[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

本發明提出了一種LDPC碼神經網絡訓練、譯碼方法及其系統，通過構建神經網絡譯碼模型并利用數據集對神經網絡譯碼模型進行訓練，經過多次的迭代訓練，結合了深度學習強大的學習能力以及神經網絡強大的提取高維數據隱藏特征的能力，得到訓練好的神經網絡譯碼模型，并使用訓練好的神經網絡譯碼模型對LDPC碼數據進行譯碼輸出，降低了傳統BP譯碼算法在對LDPC短碼譯碼中性能的損失，使對LDPC碼的譯碼具有更好的靈活性，低延遲，通訊可靠性高，滿足了用戶在通信領域的主要需求。

技術領域

本發明涉及LDPC碼譯碼技術領域，特別是涉及一種LDPC碼神經網絡訓練、譯碼方法及其系統。

背景技術

低密度奇偶校驗碼(low-densityparity-check，LDPC)是一種著名的線性糾錯碼，最早由Gallager在1962年提出。該碼具有接近香農極限的出色糾錯性能和較高的譯碼吞吐量，近年來已成為新的研究熱點。到目前為止，置信傳播(BeliefPropagation，BP)譯碼算法是最常用的LDPC譯碼算法之一。BP譯碼算法在碼長很長時可獲得與香農極限接近的譯碼性能。在5G的應用場景中，超高可靠與低延遲的通信被應用到許多領域中，如智能交通系統、工業自動化等；在這些場景中，用戶通信的主要需求是更好的靈活性，低延遲，通訊可靠性高，即在通信這些場景中，對短碼的需求越來越高，但是由于短環的存在，在LDPC短碼中BP譯碼算法的譯碼性能不及在長碼中的表現。

而近年來，具有強大的學習和提取特征屬性的能力的深度學習逐漸被廣泛應用到通信技術中并取得了突出的進展，而神經網絡(Artificial Neural Network，ANN)是深度學習中的一種重要的數學模型，包含大量的神經元，是一種自適應系統，具有強大的提取高維數據隱藏特征的能力，近幾年在目標識別、圖像分類、藥物發現、自然語言處理以及圍棋等諸多領域，都取得了重大突破并且大大改善了原有的系統性能；雖說神經網絡在其他領域都作出了較為重大的貢獻，但是現階段還沒有將深度學習應用到LDPC短碼BP譯碼算法中的方案提出。

針對以上的問題，提供一種譯碼方法，結合神經網絡的特點以降低BP譯碼算法在LDPC短碼中譯碼性能的損失，滿足用戶在通信領域的需求是必要的。

發明內容

本發明的目的是提供一種LDPC碼神經網絡訓練、譯碼方法及其系統，解決傳統的BP譯碼算法在短碼中的譯碼性能不及在長碼中的表現的問題。

為實現上述目的，本發明提供了如下方案：

一種LDPC碼神經網絡譯碼方法，包括以下步驟：

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。

可選的，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，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。

進一步的，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；