bmin, Bmax, Jmin, Jmax, EsT1. 賦初值:EsB=0, EsJ=0, εmax=02. for B=Bminto Bmax do3. if mod(EsT, B)==0 do4. for J=Jminto Jmax do5. 利用參數(B, J)將數據解交織6. 利用解交織的數據構建列數為EsT的分析矩陣7. 檢測矩陣中同步碼位置并求取ε8. if ε≥εmax do9. εmax=ε, EsB=B, EsJ=J10. end if11. end for12. end if13. end forEnsure: EsB, EsJ

當得到卷積交織器的交織深度以及交織寬度后,最后僅僅需要一次遍歷循環即可完成可恢復數據的交織起點識別,具體過程如算法3所示。

算法 3 可恢復數據的交織起點識別Require: EsB, EsJ, EsT1. 賦初值:std=0, εmax=02. for i=1 to EsB do3. 剔除序列前i-1個數據,然后利用參數(EsB,EsJ)解交織4. 利用解交織的數據構建列數為EsT的分析矩陣5. 檢測矩陣中同步碼位置并求取ε6. if ε≥εmax do7. εmax=ε, std=i8. end if9. end forEnsure:std

從算法2與算法3來看,本文僅僅利用二重循環遍歷以及單獨一次的一重循環遍歷即可完成交織深度B,交織寬度J以及可恢復數據的交織起點std識別,相比較于文獻[26]的三重循環遍歷,算法的計算效率進一步提升。

2.3 計算復雜度分析

3 仿真分析

3.1 算法有效性驗證

本節首先驗證算法能夠實現參數的正確識別。仿真設定信道編碼為(63,43)BCH碼,數據幀中業務數據由10個碼字的BCH碼構成,每幀數據同步碼位數設定為32,同步碼序列為1ACFFC1D(16進制表示形式),截獲的幀數目為10 000,卷積交織器交織深度B=7,交織寬度J=9,由于數據幀長度為662,故卷積交織最小正周期T0=lcm(662,7)=4 634;在發送過程中,將數據前46 bit丟棄,同時設定信噪比為-6 dB,仿真中信噪比定義為SNR=10lg(1/(2σ2)),后續不再重復說明。遍歷的交織周期范圍為Tmin=1 000,Tmax=10 000。按照算法流程,首先假定交織周期中同步碼數目SL=16(實際為224個),當遍歷到l′=9 268時,檢測出同步碼位置大于設定的門限,如圖3(a)與表1所示,此時得到交織周期為9 268;然后進一步識別最小正周期,由于9 268能夠整除2,4,7,故依次構造以4 634, 2 317以及1 324為列數的矩陣,得到每一種情況下的檢測門限以及同步碼數目如表1所示。

圖3 卷積交織器識別過程Fig.3 Recognition of convolutional interleaver

表1 最小正周期識別結果

從表1可以清楚的看出,當矩陣列數等于4 634時,檢測出的同步碼數目為217,遠遠大于13.694 2,此時識別出最小正周期為4 634,此時的矩陣中每一列的一階累積量如圖3(b)所示,這與仿真設定一致,說明算法1對于交織周期識別有效。

識別出交織周期后,按照算法2識別B與J。算法中設定Bmin=2,Bmax=16,Jmin=1,Jmax=16,通過二重循環遍歷B與J,計算聚合度ε,結果如圖3(c)所示,發現在B=7,J=9時,聚合度具有最大值0.7,此時識別出交織深度為7,交織寬度為9,這與仿真設定一致,說明算法2有效;最后遍歷從1到7遍歷可恢復數據的起點,當起點等于5時,聚合度具有最大值0.973,其解交織結果如圖4所示。從圖4結果來看,在識別出的參數下,同步碼被全部變換到了一起,這證明在起點為5情況下,能夠恢復出交織前的數據,說明算法3有效。

圖4 解交織結果Fig.4 Result of deinterleaving

3.2 算法綜合性能測試

本節主要從容錯性能以及實時性兩個方面考察算法的綜合性能。仿真實驗設定為4組,第1組實驗主要考察估計的同步碼數目對算法性能的影響,仿真中將文獻[25]、文獻[26]與本文算法進行對比;第2組實驗主要用于驗證當交織周期與交織深度不是互素關系時,文獻[25]算法無法完成B與J的識別,同時也考察本文算法與文獻[26]容錯性能;第3組仿真實驗主要驗證數據幀中同步碼數目對本文算法與文獻[26]算法性能的影響;最后一組實驗對比了本文方法、文獻[25]與文獻[26]算法的實時性。

第1組仿真實驗中參數設定與第4.1節中一致,信噪比范圍從-11.5 dB到-2 dB,間隔0.125 dB。在同一條件下,將本文方法、文獻[25]以及文獻[26]算法在同一條件下進行對比,由于本文算法與文獻[26]的方法都需要對交織周期內同步碼數目進行估計,故設定估計同步碼數目SL設定為8 bit, 16 bit, 32 bit, 64 bit以及224 bit(交織周期內實際數目為224 bit),然后統計在不同SL下,本文算法與文獻[26]方法正確識別率。3種算法的結果如圖5所示。

圖5 3種算法的識別性能Fig.5 Performance of three algorithms

從圖5結果來看,估計的同步碼數目越接近于實際同步碼數目,本文算法與文獻[26]的方法識別性能就越好。雖然本文方法需要首先設定每一幀的同步碼數目,但是即使是在設定的最小同步碼數目為8的情況下,本文方法的性能相比較于文獻[25]的方法提升2.5 dB,并且在同一SL下,本文方法相比較于文獻[26],其性能提升近1 dB,這說明本文設定的同步碼檢測門限以及交織周期判決門限更為合理。

第2組實驗中,信道編碼為(63,43)BCH碼,設定每一幀數據長度為1 260,其中前32位為同步碼,后面1 228位由BCH碼構成(19個BCH碼加第20個碼字前31 bit),卷積交織器,幀塊數據以及數據丟失起點設定與第4.1節一致。此時最小交織正周期為T0=lcm(1 260,7)=1 260,圖6給出了本文算法與文獻[26]方法在不同估計的SL下,交織周期、B以及J識別率。本例中,文獻[25]僅能夠識別出卷積周期,無法正確識別出B與J,主要原因在于文獻[25]認為最小周期等于交織深度B與數據幀長的乘積(該結論僅僅在B與幀長互素成立),而本例最小周期正好等于幀長,這導致文獻[25]無法正確解算參數。

圖6 3種不同方法對比Fig.6 Comparison of three different methods

第3組仿真實驗主要考察交織周期中同步碼數目對于算法性能的影響,實驗中設定數據幀長度為1 260,每幀數據幀頭同步碼數目分別為8 bit, 16 bit, 24 bit, 32 bit以及40 bit,設定截獲的幀數目為10 000,在不同信噪比下,對比本文算法與文獻[26]的方法識別性能,其中兩種算法設定的每幀同步碼數目與實際情況一致,得到結果如圖7所示。

圖7 同步碼數目對算法影響Fig.7 Effect of synchronization codes on Algorithm

從圖7結果來看,當幀頭的同步碼數目增加時,本文算法與文獻[26]的方法性能都有較為明顯提升,主要原因在于同步碼數目一旦增多,算法檢測出同步碼的可能性就大,在同步周期檢測過程出現誤判的概率就越小;同時也注意到,在同一條件下,本文方法相比于文獻[26],性能有將近2 dB的提升,這進一步證明本文改進的判決門限更為合理。

第4組仿真實驗主要用于對比3種算法的實時性能,實驗設定了4組不同幀長的數據,每幀數據的同步碼數目為32,業務數據為(63,43)BCH碼,碼字數目分別為3, 5, 10和20,設定截獲的數據幀塊數目為10 000。對應于幀長、最小正周期以及每種方法完成一次識別所需要的時間,如表2所示。

表2 算法實時性對比

從表2的結果來看,首先本文方法與文獻[26]方法的實時性要明顯好于文獻[25]算法,并且隨著最小交織正周期的增大,算法的耗時差距將會更加明顯;其次,本文方法實時性要好于文獻[26]的方法,特別是在短周期以及長周期情況下,優勢將會更為明顯。主要原因在于本文算法充分利用了分析矩陣的特點,僅構造一次分析矩陣就能夠完成多次周期參數遍歷,使得矩陣的構成次數大大降低;最后,在新定義的同步碼聚合度概念下,僅僅需要二重循環遍歷方法即可完成B與J的識別,相比較于文獻[26]方法,時效性進一步提高。

從以上4組仿真結果來看,與同類算法相比,本文提出的方法在參數識別性能以及計算效率兩個方面都具有明顯的優勢。

4 結 論

本文利用數據幀中同步碼序列經過卷積交織后的位置分布規律,提出一種識別性能更好、實時性更高的算法。算法首先深入分析了在數據矩陣中,同步碼位置所在列的一階累積量統計特性,基于最小錯誤判決準則有效實現同步碼的檢測;其次充分考慮了分析矩陣中同步碼位置列以及其他隨機位置列引起的漏警與虛警概率,基于3倍標準差準則,設定了更為合理的卷積周期判決門限;再次,在交織周期識別過程中,利用了分析矩陣中每一行數據的分布特點,提出了一種僅僅構造一次分析矩陣就能實現多個交織周期遍歷的方法,使得分析矩陣的構造次數大大減少,使得算法的實時性得到提升;最后在交織深度、交織寬度以及可恢復數據起點的識別中定義了聚合度概念,僅僅需要二重的遍歷循環和單獨一重的交織起點遍歷即可實現參數的識別。仿真結果表明提出的算法能夠在低信噪比下有效完成參數的識別,與以往算法相比,本文算法在識別性能以及實時性兩個方面都具有明顯的優勢,在惡劣信道環境下,具有更好的工程實用性。