[發明專利]基于神經網絡的高密度線性分組碼譯碼方法

有效

• 申請號: 201910169555.1
• 申請日: 2019-03-06
• 公開（公告）號: CN109921803B
• 公開（公告）日: 2021-06-25
• 發明（設計）人: 王勇超;王超
• 申請（專利權）人: 西安電子科技大學
• 主分類號: H03M13/11
• 分類號: H03M13/11;H03M13/13;G06N3/04
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

本發明公開了一種基于神經網絡的高密度線性分組碼的譯碼方法，具體步驟：(1)構建降噪神經網絡；(2)構建糾錯神經網絡；(3)構建碼字重排乘法器；(4)生成訓練集；(5)訓練降噪神經網絡和糾錯神經網絡；(6)獲得神經網絡譯碼器；(7)譯碼器輸出最終譯碼結果。本發明構建了一種譯碼神經網絡，在接收到的高密度線性分組碼字在進行糾錯處理之前，先進行降噪處理，從而進一步提高了譯碼準確率，采用碼字重排乘法器，使得循環神經網絡可以學習到多進制碼字中碼元序列之間的關系，使得譯碼神經網絡可以很好的對多進制RS碼進行譯碼，提高了本發明的適用性。

技術領域

本發明屬于通信技術領域，更進一步涉及無線通信技術領域中的一種基于神經網絡的高密度線性分組碼譯碼方法。本發明可用于蜂窩通信、衛星通信和軍事系統中對于高密度線性分組碼進行譯碼。

背景技術

高密度線性分組碼，以某種方式加入一定的控制誤差用的碼位從而糾正若干隨機錯誤位，在短碼和中等碼長時，其糾錯性能接近于理論值。接收端則按照對應的規則進行譯碼，但是譯碼過程中易出現錯誤。為了提高信息傳輸系統的整體性能，需要一種適用于高密度線性分組碼的譯碼方法。目前，高密度線性分組碼的第一種譯碼方法為BP譯碼方法。第二種譯碼方法為基于深度學習譯碼方法。

華為技術有限公司在其申請的專利文獻“譯碼的方法和譯碼器”(專利申請號201310081844，公開號104052502B)中公開了一種譯碼的方法和譯碼器。該方法首先對接受碼字進行二元比特映射，再確定接受碼的伴隨式，再根據伴隨式計算錯誤位置多項式和錯誤值多項式，開始搜索錯誤位置和錯誤值，最終對接受碼字進行糾錯，得到譯碼結果。該方法存在的不足之處是，由于對碼字進行二元比特映射，忽略了大量的信道軟信息，導致高密度線性分組碼譯碼性能下降的結果。

中山大學在其申請的專利文獻“一種動態異步BP譯碼方法”(專利申請號201210050650，公開號102594365A)中公開了一種動態異步BP譯碼方法。該方法根據校驗方程和可靠性閾值，對Tanner圖中所有校驗節點進行分類，再進行不同形式的消息更新譯碼；對Tanner圖中所有變量節點進行消息更新譯碼，計算所有變量節點的硬判決信息，直至所有的校驗方程都滿足時，得到最終譯碼結果。該方法存在的不足之處是，由于在進行變量節點消息更新譯碼時，多進制RS碼的Tanner圖存在大量短環，使得同一消息在Tanner圖中反復傳遞，導致BP譯碼方法不適用于RS碼譯碼的結果。

發明內容

本發明的目的是針對上述現有技術存在的不足，提供一種基于神經網絡的高密度線性分組碼譯碼方法，可以有效的提高譯碼正確率，并適用于多進制RS碼的譯碼。

實現本發明目的的思路是，首先搭建用于降噪的循環神經網絡和用于糾錯的殘差神經網絡，再利用加噪碼字和錯誤碼字分別來訓練循環神經網絡和殘差神經網絡，然后將兩個網絡級聯作為神經網絡譯碼器，有效的學習信道信息和二進制碼字序列之間的關系，從而提高譯碼準確率。

本發明實現的具體步驟如下：

(1)構建降噪神經網絡：

(1a)搭建一個至少五層循環層且最后一層為全連接層的降噪神經網絡，該神經網絡中循環層的層數與線性分組碼的長度呈正相關；

(1b)設置降噪神經網絡的各層參數；

(2)構建糾錯神經網絡：

(2a)搭建一個至少五層殘差模塊且最后一層為全連接層的糾錯神經網絡，該神經網絡中殘差模塊的層數與線性分組碼的長度呈正相關；

(2b)設置糾錯神經網絡的各層參數；

(3)構建碼字重排乘法器：

搭建一個碼字重排乘法器，將該乘法器的輸入位數設置為n×q，乘數設置為矩陣A，輸出位數設置為(k+1)×(n-k)×q，其中A為n×q行(k+1)×(n-k)×q列的0-1矩陣，k表示線性分組碼的信息位長度；