[發明專利]一種高效的原模圖構造方法

在審

• 申請號: 202110574606.6
• 申請日: 2021-05-25
• 公開（公告）號: CN115395962A
• 公開（公告）日: 2022-11-25
• 發明（設計）人: 沙金;肖致遠
• 申請（專利權）人: 南京大學
• 主分類號: H03M13/11
• 分類號: H03M13/11;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種高效的原模圖構造方法，包括如下步驟：步驟一、根據構造要求，隨機生成初始的原模圖，計算每個原模圖的迭代解碼閾值；步驟二、構造神經網絡，使用已有的迭代解碼閾值數據訓練神經網絡；步驟三、對已有結果中最優的若干個解進行隨機變化，得到新的待嘗試的原模圖；步驟四、使用步驟二中訓練得到的神經網絡預測新的原模圖的迭代解碼閾值，根據預測結果依次計算實際的迭代解碼閾值，若發現更優解則回到步驟二；步驟五、將已有數據中的最優解作為構造結果。本發明使用神經網絡對原模圖的迭代解碼閾值進行預測，提高了搜索的有效性，減少了迭代解碼閾值的計算次數，從而提高了搜索效率，適用于較大范圍內的碼長和碼率原模圖的構造。

技術領域

本發明涉及通信領域中信道編碼的構造方法，特別涉及一種高效的原模圖構造方法。

背景技術

低密度奇偶校驗(LDPC)碼最早由R.Gallager提出，其廣泛應用于無線通信和閃存糾錯領域中。當碼長足夠長時，LDPC碼的糾錯性能可以逼近香農極限。然而，普通的LDPC碼面臨編碼計算量大、解碼器復雜度高等問題，使其難以應用于實際場景。

基于原模圖的LDPC碼廣泛應用于無線通信等領域，其特殊結構使其具有簡單的編碼算法和高效的解碼算法。基于原模圖(protograph)的LDPC碼的性能還可以通過直接分析原模圖得到，相比傳統的蒙特卡羅法進行性能仿真要高效很多。因此，構造一個優秀的原模圖是基于原模圖的LDPC碼的構造過程中至關重要的一步。

原模圖的性能通常由兩個指標來評價。一個指標是碼字間距線性增長的性質，目前已經有了相對成熟的判斷方法。另一個指標是迭代解碼閾值，目前通常使用密度演化(density evolution)的方法來計算得到，迭代解碼閾值越小，原模圖就越好。現有的構造原模圖的方法，通常都是通過隨機搜索或者貪心優化的方式，不斷枚舉滿足碼字間距線性增長條件的原模圖，使用密度演化計算其迭代解碼閾值，然后找到迭代解碼閾值最小的那個作為最終結果。然而，密度演化的計算量較大，并且難以使用硬件進行加速，使其成為了搜索優秀原模圖的過程中的主要時間瓶頸。

發明內容

為了克服上述現有技術的缺點，本發明提供了一種高效的原模圖構造方法，能夠僅通過少量次數的密度演化就得到迭代解碼閾值較小的原模圖，從而實現很高的構造效率。

本發明解決其技術問題所采用的技術方案是：一種高效的原模圖構造方法，包括如下步驟：

步驟一、根據構造要求，隨機生成初始的原模圖，計算每個原模圖的迭代解碼閾值；

步驟二、構造神經網絡，使用已有的迭代解碼閾值數據訓練神經網絡；

步驟三、對已有結果中最優的若干個解進行隨機變化，得到新的待嘗試的原模圖；

步驟四、使用步驟二中訓練得到的神經網絡預測新的原模圖的迭代解碼閾值，根據預測結果依次計算實際的迭代解碼閾值，若發現更優解則回到步驟二；

步驟五、將已有數據中的最優解作為構造結果。

與現有技術相比，本發明的積極效果是：

本發明使用神經網絡對原模圖的迭代解碼閾值進行預測，提高了搜索的有效性，減少了迭代解碼閾值的計算次數，從而提高了搜索效率。此外，本發明使用的方法具有較大的通用性，可以適用于較大范圍內的碼長和碼率的原模圖的構造，并且不依賴手動構造的經驗和技巧，同時還能得到性能比公開文獻中更好的結果。

附圖說明

本發明將通過例子并參照附圖的方式說明，其中：

圖1為本發明的流程圖；

圖2為神經網絡結構圖；

圖3為本發明與其他構造算法收斂效率的對比圖；

圖4為本發明與已有結果迭代解碼閾值的對比圖。