在无授权SCMA物联网系统中，用于检测UE-码本不匹配的检测方法

《Physical Communication》：The detection method for UE-Codebook Mismatch in grant-free SCMA IoT systems

极化码盲识别方法中，提出二维多尺度残差网络（TDMRNet），通过一维信号转二维矩阵结合跨码特征提取模块（含单位卷积层和三路标准卷积层）与数据耦合模块（含标准残差块和降维残差块），有效捕捉极化码结构特征，在低信噪比下达到93.80%识别准确率，显著优于传统方法且计算复杂度更低。

　　

作者：常丽（Chang Li）、曹雅诺（Yanou Cao）、刘凯（Kai Liu）

上海大学通信与信息工程学院，中国上海

摘要

极化码在现代通信系统中得到广泛应用，从接收到的信号中准确识别其参数对于可靠的信息解码至关重要。然而，由于缺乏先验信息，现有方法在非合作场景下的性能往往不足。在这项研究中，我们提出了一种二维多尺度残差网络（TDMRNet）用于极化码参数的盲识别。考虑到极化码的结构特性，首先将接收到的信号序列重新塑造成二维矩阵，以便更有效地识别参数。为了进一步处理重构的数据，TDMRNet集成了一个码间特征提取模块（ICFEM）和一个数据耦合模块（DCM）。ICFEM使用一个单元卷积层和三个并行的标准卷积层来构建多尺度特征提取器，从而增强了模型的泛化能力和识别精度。DCM结合了标准残差块和降维残差块，以增强特征提取的同时减轻过拟合。仿真结果表明，TDMRNet的识别精度达到93.80%，超过了现有方法，并且降低了计算复杂度，证明了其在无先验知识场景下的有效性。

引言

信道编码是数字通信系统中的基本技术，可以提高信号传输的可靠性。作为一类理论上能够达到香农极限的信道编码，极化码已被广泛应用于各种通信场景中。特别是，在非合作通信系统中，极化码参数的盲识别已成为一个重要的研究焦点。

关于编码识别的研究主要集中在线性分组码[2],[3]、循环码[4],[5]、卷积码[6],[7]、Turbo码[8],[9]、LDPC码[10],[11]等。在这些编码中，极化码由于其在实际工程中的广泛应用而受到越来越多的关注。近年来，有几项研究探讨了极化码的盲识别[12],[13],[14],[15]。然而，这些方法通常依赖于对极化码的先验知识，而在非合作通信场景中这种知识往往是不可获得的。一些研究还探索了极化码的码长和信息位的识别方法。在[16]中，通过遍历码长和擦除概率构建了一个零空间矩阵，并通过评估其与迭代乘法信息位的匹配程度来确定参数。然而，这种方法对较长的码长容忍度较低。吴等人[17]通过从克罗内克幂矩阵中移除一行构建了一个双向量，并根据不同码长的速率特性来确定码长和信息位，但该方法计算复杂度较高，且无法处理非全零的固定位情况。在[18]中，通过奇偶校验一致性来识别码长和固定位位置，从而降低了计算复杂度。刘等人[19]引入了一种基于峰值的零均值比测量方法来识别码长，虽然提高了识别精度，但需要复杂的阈值选择和检测过程。易等人[20]提出了一种推导和迭代估计方法来识别极化码参数，具有很强的抗错误能力。尽管上述算法能够有效识别码长和码率等参数，但它们都假设截获序列的起始点是已知的，并且涉及复杂的验证和检测过程。

最近，由于神经网络强大的分类能力，它们在信道码参数识别方面受到了广泛关注。常用的架构包括Inception[21]、密集连接卷积网络（DenseNet）[22]和残差网络（ResNet）[23]。秦等人[24]提出了一种卷积码参数识别方法，将识别任务重新表述为文本分类问题；然而，其精度在低信噪比（SNR）条件下仍然不令人满意。王等人[25]使用了一维深度残差神经网络来识别卷积码参数，样本长度的增加几乎使训练时间翻倍。张等人[26]开发了一种结合Transformer和卷积神经网络（CNN）的盲LDPC码识别架构，在低SNR条件下实现了稳健的识别性能。Sepehr等人[27]首先对编码信号进行了预处理，然后应用CNN来识别LDPC和极化码的参数。然而，很少有研究使用神经网络来研究极化码参数的盲识别。

为了解决上述挑战，本研究提出了一种二维多尺度残差网络（TDMRNet）来识别码长和信息位。在加性高斯白噪声（AWGN）环境下，使用封闭集识别对所提出的方法进行了评估。本工作的主要贡献总结如下：

a)

我们提出了一种新的方法，将一维信号序列在特征提取之前重新塑造成二维矩阵，从而更有效地利用极化码的结构特性。这种转换有助于更好地利用码结构内的空间关系，从而实现更精确的参数识别并提高整体识别精度。

b)

为了提高参数识别性能，提出了一种码间特征提取模块（ICFEM），该模块采用多尺度机制来提取不同尺度上的更丰富的特征表示。ICFEM增强了模型捕获码间结构的能力，并提高了参数估计的精度。

c)

所提出的TDMRNet在识别极化码参数方面优于传统方法和常用的分类网络，特别是在低SNR条件下，实现了更高的平均识别精度。

本文的其余部分安排如下：第2节介绍极化码的编码特性。第3节详细介绍了TDMRNet的架构。第4节展示了实验结果和性能分析，第5节对本文进行了总结。

部分摘录

背景

本节介绍了本文中使用的非合作接收机的系统模型，并分析了要识别的极化码的信道极化过程及其特性。

提出的方法

在本节中，我们提出了一种名为TDMRNet的网络。图3展示了所提出框架的核心概念，该框架包括两个关键模块。ICFEM捕获不同极化码字在同一比特位置上的共享特征，从而增强了模型学习码字间结构信息的能力。随后，数据耦合模块（DCM）加深了网络架构并利用残差连接来减轻过拟合。

实验

在本节中，我们在模拟数据集上进行了实验以验证所提出框架的优越性。首先，我们进行了一系列消融研究以确定最佳网络配置。随后，我们将TDMRNet与三种流行的方法[21],[22],[23]进行了全面比较。我们还提供了TDMRNet与传统方法之间的识别精度比较。

结论

在本文中，提出了一种名为TDMRNet的新神经网络，用于在不需要任何先验知识的情况下实现极化码参数的盲识别。首先，根据极化码的码长特性将一维输入序列转换为二维矩阵，便于进行卷积操作以提取结构特征。接下来，引入了多尺度机制来捕获码字的全局特征。最后，采用了改进的ResBlock

CRediT作者贡献声明

常丽（Chang Li）：撰写 – 审稿与编辑、撰写 – 原始草稿、可视化、验证、软件、方法论、调查、形式分析、概念化。曹雅诺（Yanou Cao）：撰写 – 审稿与编辑、可视化、软件、方法论、形式分析、概念化。刘凯（Kai Liu）：撰写 – 审稿与编辑、监督、资源管理、方法论、概念化。