[發(fā)明專(zhuān)利]一種高效的原模圖構(gòu)造方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110574606.6
• 申請(qǐng)日: 2021-05-25
• 公開(kāi)（公告）號(hào): CN115395962A
• 公開(kāi)（公告）日: 2022-11-25
• 發(fā)明（設(shè)計(jì)）人: 沙金;肖致遠(yuǎn)
• 申請(qǐng)（專(zhuān)利權(quán)）人: 南京大學(xué)
• 主分類(lèi)號(hào): H03M13/11
• 分類(lèi)號(hào): H03M13/11;G06N3/04;G06N3/08
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種高效的原模圖構(gòu)造方法，待構(gòu)造的原模圖使用矩陣表示其節(jié)點(diǎn)連接關(guān)系，其步驟包括：

1)根據(jù)構(gòu)造要求，隨機(jī)生成初始的原模圖，計(jì)算每個(gè)原模圖的迭代解碼閾值；

2)構(gòu)造神經(jīng)網(wǎng)絡(luò)，使用已有的迭代解碼閾值數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)；

3)對(duì)已有結(jié)果中最優(yōu)的若干個(gè)解進(jìn)行隨機(jī)變化，得到新的待嘗試的原模圖；

4)使用步驟二中訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)新的原模圖的迭代解碼閾值，根據(jù)預(yù)測(cè)結(jié)果依次計(jì)算實(shí)際的迭代解碼閾值，若發(fā)現(xiàn)更優(yōu)解則回到步驟二；

5)將已有數(shù)據(jù)中的最優(yōu)解作為構(gòu)造結(jié)果。

2.如權(quán)利要求1所述的原模圖構(gòu)造方法，其特征在于，步驟1)中根據(jù)構(gòu)造要求隨機(jī)生成初始的原模圖時(shí)，根據(jù)要求的變量節(jié)點(diǎn)個(gè)數(shù)、校驗(yàn)節(jié)點(diǎn)個(gè)數(shù)，確定原模圖對(duì)應(yīng)矩陣的大小，然后隨機(jī)生成矩陣中每個(gè)元素的取值。

3.如權(quán)利要求1所述的原模圖構(gòu)造方法，其特征在于，步驟2)中的神經(jīng)網(wǎng)絡(luò)包含多個(gè)層，層數(shù)不少于1，其中輸出層只有一個(gè)節(jié)點(diǎn)。每一層可以使用線(xiàn)性層(全連接層)或卷積層，激活函數(shù)可以使用ReLU、sigmoid、tanh。

4.如權(quán)利要求1所述的原模圖構(gòu)造方法，其特征在于，步驟2)中的神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)為原模圖的對(duì)應(yīng)矩陣，可以直接將每個(gè)矩陣元素的取值作為輸入節(jié)點(diǎn)傳遞給神經(jīng)網(wǎng)絡(luò)，也可以通過(guò)額外的變換規(guī)則得到神經(jīng)網(wǎng)絡(luò)的輸入。

5.如權(quán)利要求1所述的原模圖構(gòu)造方法，其特征在于，步驟2)中在訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過(guò)程中，使用的誤差函數(shù)為平方平均誤差、平方平均對(duì)數(shù)誤差或交叉熵函數(shù)，使用的優(yōu)化器為梯度下降、隨機(jī)梯度下降、Adam、Adadelta或Rmsprop，使用的學(xué)習(xí)率不低于10^-8，不高于100，使用的迭代次數(shù)不少于1。

6.如權(quán)利要求1所述的原模圖構(gòu)造方法，其特征在于，步驟3)中選擇已有結(jié)果中最優(yōu)的若干個(gè)解時(shí)，對(duì)數(shù)據(jù)集中的原模圖按照迭代解碼閾值升序的順序進(jìn)行排序，選擇迭代解碼閾值最小的幾個(gè)原模圖，個(gè)數(shù)不少于1。

7.如權(quán)利要求1所述的原模圖構(gòu)造方法，其特征在于，步驟3)中對(duì)原模圖進(jìn)行隨機(jī)變化時(shí)，修改原模圖對(duì)應(yīng)矩陣中的一個(gè)或多個(gè)元素，得到新的原模圖，且新的原模圖必須滿(mǎn)足碼字間距線(xiàn)性增長(zhǎng)的性質(zhì)。

8.如權(quán)利要求1所述的原模圖構(gòu)造方法，其特征在于，計(jì)算原模圖的迭代解碼閾值時(shí)，使用的算法為密度演化、RCA或Exit Chart。