[發明專利]一種原模圖LDPC碼的自學習快速收斂譯碼方法及裝置

在審

• 申請號: 202110014150.8
• 申請日: 2021-01-06
• 公開（公告）號: CN112737599A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 戴金晟;牛凱;譚凱林
• 申請（專利權）人: 北京郵電大學
• 主分類號: H03M13/11
• 分類號: H03M13/11
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 徐雅琴

1.一種原模圖LDPC碼的自學習快速收斂譯碼方法，其特征在于，包括：

基于原模圖LDPC碼生成訓練樣本；

對原模圖LDPC碼的校驗節點進行分組，得到至少一組校驗節點；

根據至少一組校驗節點，構建自學習神經網絡譯碼模型；

輸入所述訓練樣本對所述自學習神經網絡譯碼模型進行訓練，得到用于對所述原模圖LDPC碼進行譯碼的譯碼模型；

利用所述譯碼模型進行譯碼。

2.根據權利要求1所述的方法，其特征在于，所述對原模圖LDPC碼的校驗節點進行分組，得到至少一組校驗節點，包括：

確定兩兩校驗節點之間的相關性；

根據兩兩校驗節點之間的相關性，將各校驗節點進行聚類，將同一類的校驗節點分為一組，得到分組后的至少一組校驗節點。

3.根據權利要求2所述的方法，其特征在于，所述各校驗節點進行聚類的方法是：同一組內的校驗節點相關性低于預定低閾值，不同組的校驗節點相關性高于預定高閾值。

4.根據權利要求1所述的方法，其特征在于，所述根據至少一組校驗節點，構建自學習神經網絡譯碼模型，包括：

將各組校驗節點作為一個譯碼層，構建所述自學習神經網絡譯碼模型，所述自學習神經網絡譯碼模型包括：

輸入層，用于輸入所述訓練樣本；

至少一層譯碼層，每層譯碼層包括至少一個組合子層，所述組合子層的個數與所述校驗節點的組數相同，每個組合子層用于一組校驗節點及與該組校驗節點連接的變量節點按照特定的譯碼算法進行更新；

輸出層，用于輸出經過各譯碼層進行譯碼處理后的譯碼結果。

5.根據權利要求4所述的方法，其特征在于，所述組合子層包括變量節點更新子層、校驗節點更新子層和判決子層，所述變量節點更新子層中的神經元和校驗節點更新子層中的神經元用于按照所述譯碼算法進行更新運算，所判決子層用于輸出判決信息。

6.根據權利要求5所述的方法，其特征在于，所述校驗節點更新子層中的神經元設置權重和偏置；

輸入所述訓練樣本對所述自學習神經網絡譯碼模型進行訓練，包括：

輸入所述訓練樣本對所述自學習神經網絡譯碼模型進行訓練，確定所述權重和偏置。

7.根據權利要求4所述的方法，其特征在于，所述基于原模圖LDPC碼生成訓練樣本，包括：基于原模圖LDPC碼生成至少一組訓練樣本；所述訓練樣本的組數與所述譯碼層的層數相同，各組訓練樣本的信噪比不同；

輸入所述訓練樣本對所述自學習神經網絡譯碼模型進行訓練，包括：

采用逐層訓練方式，按照訓練樣本的信噪比從高到低的順序，依次訓練串行連接的第一層譯碼層到最后一層譯碼層。

8.根據權利要求6所述的方法，其特征在于，還包括：

根據待譯碼的原模圖LDPC碼的碼長和確定出的權重和偏置，確定用于對所述待譯碼的LDPC碼譯碼的譯碼模型。

9.一種原模圖LDPC碼的自學習快速收斂譯碼裝置，其特征在于，包括：

樣本構造模塊，用于基于原模圖LDPC碼生成訓練樣本；

分組模塊，用于對原模圖LDPC碼的校驗節點進行分組，得到至少一組校驗節點；

模型構建模塊，用于根據至少一組校驗節點，構建自學習神經網絡譯碼模型；

訓練模塊，用于輸入所述訓練樣本對所述自學習神經網絡譯碼模型進行訓練，得到用于對所述原模圖LDPC碼進行譯碼的譯碼模型；

譯碼模塊，用于利用所述譯碼模型進行譯碼。

10.根據權利要求9所述的裝置，其特征在于，

所述分組模塊，用于確定兩兩校驗節點之間的相關性；根據兩兩校驗節點之間的相關性，將各校驗節點進行聚類，將同一類的校驗節點分為一組，得到分組后的至少一組校驗節點。