循环码生成矩阵与监督 (校验) 矩阵

简介: 循环码生成矩阵与监督 (校验) 矩阵

本专栏包含信息论与编码的核心知识,按知识点组织,可作为教学或学习的参考。markdown版本已归档至【Github仓库:https://github.com/timerring/information-theory 】或者公众号【AIShareLab】回复 信息论 获取。

循环码生成多项式与生成矩阵

定义:记 $\mathrm{C}(x)$ 为 (n, k) 循环码的所有码字对应的多项式的集合, 若 g(x) 是 $\mathrm{C}(x)$ 中除 0 多项式以外次数最低的多项式, 则称 g(x) 为这个循环码的生成多项式

定理1: $(\boldsymbol{n}, \boldsymbol{k})$ 循环码中, 必定存在一个次数最小的唯一的码多项式g(x) , 称为生成多项式,

$$ g(x)=x^{r}+g_{r-1} x^{r-1}+\cdots+g_{1} x+1 $$

其中: $r=n-k$ .

该码集中任意码字的码多项式必为g(x)的倍式。

非系统循环码的编码:

$$ c(x)=u(x) g(x) $$

设某 (7,4) 循环码的生成多项式为$g(x)=x^{3}+x+1$,问信息串 0110 的循环码是什么?

解:

$$ > c(x)=u(x) g(x)=(x^{2}+x)(x^{3}+x+1)=x^{5}+x^{4}+x^{3}+x > $$

故码字为: 0111010

定理2: 当且仅当 g(x) 是 $x^{n+1}$ 的 $r=n-k$ 次因式时, g(x)是(n, k)循环码的生成多项式。

定理3: (n, k) 循环码的校验多项式为

$$ \begin{array}{l} h(x)=\frac{x^{n}+1}{g(x)} \\ =h_{k} x^{k}+h_{k-1} x^{k-1}+\cdots+h_{1} x+h_{0} \end{array} $$

写出下面(7,3)循环码的生成多项式

$$ g(x)=x^{4}+x^{3}+x^{2}+1 arrow 0011101 $$

(1) 生成多项式、生成矩阵

循环码生成多项式的特点:

  • g(x) 的 0 次项是 1 ;
  • g(x) 唯一确定, 即它是码多项式中除 0 多项式以外次数最低的多项式;
  • 循环码每一码多项式都是 g(x) 的倍式, 且每一个小于等于 (n-1) 次的 g(x) 倍式一定是码多项式;
  • g(x) 的次数为 (n-k) ;
  • g(x) 是 $x^{n}+1$ 的一个因子。

为了保证构成的生成矩阵 G 的各行线性不相关, 通常用生成多项式 g(x) 来构造生成矩阵; 若码多项式为降幂排列,

$$ \begin{array}{l} g(x)=g_{n-k} x^{n-k}+g_{n-k-1} x^{n-k-1}+\cdots+g_{1} x+g_{0}, r=n-k \\ C(x)=\mathbf{u G}(x)=(u_{k-1} u_{k-2} \cdots u_{0}) \mathbf{G}(x) \\ =u_{k-1} x^{k-1} g(x)+u_{k-2} x^{k-2} g(x)+\cdots+u_{0} g(x) \\ G(x)=[\begin{array}{c} x^{k-1} g(x) \\ x^{k-2} g(x) \\ \vdots \\ g(x) \end{array}] rightarrow G=[\begin{array}{ccccccccc} g_{r} & g_{r-1} & \cdots & g_{1} & g_{0} & 0 & 0 & \cdots & 0 \\ 0 & g_{r} & g_{r-1} & \cdots & g_{1} & g_{0} & 0 & \cdots & 0 \\ & \vdots & & & & & \vdots & & \\ 0 & \cdots & 0 & 0 & g_{r} & g_{r-1} & \cdots & g_{1} & g_{0} \end{array}] \\ \end{array} $$

显然, 上式不符合 $\mathbf{G}=(\mathbf{I}_{k}: \mathbf{Q})$ 形式, 所以此生成矩阵不是典型形式。

系统码生成矩阵的构造

系统码-信息位在码字高位, 因此编码时需要先将信息位置于码字高位, 即 u(x) \bullet x^{n-k} 。 码字低位为校验位,如何获得?

$$ \begin{array}{c} c(x)_{\bmod g(x)}=0 \\ c(x)=u(x) \cdot x^{n-k}+r(x) \\ \mathbf{0}=\{[u(x) x^{n-k}]_{\bmod g(x)}+r(x)\} \end{array} \quad \stackrel{r(x)}{=}[u(x) x^{n-k}] \bmod g(x) $$

(2) 系统循环码

系统循环码的编码:

a. 选择一信息码多项式 $\mu(x)$ , 使 $\quad r(x)=x^{n-k} \mu(x) \bmod g(x)$

b. 产生系统循环码式$\mathrm{c}(x)=x^{n-k} \mu(x)+r(x)$

有一 (15, 11) 汉明循环码, 其生成多项式 $g(x)=x^{4}+x+1$ , 若输入信息分组为 (10010010010), 求出 (15,11) 系统循环码字。

解: $u(x)=x^{10}+x^{7}+x^{4}+x$

$$ > \begin{array}{l} > x^{n-k} u(x)=x^{4} u(x)=x^{14}+x^{11}+x^{8}+x^{5} \\ > r(x)=[x^{4} u(x)] \bmod g(x)=x^{2} \\ > \therefore c(x)=x^{14}+x^{11}+x^{8}+x^{5}+x^{2} \\ > c=10010010010(0100)监督位 > \end{array} > $$

非系统码: $c(x)=u(x) g(x)=x^{14}+x^{10}+x^{7}+x^{4}+x^{2}+x$ c=1000100100101100

已知某循环码生成多项式为$g(x)=x^{8}+x^{6}+x^{4}+x^{2}+1$,那么采用此多项式生成循环码时,校验位有 [8] 位。

已知某循环码生成多项式为$g(x)=x^{8}+x^{6}+x^{4}+x^{2}+1$,证明该多项式是$x^{10}+1$的一个因式。 直接长除即可,这里不多赘述。

请写出生成多项式为$g(x)=x^{8}+x^{6}+x^{4}+x^{2}+1$的系统型循环码 (10 ,2) 的码表。并说明该码至少能纠几位错。

$d_{\min }$=5, 能纠2位错

系统码的循环码生成矩阵

$$ G(x)=[\begin{array}{c} x^{n-1}+(x^{n-1})_{\bmod g(x)} \\ x^{n-2}+(x^{n-2})_{\bmod g(x)} \\ \vdots \\ x^{n-i}+(x^{n-i})_{\bmod g(x)} \\ \vdots \\ g(x) \end{array}]=[\begin{array}{cccccccc} 1 & 0 & \cdots & 0 & r_{1,1} & r_{1,2} & \cdots & r_{1, n-k} \\ 0 & 1 & \cdots & 0 & r_{2,1} & r_{2,2} & \cdots & r_{2, n-k} \\ \vdots & \vdots & & \vdots & \vdots & \vdots & & \vdots \\ 0 & 0 & \cdots & 1 & r_{k, 1} & r_{k, 2} & \cdots & r_{k, n-k} \end{array}] $$

某 (7,4) 循环码的生成多项式是 $g(x)=x^{3}+x+1$ , 求系统码的生成矩阵。

解:

$$ \begin{array}{l} (x^{6}) \bmod g(x)=x^{2}+1 \\ (x^{5}) \bmod g(x)=x^{2}+x+1 \\ (x^{4}) \bmod g(x)=x^{2}+x \end{array} \quad arrow G=[\begin{array}{lllllll} 1 & 0 & 0 & 0 & 1 & 0 & 1 \\ 0 & 1 & 0 & 0 & 1 & 1 & 1 \\ 0 & 0 & 1 & 0 & 1 & 1 & 0 \\ 0 & 0 & 0 & 1 & 0 & 1 & 1 \end{array}] $$

循环码的监督 (校验) 矩阵

关系: $\boldsymbol{G} \boldsymbol{H}^{T}=\mathbf{0}$ 。

a. 监督矩阵构造:由性质 $x^{n}+1=g(x) h(x)$ ;

$$ \begin{array}{l} h(x)=h_{k} x^{k}+h_{k-1} x^{k-1}+\ldots+h_{1} x+h_{0} \\ H=[\begin{array}{ccccccc} h_{0} & h_{1} & \cdots & h_{k} & 0 & \cdots & 0 \\ 0 & h_{0} & h_{1} & \cdots & h_{k} & \cdots & 0 \\ & \vdots & & & & \vdots & \\ 0 & 0 & \cdots & h_{0} & h_{1} & \cdots & h_{k} \end{array}] \\ \end{array} $$

b. 利用循环码的特点来确定监督矩阵 H :

由于 (n, k) 循环码中 g(x) 是 $x^{n+1}$ 的因式, 因此可令: $h(x)=\frac{x^{n}+1}{g(x)}=h_{k} x^{k}+h_{k-1} x^{k-1}+\cdots+h_{1} x+h_{0}$ 监督矩阵表示为:

$$ H(x)=[\begin{array}{c} x^{n-k-1} h^{*}(x) \\ x^{n-k-2} h^{*}(x) \\ \vdots \\ x h^{*}(x) \\ h^{*}(x) \end{array}] $$

$$ h^{*}(x)=h_{0} x^{k}+h_{1} x^{k-1}+h_{2} x^{k-2}+\cdots+h_{k-1} x $$

参考文献:

  1. Proakis, John G., et al. Communication systems engineering. Vol. 2. New Jersey: Prentice Hall, 1994.
  2. Proakis, John G., et al. SOLUTIONS MANUAL Communication Systems Engineering. Vol. 2. New Jersey: Prentice Hall, 1994.
  3. 周炯槃. 通信原理(第3版)[M]. 北京:北京邮电大学出版社, 2008.
  4. 樊昌信, 曹丽娜. 通信原理(第7版) [M]. 北京:国防工业出版社, 2012.
目录
相关文章
|
机器学习/深度学习 算法 数据可视化
浅析特征数据离散化的几种方法(上)
什么是离散化? 离散化就是把无限空间中有限的个体映射到有限的空间中去,以此提高算法的时空效率。通俗的说,离散化是在不改变数据相对大小的条件下,对数据进行相应的缩小。例如:
|
7月前
Stata中的治疗效果:RA:回归调整、 IPW:逆概率加权、 IPWRA、 AIPW
Stata中的治疗效果:RA:回归调整、 IPW:逆概率加权、 IPWRA、 AIPW
|
7月前
|
数据可视化
R语言非参数模型厘定保险费率:局部回归、广义相加模型GAM、样条回归
R语言非参数模型厘定保险费率:局部回归、广义相加模型GAM、样条回归
差分方程模型:蛛网模型
差分方程模型:蛛网模型
232 0
|
编解码
编码生成矩阵与检错监督矩阵
编码生成矩阵与检错监督矩阵
241 0
编码生成矩阵与检错监督矩阵
|
机器学习/深度学习
深度学习核对矩阵的维数对w权重矩阵的维数的计算
深度学习核对矩阵的维数对w权重矩阵的维数的计算
134 0
|
移动开发
半正定矩阵和正定矩阵的一些理解和补充
半正定矩阵和正定矩阵的一些理解和补充
1771 0
|
机器学习/深度学习 算法 测试技术
适合离散值分类的多分类模型——softmax回归
适合离散值分类的多分类模型——softmax回归
适合离散值分类的多分类模型——softmax回归
|
数据采集 机器学习/深度学习 算法
浅析特征数据离散化的几种方法(下)
什么是离散化? 离散化就是把无限空间中有限的个体映射到有限的空间中去,以此提高算法的时空效率。通俗的说,离散化是在不改变数据相对大小的条件下,对数据进行相应的缩小。例如: