[發(fā)明專利]一種分布式聯(lián)合信源信道編碼系統(tǒng)的深度學習譯碼方法

在審

• 申請?zhí)枺?/td>: 202210104626.1
• 申請日: 2022-01-28
• 公開（公告）號: CN114448570A
• 公開（公告）日: 2022-05-06
• 發(fā)明（設計）人: 洪少華;楊建紅;徐位凱;王琳
• 申請（專利權）人: 廈門大學
• 主分類號: H04L1/00
• 分類號: H04L1/00;H03M13/11;G06N3/04;G06N3/08
• 代理公司: 廈門南強之路專利事務所(普通合伙) 35200
• 代理人: 馬應森

1.一種分布式聯(lián)合信源信道編碼系統(tǒng)的深度學習譯碼方法，其特征在于包括以下步驟：

1)建立分布式聯(lián)合信源信道編碼系統(tǒng)譯碼的訓練樣本集，獲得對應的校驗矩陣H_i,i＝1,2,…S，其中S為分布式信源個數(shù)；

2)建立分布式聯(lián)合信源信道編碼系統(tǒng)的深度學習譯碼模型；

3)確定深度學習網(wǎng)絡模型的loss函數(shù)；

4)確定需要增加交互單元的隱藏層位置并插入信息交互單元隱藏層；

5)確定模型的激活函數(shù)，初始化權值w；

6)對步驟1)中輸入的樣本采用隨機梯度下降的方式對模型進行訓練，得最優(yōu)的權值w，確定最終的網(wǎng)絡模型；

7)將需要譯碼的樣本集輸入到步驟6)最終確定的模型中，通過最終的硬判決完成分布式聯(lián)合信源信道的譯碼。

2.如權利要求1所述一種分布式聯(lián)合信源信道編碼系統(tǒng)的深度學習譯碼方法，其特征在于在步驟1)中，所述建立分布式聯(lián)合信源信道編碼系統(tǒng)譯碼的訓練樣本集的具體方法為：首先不失一般性地假設有兩個相關信源X和Y，其中信源概率為p[x＝0]＝p[y＝0]＝1/2，兩個信源之間的相關性定義為ρ，這兩個信源可看作是通過轉移概率為P[Y＝X|X]＝ρ的BSC信道產(chǎn)生的相關信源，通過獲得的校驗矩陣H₁，H₂得到生成矩陣G₁，G₂后，實現(xiàn)X'＝X*G₁與Y'＝Y*G₂，其中X'，Y'是經(jīng)過編碼之后的信息序列；假設信源X和Y信息序列長度均為k比特，經(jīng)過編碼后得到長度為n比特的信息序列；為了同時實現(xiàn)壓縮及糾錯功能，分布式信源X只發(fā)送信息比特前αk部分及校驗比特，其中α是介于[0,1]之間的常數(shù)；分布式信源Y只發(fā)送信息比特的后(1-α)k部分及校驗比特；需要發(fā)送的信息序列經(jīng)過BPSK調(diào)制后通過AWGN信道得到r_X與r_Y；

其次，計算分布式信源各個變量節(jié)點的初始似然信息L(u_i,X)，L(u_i,Y)，其中未發(fā)送部分需要利用信源之間的相關性獲得；假設信源X發(fā)送信息位的前一部分和校驗節(jié)點，信源Y發(fā)送信息位的后一部分和校驗節(jié)點，不失一般性以X為例，其信道初始似然信息計算為以下步驟：

其中，σ²為AWGN信道噪聲的方差，之后將計算得到的L(u_i,X)與L(u_i,Y)整合為一個大小為(2n,c×num)的矩陣，其中c表示信噪比的類別個數(shù)，num表示訓練過程中不同信噪比的幀數(shù)，該矩陣即為訓練樣本集。

3.如權利要求1所述一種分布式聯(lián)合信源信道編碼系統(tǒng)的深度學習譯碼方法，其特征在于在步驟2)中，所述建立分布式聯(lián)合信源信道編碼系統(tǒng)的深度學習譯碼模型，是將分布式信源通過檢驗矩陣H_i(i＝1,2,…S)獲得的深度學習的譯碼網(wǎng)絡整合在同一個隱藏層建立分布式聯(lián)合信源信道編碼系統(tǒng)的深度學習譯碼模型，具體方法為：假設有兩個相關信源X和Y，根據(jù)校驗矩陣H₁，H₂采用迭代譯碼Min-Sum算法確定隱藏層中各個神經(jīng)元的連接關系，其中的連接關系對應H矩陣中'1'的位置，并通過給'1'的位置進行更新神經(jīng)元的輸入和輸出；然后將兩個信源同一層的變量節(jié)點神經(jīng)元整合為網(wǎng)絡的一層變量節(jié)點隱藏層，兩個信源同一層的校驗節(jié)點神經(jīng)元整合為網(wǎng)絡的一層校驗節(jié)點隱藏層；確定迭代次數(shù)l_max后，可以得到隱藏層的個數(shù)為2l_max，每一隱藏層都分別對應兩個信源的迭代譯碼的連接關系。