ساخت ماتریس های نمونه برداری یقینی بر اساس توابع هش

ماتریس های نمونه برداری نقش اساسی در حسگری فشرده دارند. این ماتریس ها به صورت تصادفی و یقینی قابل ساخت هستند. ماتریس های یقینی به علت اینکه حافظه کم تری برای ذخیره سازی نیاز دارند موردتوجه زیادی قرار گرفته اند. در این مقاله دسته ای از ماتریس های حسگری یقینی، با استفاده از توابع هش ساخته می شوند. برای این منظور ابتدا یک ماتریس کد اولیه ساخته می شود، سپس با استفاده از ماتریس توابع هش، یک ماتریس جدید ساخته می شود. درنهایت با یکه سازی تمامی درایه های این ماتریس، ماتریس نمونه برداری ساخته می شود. این دسته از ماتریس ها دارای ابعاد p^2 × p^3 و ضریب همدوسی 1/p هستند. نتایج شبیه سازی نشان می دهند که به ازای مقادیر کم p بازسازی سیگنال اصلی به ازای نمونه برداری توسط این دسته از ماتریس ها عملکرد بهتری نسبت به ماتریس های یقینی تولید شده توسط کدهای bch دارد.

Parameter Estimation of a Rate k/n Convolutional Code in Noisy Case

Abstract: This paper studies the problem of the convolutional code parameters estimation in noisy scenario. Among the methods that have been proposed for this problem, the rankbased method has attracted most of the research. In this method, the receiver cuts the received sequence up into vectors of length l to form the rows of matrix C(l), for . The code parameters are estimated based on the rank of these matrices. To this end, the relation between the code parameters and the rank of C(l) should be known. To do this, the previous works proposed an experimental relation; however, it is not established in the general case. This paper analytically computes the rank relation and proposes a method to extract the rate k/n convolutional code parameters. The method uses the Gaussian elimination with row pivoting (GERP) algorithm to estimate the rank and null space of C(l). The proposed algorithm is based on a threshold value. Hence, an appropriate threshold will be proposed based on the Minimax decision rule.