[發明專利]一種基于懲罰對偶分解法的深度展開信道譯碼方法及裝置在審
| 申請號： | 202210718915.0 | 申請日： | 2022-06-23 |
| 公開（公告）號： | CN115913454A | 公開（公告）日： | 2023-04-04 |
| 發明（設計）人： | 劉屹豪;趙明敏;雷鳴;趙民建;袁輝 | 申請（專利權）人： | 浙江大學 |
| 主分類號： | H04L1/00 | 分類號： | H04L1/00 |
| 代理公司： | 北京清亦華知識產權代理事務所(普通合伙) 11201 | 代理人： | 羅嵐 |
| 地址： | 310027 浙*** | 國省代碼： | 浙江;33 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 懲罰 對偶 解法 深度 展開 信道 譯碼 方法 裝置 | ||
1.一種基于懲罰對偶分解法的深度展開信道譯碼方法，其特征在于，包括：
基于信道譯碼問題構建最大似然譯碼問題，所述最大似然譯碼問題包括目標函數和第一離散奇偶校驗約束；
根據級聯分解方法將所述第一離散奇偶校驗約束分解為第二離散奇偶校驗約束，將所述最大似然譯碼問題轉換成等效的級聯形式；
將所述第二離散奇偶校驗約束轉換成連續約束，通過引入懲罰項和第一輔助變量得到帶懲罰項的松弛譯碼優化問題；
根據懲罰對偶分解法求解所述松弛譯碼優化問題，得到雙層循環的懲罰對偶分解譯碼器；
將所述懲罰對偶分解譯碼器的可調譯碼參數轉換成可訓練參數，根據所述可訓練參數構建可學習懲罰對偶分解譯碼網絡；
生成訓練數據，根據所述訓練數據訓練所述可學習懲罰對偶分解譯碼網絡，以使用參數最優的懲罰對偶分解譯碼器進行譯碼。
2.根據權利要求1所述的方法，其特征在于，所述基于信道譯碼問題構建最大似然譯碼問題，包括：
針對一個長度為N的二進制線性碼每個碼字由M×N奇偶校驗矩陣H指定，x∈{0,1}N×1為長度為N的傳輸碼字，為接收碼字的對數似然比，所述最大似然譯碼問題表示為：
其中，[·]2表示模2運算，H表示校驗矩陣，分別表示變量節點和校驗節點的索引集合。
3.根據權利要求2所述的方法，其特征在于，所述根據級聯分解方法將所述第一離散奇偶校驗約束分解為第二離散奇偶校驗約束，將所述最大似然譯碼問題轉換成等效的級聯形式，包括：
將所述第一離散約束奇偶校驗約束轉化為第二離散奇偶校驗約束，其中第二離散奇偶校驗約束為有限個數的三變量奇偶校驗約束，定義Tx≤t，x∈{0,1}3×1,其中
x＝[x1,x2,x3]T∈{0,1}3×1，t＝[0,0,0,2]T，
對于一個度數為dj的離散奇偶校驗約束，引入個第二輔助變量，得到個三變量奇偶校驗約束，因此所述最大似然譯碼問題轉換為等效的級聯形式，包括：
其中，為引入的第二輔助變量，表示Kronecker積，Qγ用來選擇第γ個三變量方程對應的u中的變量。
4.根據權利要求3所述的方法，其特征在于，所述將所述第二離散奇偶校驗約束轉換成連續約束，通過引入懲罰項和第一輔助變量得到帶懲罰項的松弛譯碼優化問題，包括：
引入第一輔助變量z將公式(3)中的不等式約束轉換為等式約束，將變量u松弛為連續變量，同時在所述目標函數中引入懲罰函數，得到所述帶懲罰項的松弛譯碼優化問題，包括：
其中懲罰函數g:具體為其中α為懲罰系數。
5.根據權利要求4所述的方法，其特征在于，所述根據懲罰對偶分解法求解所述松弛譯碼優化問題，得到雙層循環的懲罰對偶分解譯碼器，包括：
引入懲罰參數μ和對偶變量y，由等式約束得到增廣拉格朗日項將完整的增廣拉格朗日函數作為目標函數，得到：
根據所述懲罰對偶分解法求解公式(5)中的增廣拉格朗日問題，得到所述懲罰對偶分解譯碼器，其中具體包括內層循環的u，z更新和外層循環的對偶變量y和懲罰參數μ的更新。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于浙江大學，未經浙江大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202210718915.0/1.html，轉載請聲明來源鉆瓜專利網。
