[发明专利]线性分组码加扰类型的识别方法、装置及计算机设备

权利要求书

1.一种线性分组码加扰类型的识别方法，其特征在于，包括：

获取待识别的线性分组码的码元序列；

计算所述码元序列中各码元之间的自相关度；

将所述码元序列和所述各码元之间的自相关度输入至预设加扰类型识别模型中进行多类型的加扰识别，得到所述码元序列对应的加扰类型包括：根据所述码元序列和所述各码元之间的自相关度，确定输入特征矩阵；将所述输入特征矩阵输入至所述预设加扰类型识别模型中进行多类型的加扰识别，得到所述码元序列对应的加扰类型；

所述预设加扰类型识别模型包括卷积神经网络模型、长短期记忆神经网络模型和全连接层，所述将所述输入特征矩阵输入至所述预设加扰类型识别模型中进行多类型的加扰识别，得到所述码元序列对应的加扰类型，包括：将所述输入特征矩阵输入至所述卷积神经网络模型进行特征提取，得到所述码元序列对应的空间特征；将所述码元序列对应的空间特征输入至所述长短期记忆神经网络模型进行特征提取，得到所述码元序列对应的时序特征；将所述时序特征输入至所述全连接层中进行分类，得到所述码元序列对应的加扰类型。

2.根据权利要求1所述的方法，其特征在于，所述计算所述码元序列中各码元之间的自相关度，包括：

构建所述码元序列的有偏自相关函数；

基于所述有偏自相关函数，计算所述码元序列中各码元之间的自相关度。

3.根据权利要求1所述的方法，其特征在于，所述根据所述码元序列和所述各码元之间的自相关度，确定输入特征矩阵，包括：

根据所述各码元之间的自相关度，确定所述码元序列对应的相关度序列；

根据所述相关度序列和所述码元序列，构建所述输入特征矩阵。

4.根据权利要求1所述的方法，其特征在于，所述将所述时序特征输入至所述全连接层中进行分类，得到所述码元序列对应的加扰类型，包括：

将所述时序特征输入至所述全连接层中进行分类，得到所述码元序列分别属于线性分组码、线性分组码自同步加扰和线性分组码同步加扰的概率值；

基于所述码元序列分别属于线性分组码、线性分组码自同步加扰和线性分组码同步加扰的概率值，确定所述码元序列所属的类型。

5.根据权利要求1至4任一项所述的方法，其特征在于，在所述将所述码元序列和所述各码元之间的自相关度输入至预设加扰类型识别模型中进行多类型的加扰识别，得到所述码元序列对应的加扰类型之前，所述方法还包括：

获取样本码元序列对应的样本输入特征矩阵；

根据所述样本码元序列对应的加扰类型，对所述样本输入特征矩阵进行标记，得到训练数据集；

利用神经网络算法，构建初始加扰类型识别模型；

基于所述训练数据集对所述初始加扰类型识别模型进行训练，得到所述预设加扰类型识别模型。

6.一种线性分组码加扰类型的识别装置，其特征在于，包括：

获取单元，用于获取待识别的线性分组码的码元序列；

计算单元，用于计算所述码元序列中各码元之间的自相关度；

识别单元，用于将所述码元序列和所述各码元之间的自相关度输入至预设加扰类型识别模型中进行多类型的加扰识别，得到所述码元序列对应的加扰类型包括：根据所述码元序列和所述各码元之间的自相关度，确定输入特征矩阵；将所述输入特征矩阵输入至所述预设加扰类型识别模型中进行多类型的加扰识别，得到所述码元序列对应的加扰类型；

所述预设加扰类型识别模型包括卷积神经网络模型、长短期记忆神经网络模型和全连接层，所述将所述输入特征矩阵输入至所述预设加扰类型识别模型中进行多类型的加扰识别，得到所述码元序列对应的加扰类型，包括：将所述输入特征矩阵输入至所述卷积神经网络模型进行特征提取，得到所述码元序列对应的空间特征；将所述码元序列对应的空间特征输入至所述长短期记忆神经网络模型进行特征提取，得到所述码元序列对应的时序特征；将所述时序特征输入至所述全连接层中进行分类，得到所述码元序列对应的加扰类型。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。

8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。