[發明專利]一種LDPC碼神經網絡訓練、譯碼方法及其系統

在審

• 申請號: 202111172359.3
• 申請日: 2021-10-08
• 公開（公告）號: CN113872610A
• 公開（公告）日: 2021-12-31
• 發明（設計）人: 周林;唐益多;陳辰;陳啟望;劉三亞
• 申請（專利權）人: 華僑大學
• 主分類號: H03M13/11
• 分類號: H03M13/11;G06N3/04;G06N3/08
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 趙興華

1.一種LDPC碼神經網絡訓練方法，其特征在于，所述方法包括：

獲取用于訓練神經網絡譯碼模型的數據集；其中，所述數據集為將歷史經過AWGN信道傳輸的輸出信號解調得到的比特對數似然比數據集；

根據所述數據集確定神經網絡譯碼模型的結構，得到待訓練的神經網絡譯碼模型；

利用所述數據集對所述待訓練的神經網絡譯碼模型進行迭代訓練，得到訓練好的神經網絡譯碼模型。

2.根據權利要求1所述的LDPC碼神經網絡訓練方法，其特征在于，所述根據所述數據集確定神經網絡譯碼模型的結構具體包括：

所述神經網絡譯碼模型包括輸入層、隱藏層和輸出層，其中，隱藏層包括校驗節點層和變量節點層；

根據所述數據集確定神經網絡譯碼模型中隱藏層的層數。

3.根據權利要求2所述的LDPC碼神經網絡譯碼方法，其特征在于，所述根據所述數據集確定神經網絡譯碼模型中隱藏層的層數具體包括：

根據所述數據集所使用的LDPC碼的校驗矩陣H得到對應的Tanner圖；

將所述Tanner圖中有消息傳遞關系的校驗節點與變量節點分別作為第n層校驗節點層和第n層變量節點層。

4.根據權利要求3所述的LDPC碼神經網絡訓練方法，其特征在于，所述利用所述數據集對所述待訓練的神經網絡譯碼模型進行迭代訓練具體包括：

依次對隱藏層中每組具有消息傳遞的校驗節點層和變量節點層進行訓練，迭代次數為隱藏層層數的一半；

對其中一組具有消息傳遞的校驗節點層和變量節點層進行訓練的步驟具體包括：

將傳遞的消息分別在校驗節點層和變量節點層進行信息更新，得到更新后的變量節點信息；

根據所述更新后的變量節點信息輸出對應的變量節點的神經網絡譯碼結果；

根據所述神經網絡譯碼結果和輸入的所述數據集的誤差優化網絡，進行下一組的訓練。

5.根據權利要求4所述的LDPC碼神經網絡訓練方法，其特征在于，所述將傳遞的消息分別在校驗節點層和變量節點層進行信息更新具體包括：

在校驗節點層將校驗節點傳遞到變量節點的消息乘以校正因子進行信息更新；

在變量節點層將變量節點傳遞到下一層校驗節點的消息乘以校正因子進行信息更新。

6.根據權利要求4所述的LDPC碼神經網絡訓練方法，其特征在于，所述根據所述更新后的變量節點信息輸出對應的變量節點的神經網絡譯碼結果具體包括：

將所述更新后的變量節點信息輸出到輸出層，在輸出層使用sigmod函數作為激活函數，輸出該變量節點對應的神經網絡譯碼結果。

7.根據權利要求4所述的LDPC碼神經網絡訓練方法，其特征在于，所述根據所述神經網絡譯碼結果和所述數據集的誤差優化網絡具體包括：

使用交叉熵損失函數計算所述神經網絡譯碼結果和傳輸的所述數據集的誤差，得到輸出誤差；

針對所述輸出誤差，使用小批量梯度下降算法和Adam優化方法搜索訓練網絡，得到訓練好的神經網絡譯碼模型。

8.一種LDPC碼神經網絡譯碼方法，其特征在于，利用執行如權利要求1-8任一項LDPC碼神經網絡訓練方法所得到的訓練好的神經網絡譯碼模型對LDPC碼數據進行譯碼，具體包括：

獲取經過AWGN信道傳輸的輸出信號解調為比特對數似然比數據集；

將所述比特對數似然比數據集輸入所述訓練好的神經網絡譯碼模型；

依次對隱藏層中每一組對應的校驗節點層和變量節點層進行信息更新，迭代次數為隱藏層層數的一半；

針對其中一組對應的校驗節點層和變量節點層進行信息更新包括：

在校驗節點層將校驗節點傳遞到變量節點的消息乘以校正因子進行信息更新；

在變量節點層將變量節點傳遞到下一層校驗節點的消息乘以校正因子進行信息更新；

根據所述更新后的變量節點信息，輸出對應的變量節點的神經網絡譯碼結果，直至完成對隱藏層中的所有節點層的信息更新。