[发明专利]一种GNSS系统中改进的多进制LDPC译码方法、装置和介质

权利要求书

1.一种GNSS系统中改进的多进制LDPC译码方法，其特征在于，包括以下步骤：

步骤1：获取码元序列对应的校验矩阵和接收符号序列，对所述接收符号序列进行初始硬判决，得到初始硬判决值序列；根据所述校验矩阵和所述初始硬判决值序列判断是否初始化译码成功，若是，执行步骤2；若否，自定义迭代译码参数后依次执行步骤3至步骤5；

步骤2：将所述初始硬判决值序列作为译码结果输出并终止译码；

步骤3：根据所述接收符号序列计算得到原始置信度向量序列，并对所述原始置信度向量序列进行优化，得到优化置信度向量序列；

步骤4：获取当前迭代次数，基于EMS译码方法，分别对所述校验矩阵中的每个变量节点进行更新，得到每个变量节点对应的更新变量节点；采用第一优化求和计算方法，根据所述迭代译码参数、所述校验矩阵和所述优化置信度向量序列，分别计算得到在当前迭代次数下每个更新变量节点传递给相连的校验节点的第一目标置信度向量序列，并分别将每个第一目标置信度向量序列中的每个第一目标置信度向量传递到对应相连的每个校验节点中；

步骤5：采用所述第一优化求和计算方法，根据所述校验矩阵和所述优化置信度向量序列，计算得到所有更新变量节点在当前迭代次数下的迭代硬判决值序列；并根据所述校验矩阵和当前迭代次数下的迭代硬判决值序列，判断在当前迭代次数下的译码是否成功，若是，将当前迭代次数下的迭代硬判决值序列作为译码结果输出并终止译码；若否，则依次执行步骤6至步骤7：

步骤6：基于所述EMS译码方法，根据所述校验矩阵中每个校验节点在当前迭代次数下接收到的所有第一目标置信度向量，分别对所述校验矩阵中的每个校验节点进行更新，得到每个校验节点对应的更新校验节点；并采用第二优化求和计算方法，根据所述校验矩阵以及每个更新校验节点在当前迭代次数下接收到的所有第一目标置信度向量，分别计算得到在当前迭代次数下每个更新校验节点传递给相连的更新变量节点的第二目标置信度向量序列；

步骤7：令当前迭代次数加1，并判断加1后的当前迭代次数是否达到所述迭代译码参数中的最大迭代次数，若是，判定译码失败并终止译码；若否，返回所述步骤4，直至译码成功或当前迭代次数达到所述最大迭代次数；

其中，所述校验矩阵中的每一行对应一个校验节点，所述校验矩阵中的每一列对应一个变量节点；

所述步骤3具体包括以下步骤：

步骤32：按照对数似然比的值，分别对每个原始置信度向量中的元素进行升序排列，并分别对每个升序排列后的原始置信度向量依次进行计算优化和存储优化，得到每个接收符号向量一一对应的优化置信度向量；

计算第j个接收符号向量对应的优化置信度向量的第二公式为：

其中，L′_j为第j个接收符号向量y_j对应的优化置信度向量，L′_j,0,L′_j,1,...,L′_j,b,...,L′_j,q-1均为接收符号向量y_j对应的优化置信度向量中的优化置信度，n_l代表GNSS系统分别对每个优化置信度向量的存储长度，为伽罗华域中的第n_l-1个有限域元素向量，为有限域元素向量中的第m个元素，LLR′(x_b)为有限域元素向量x_b对应的优化对数似然比，L_j,offset为第一LLR扩展值，为有限域元素向量对应的优化对数似然比，offset_value为第一预设LLR偏移值；

步骤33：根据所有接收符号向量的优化置信度向量，得到优化置信度向量序列

在所述步骤4中，采用第一优化求和计算方法，根据所述迭代译码参数、所述校验矩阵和所述优化置信度向量序列，分别计算得到在当前迭代次数下每个更新变量节点传递给相连的校验节点的第一目标置信度向量序列，具体包括以下步骤：

步骤41：对于任一更新变量节点VN_j，获取当前迭代次数itr以及在当前迭代次数itr下与更新变量节点VN_j相连的所有检验节点传递的传播置信度向量；并根据所述校验矩阵和更新变量节点VN_j接收到的所有传播置信度向量，计算得到更新变量节点VN_j对应的第一求和结果向量；

计算更新变量节点VN_j对应的第一求和结果向量的第三公式为：

其中，Tmp_j,i为更新变量节点VN_j对应的第一求和结果向量，f为更新变量节点VN_j对应的行序号集合中的一个行序号，代表校验节点CN_f与更新变量节点VN_j相连；C2V_f,j为校验节点CN_f传递给更新变量节点VN_j的传播置信度向量，h_f,j为所述校验矩阵中第f行第j列的元素，为h_f,j的逆元；

步骤42：将更新变量节点VN_j对应的第一求和结果向量与第j个接收符号向量对应的优化置信度向量进行求和，得到更新变量节点VN_j对应的第二求和结果向量；并判断更新变量节点VN_j对应的第一求和结果向量与第j个接收符号向量对应的优化置信度向量中的有限域元素是否完全一一对应相同，若是，则执行步骤43；若否，则依次执行步骤44至步骤46；

步骤43：根据更新变量节点VN_j对应的第二求和结果向量，计算得到在当前迭代次数下更新变量节点VN_j传递给每个相连的校验节点的第一目标置信度向量，并根据所有第一目标置信度向量得到在当前迭代次数下更新变量节点VN_j传递给相连的校验节点的第一目标置信度向量序列；

计算在当前迭代次数下更新变量节点VN_j传递给相连的校验节点CN_i的第一目标置信度向量的第四公式为：

其中，V2C_j,i为在当前迭代次数下更新变量节点VN_j传递给相连的校验节点CN_i的第一目标置信度向量，SUM_j为更新变量节点VN_j对应的第二求和结果向量；代表将SUM_j中的元素按照LLR值的大小进行升序排列后，并在排列后的前端取n_m个互不相同的元素的操作运算；n_m为预设截取长度，且满足n_m≤n_l；h_i,j为所述校验矩阵中第i行第j列的元素；

步骤44：当更新变量节点VN_j对应的第一求和结果向量中的第k₁个有限域元素不存在于第j个接收符号向量对应的优化置信度向量中，则根据所述第一LLR扩展值，对更新变量节点VN_j对应的第二求和结果向量中与第k₁个有限域元素所对应的LLR值进行扩展；和/或，当第j个接收符号向量对应的优化置信度向量中的第k₂个有限域元素不存在于更新变量节点VN_j对应的第一求和结果向量中，则根据更新变量节点VN_j对应的第一求和结果向量中与第n_m个有限域元素所对应的LLR值以及第二预设LLR偏移值，对更新变量节点VN_j对应的第二求和结果向量中与第k₂个有限域元素所对应的LLR值进行扩展；

步骤45：分别遍历更新变量节点VN_j对应的第一求和结果向量和第j个接收符号向量对应的优化置信度向量中的每个有限域元素，按照所述步骤44的方法进行扩展，直至更新变量节点VN_j对应的第一求和结果向量与第j个接收符号向量对应的优化置信度向量中的有限域元素均一一对应相同，得到更新变量节点VN_j对应的第二求和结果向量所对应的第一目标扩展求和向量；

步骤46：根据更新变量节点VN_j对应的第一目标扩展求和向量，计算得到在当前迭代次数下更新变量节点VN_j传递给每个相连的校验节点的第一目标置信度向量，并根据所有第一目标置信度向量得到在当前迭代次数下更新变量节点VN_j传递给相连的校验节点的第一目标置信度向量序列；

计算在当前迭代次数下更新变量节点VN_j传递给相连的校验节点CN_i的第一目标置信度向量的第五公式为：

其中，为更新变量节点VN_j对应的第二求和结果向量所对应的第一目标扩展求和向量，代表将中的元素按照LLR值的大小进行升序排列后，并在排列后的前端取n_m个互不相同的元素的操作运算；

所述步骤5具体包括以下步骤：

步骤51：对于任一更新变量节点VN_j，按照所述步骤41同样的方法，计算得到更新变量节点VN_j对应的第三求和结果向量；

计算更新变量节点VN_j对应的第三求和结果向量的第六公式为：

其中，Tmp′_j,i为更新变量节点VN_j对应的第三求和结果向量；

步骤52：按照所述步骤42同样的方法，得到更新变量节点VN_j对应的第四求和结果向量；并判断更新变量节点VN_j对应的第三求和结果向量与第j个接收符号向量对应的优化置信度向量中的有限域元素是否一一对应相同，若是，则执行步骤53后再依次执行步骤56至步骤58；若否，则依次执行步骤54至步骤55后再依次执行步骤56至步骤58；

步骤53：根据更新变量节点VN_j对应的第四求和结果向量，计算得到更新变量节点VN_j在当前迭代次数下的迭代硬判决值；

计算更新变量节点VN_j在当前迭代次数下的迭代硬判决值的第七公式为：

其中，为更新变量节点VN_j在当前迭代次数下的迭代硬判决值，sum′_j

为更新变量节点VN_j对应的第四求和结果向量，argmin(·)为取最小值的自变量函数；

步骤54：分别遍历更新变量节点VN_j对应的第三求和结果向量和第j个接收符号向量对应的优化置信度向量中的每个有限域元素，按照所述步骤44同样的方法进行扩展，直至更新变量节点VN_j对应的第三求和结果向量与第j个接收符号向量对应的优化置信度向量中的有限域元素均一一对应相同，得到更新变量节点VN_j对应的第四求和结果向量所对应的第二目标扩展求和向量；

步骤55：根据更新变量节点VN_j对应的第二目标扩展求和向量，计算得到更新变量节点VN_j在当前迭代次数下的迭代硬判决值；

计算更新变量节点VN_j在当前迭代次数下的迭代硬判决值的第八公式为：

其中，为更新变量节点VN_j在当前迭代次数下的迭代硬判决值，为更新变量节点VN_j对应的第二目标扩展求和向量；

步骤56：遍历所述校验矩阵中每个更新变量节点，计算得到每个更新变量节点在当前迭代次数下的迭代硬判决值；并根据所有迭代硬判决值得到当前迭代次数下的迭代硬判决值序列；

在所述步骤6中，采用第二优化求和计算方法，根据所述校验矩阵以及每个更新校验节点接收到的在当前迭代次数下的第一目标置信度向量序列，分别计算得到在当前迭代次数下每个更新校验节点传递给相连的更新变量节点的第二目标置信度向量序列，具体包括以下步骤：

步骤61：对于任一更新校验节点CN_i，根据所述校验矩阵和更新校验节点CN_i接收到的所有第一目标置信度向量，计算得到在当前迭代次数下更新校验节点CN_i对应的第五求和结果向量；

计算在当前迭代次数下更新校验节点CN_i对应的第五求和结果向量的第九公式为：

其中，Total_i,j为更新校验节点CN_i对应的第五求和结果向量，r为更新校验节点CN_i对应的列序号集合中的一个列序号，代表更新变量节点VN_r与更新校验节点CN_i相连；V2C_r,i为更新变量节点VN_r传递给更新校验节点

CN_i的第一目标置信度向量；代表将∑V2C_r,i中的元素按照LLR值的大小进行升序排列后，并在排列后的前端取n_m个互不相同的元素的操作运算；

步骤62：按照所述预设截取长度，根据在当前迭代次数下更新校验节点CN_i对应的第五求和结果向量构建大小均为n_m×n_m置信度矩阵和有限域元素矩阵，按照预设搜索长度构建长度为n_b的排序器S；

所述置信度矩阵和所述有限域元素矩阵的表达式分别如下：

其中，M为所述置信度矩阵，M_S为所述置信度矩阵对应的所述有限域元素矩阵，M[d,ρ]为所述置信度矩阵中的一个LLR向量，M_S[d,ρ]为所述有限域元素矩阵中与置信度M[d,ρ]对应的有限域元素向量，(U_S,U)和(Q_S,Q)均为输入置信度向量；(V_S,V)为在当前迭代次数下更新校验节点CN_i对应的第五求和结果向量中，由输入置信度向量(U_S,U)与(Q_S,Q)求和后的输出置信度向量；U和U_S分别为输入置信度向量(U_S,U)中的LLR向量和对应的有限域元素向量，Q和Q_S分别为输入置信度向量(Q_S,Q)中的LLR向量和对应的有限域元素向量，V和V_S分别为输出置信度向量(V_S,V)中的LLR向量和对应的有限域元素向量，U、Q和V均为升序排列且长度为n_m；U[d]和U_S[d]分别为LLR向量U和有限域元素向量U_S中的第d个元素，Q[ρ]和Q_S[ρ]分别为LLR向量Q和有限域元素向量Q_S中的第ρ个元素，ε为当前元素序号，V[ε]为LLR向量V中的第ε个元素，V_S[ε]为有限域元素向量V_S中的第ε个元素，代表有限域加法运算；

步骤63：将所述置信度矩阵第1列的前n_b/2中元素以及第n_b/2+1行的前n_b/2个元素均存入所述排序器S，使得所述排序器S满足目标关系式；所述目标关系式为：

其中，S[ζ]为所述排序器S中的第ζ个元素；

步骤64：令当前元素序号ε为0，获取所述排序器S中的最小LLR向量，并判断最小LLR向量对应的最小有限域元素向量是否存在于输出置信度向量(V_S,V)对应的有限域元素向量中，若否，则将输出置信度向量中对应的LLR向量替换为最小LLR向量，并将输出置信度向量中对应的有限域元素向量替换为最小LLR向量对应的最小有限域元素向量后，令当前元素序号ε加1，执行步骤65；若是，不执行任何操作，直接执行所述步骤65；

步骤65：确定最小LLR向量在所述排序器S中的目标位置，根据目标位置和所述置信度矩阵中LLR向量对所述排序器中的最小LLR向量进行更新，得到更新最小LLR向量，并返回所述步骤64，直至当前元素序号ε达到所述预设截取长度；

步骤66：按照所述步骤62至所述步骤65的方法，得到更新校验节点CN_i对应的第五求和结果向量所对应的优化求和结果向量；并将更新校验节点CN_i对应的优化求和结果向量作为当前迭代次数下更新校验节点CN_i传递给相连的每个更新变量节点的第二目标置信度向量；

在当前迭代次数下更新校验节点CN_i传递给相连的每个更新变量节点的第二目标置信度向量的第十公式为：

其中，C2V_i,j为当前迭代次数下更新校验节点CN_i传递给相连的每个更新变量节点的第二目标置信度向量，为更新校验节点CN_i对应的第五求和结果向量所对应的优化求和结果向量；

步骤67：根据更新校验节点CN_i传递给相连的所有更新变量节点的第二目标置信度向量，得到当前迭代次数下更新校验节点CN_i传递给相连的更新变量节点的第二目标置信度向量序列；

步骤68：遍历所述校验矩阵中每个更新校验节点，按照所述步骤61至所述步骤67的方法，得到在当前迭代次数下每个更新校验节点传递给相连的更新变量节点的第二目标置信度向量序列。