[發明專利]一種基于受限玻爾茲曼機的LDPC譯碼方法和裝置

在審

• 申請號: 201710083027.5
• 申請日: 2017-02-16
• 公開（公告）號: CN106877883A
• 公開（公告）日: 2017-06-20
• 發明（設計）人: 沙金;昌晶;陳中杰;葛航旗;劉鏡伯;陳帥
• 申請（專利權）人: 南京大學
• 主分類號: H03M13/11
• 分類號: H03M13/11;G06N3/04
• 代理公司: 南京蘇高專利商標事務所(普通合伙)32204
• 代理人: 李玉平

1.一種基于受限玻爾茲曼機的LDPC譯碼方法，其特征在于，包括如下步驟：

(1)根據應用需求確定校驗矩陣H，大小為m×n，列重為L，行重為K；

(2)根據校驗矩陣中“1”的位置建立Tanner圖，確定變量節點和校驗節點的連接關系；

(3)根據Tanner圖建立受限玻爾茲曼機模型，Tanner圖中的變量節點作為顯層神經元，校驗節點作為隱層神經元；

(4)根據K輸入異或的布爾表達式e＝X₁⊕X₂⊕…⊕X_k，構造隱層神經元的輸出函數；將K輸入異或的布爾表達式改寫成最小項之和的形式，對于布爾表達式中布爾型的變量X_i，用實值變量表達式1+x_i替換，對于布爾型的變量用實值變量表達式1-x_i替換，其中x_i為信息比特的值；

(5)構造受限玻爾茲曼機的能量函數，能量函數為：式中e_j為(4)中第j個隱層神經元的輸出，E為整個模型的能量；

(6)將接收到的BPSK調制后的信息比特的值賦值給顯層神經元；

(7)前饋計算，顯層神經元的值傳遞給隱層神經元，通過(4)確定的輸出函數計算隱層神經元e_j的值和能量函數E的值；

(8)反饋計算，根據本次迭代所得的能量函數值，通過梯度下降法修改顯層神經元的值，具體方法如下：

${\mathrm{\Δx}}_i=\mathrm{\α}\underset{j=1}{\overset{L}{\Σ}}{e}_j\frac{\∂e_j}{\∂x_i}$

式中x_i代表第i個信息比特的值，α代表學習率，用于調控每次迭代下降的步長，求和是對每一個信息比特參與的L個隱層神經元提供的梯度求和。

(9)更新顯層神經元的值，進行硬判決，即令大于等于0的顯層神經元的值為1，小于0的顯層神經元的值為-1，帶入(5)中的能量函數。若E＝0，則譯碼成功；否則重復步驟(7)(8)；

(10)當迭代次數大于設定的最大迭代次數時，不再進行譯碼，直接輸出。

2.根據權利要求1所述的基于受限玻爾茲曼機的LDPC譯碼方法，其特征在于：利用受限玻爾茲曼機對LDPC譯碼過程進行建模，通過異或的布爾表達式構造連續可微的隱層神經元的輸出函數，通過最小化能量函數的方式來獲得最優的信息比特分布；在最小化能量函數的過程中采用梯度下降法，可以自適應地根據距離優化目標的遠近調整步長。

3.一種基于受限玻爾茲曼機的LDPC譯碼裝置，其特征在于，包括控制模塊、前饋計算模塊、反饋計算模塊、顯層神經元賦值模塊，裝置在控制模塊的調控下，在每次迭代開始時將顯層神經元賦值模塊中的信息比特值送入前饋計算模塊，前饋計算得出的隱層神經元的值和能量函數值送入反饋計算模塊計算梯度值和顯層神經元的修正值，最后顯層神經元將本次迭代信息比特的初始值與修正值相加，得到下一次迭代的信息比特值；

所述控制模塊，用于控制譯碼裝置的執行順序；

所述前饋計算模塊用于將顯層神經元的值傳遞給隱層神經元，通過構造的隱層神經元的輸出函數計算隱層神經元e_j的值和能量函數E的值，包括與隱層神經元數目相同的并行輸出函數計算模塊和能量函數計算模塊；輸出函數計算模塊根據輸入的顯層神經元x_i的值計算隱層神經元e_j的值，并輸出給能量函數計算模塊；能量函數計算模塊根據輸出函數計算模塊的輸出計算能量函數E的計算，若E＝0，則向控制模塊輸出停止迭代信號，否則向反饋計算模塊輸出能量函數E的值；

反饋計算模塊根據本次迭代所得的能量函數值，通過梯度下降法修改顯層神經元的值，具體方法如下：

${\mathrm{\Δx}}_i=\mathrm{\α}\underset{j=1}{\overset{L}{\Σ}}{e}_j\frac{\∂e_j}{\∂x_i}$

式中x_i代表第i個信息比特的值，α代表學習率，用于調控每次迭代下降的步長，求和是對每一個信息比特參與的L個隱層神經元提供的梯度求和；包括并行梯度計算模塊和對應的修正值計算模塊。梯度計算模塊根據前饋計算模塊輸出的隱層神經元的值計算其對應于每個顯層神經元的梯度，即由于梯度值和輸出函數計算模塊的中間結果相同，因此梯度計算模塊共享輸出函數計算模塊的中間結果；修正值計算模塊接收梯度計算模塊輸出的梯度值，按照上述的具體方法分組進行加權求和、乘學習率等運算，向顯層神經元賦值模塊輸出Δx_i；

顯層神經元賦值模塊，將反饋計算模塊輸出的修正值和上一次迭代的顯層神經元的值相加，送入前饋計算模塊。