The invention relates to a decoding method of Anti-tone interference LDPC codes based on convolutional neural networks, and relates to a decoding method of LDPC codes. The aim of the present invention is to solve the problem of low decoding performance accuracy of the existing neural network decoding model when it is disturbed by tone. The process is as follows: 1. Establishing a convolution neural network for LDPC decoding; 2. Determining the initial parameters of the convolution neural network; 3. Obtaining training samples and test samples of the convolution neural network based on communication signals; 4. Inputting training samples into the convolution neural network for training and obtaining the trained convolution neural network; 5. Inputting test samples into the trained convolution neural network. The final trained convolution neural network is obtained by testing. 6. The final trained convolution neural network is used to decode the LDPC codes which are disturbed by tones. The invention belongs to the field of communication technology.
【技术实现步骤摘要】
基于卷积神经网络的抗音调干扰LDPC码的译码方法
本专利技术涉及LDPC码的译码方法。本专利技术属于通信
技术介绍
随着对高效可靠的数字传输和存储系统需求的日益增长,在信息传输过程中,译码工作量成为制约通信速度的瓶颈,如何提高译码速度成为研究重点。LDPC码为5G通信编码标准,是运用最广的线性分组码,它具有逼近香农限的纠错性能、低复杂度的译码算法和易于硬件实现的特点成为编码界的研究热点,并在通信等领域得到广泛的应用。基于一般线性分组码的神经网络译码模型在受到音调干扰的时候,译码性能准确率低。
技术实现思路
本专利技术的目的是为了解决现有神经网络译码模型在受到音调干扰的时候,译码性能准确率低的问题,而提出基于卷积神经网络的抗音调干扰LDPC码的译码方法。基于卷积神经网络的抗音调干扰LDPC码的译码方法具体过程为:步骤1、建立用于LDPC码译码的卷积神经网络;卷积神经网络设置为11层拓扑结构,卷积神经网络的网络结构包括1层输入层、3层卷积层、3层池化层、2层全连接、1层分类层、1层输出层;步骤2、确定卷积神经网络的初始参数,即确定卷积神经网络输入层、卷积层、池化层、全连接、分类层、输出层、学习率、连接权重和偏置的初始参数;对于(16,8)的LDPC码,输入层大小为16,输出层大小为8,学习率为0.08,偏置为0;连接权重取均值为0,方差为0.01的高斯分布;卷积层卷积核大小均为3*1,*代表乘号,卷积核个数均为30;步骤3、基于通信信号获得卷积神经网络的训练样本和测试样本;步骤4、将训练样本输入到步骤2确定完初始参数的卷积神经网络中进行训练,得到训练好的 ...
【技术保护点】
1.基于卷积神经网络的抗音调干扰LDPC码的译码方法,其特征在于:所述方法为:步骤1、建立用于LDPC码译码的卷积神经网络;卷积神经网络设置为11层拓扑结构,卷积神经网络的网络结构包括1层输入层、3层卷积层、3层池化层、2层全连接、1层分类层、1层输出层;步骤2、确定卷积神经网络的初始参数,即确定卷积神经网络输入层、卷积层、池化层、全连接、分类层、输出层、学习率、连接权重和偏置的初始参数;对于(16,8)的LDPC码,输入层大小为16,输出层大小为8,学习率为0.08,偏置为0;连接权重取均值为0,方差为0.01的高斯分布;卷积层卷积核大小均为3*1,*代表乘号,卷积核个数均为30;步骤3、基于通信信号获得卷积神经网络的训练样本和测试样本;步骤4、将训练样本输入到步骤2确定完初始参数的卷积神经网络中进行训练,得到训练好的卷积神经网络;步骤5、将测试样本输入训练好的卷积神经网络进行测试,达到测试精度,得到最终训练好的卷积神经网络,如果没有达到测试精度,重复执行步骤4,直至满足测试精度,得到最终训练好的卷积神经网络;步骤6、利用最终训练好的卷积神经网络对受到音调干扰的LDPC码进行译码。
【技术特征摘要】
1.基于卷积神经网络的抗音调干扰LDPC码的译码方法,其特征在于:所述方法为:步骤1、建立用于LDPC码译码的卷积神经网络;卷积神经网络设置为11层拓扑结构,卷积神经网络的网络结构包括1层输入层、3层卷积层、3层池化层、2层全连接、1层分类层、1层输出层;步骤2、确定卷积神经网络的初始参数,即确定卷积神经网络输入层、卷积层、池化层、全连接、分类层、输出层、学习率、连接权重和偏置的初始参数;对于(16,8)的LDPC码,输入层大小为16,输出层大小为8,学习率为0.08,偏置为0;连接权重取均值为0,方差为0.01的高斯分布;卷积层卷积核大小均为3*1,*代表乘号,卷积核个数均为30;步骤3、基于通信信号获得卷积神经网络的训练样本和测试样本;步骤4、将训练样本输入到步骤2确定完初始参数的卷积神经网络中进行训练,得到训练好的卷积神经网络;步骤5、将测试样本输入训练好的卷积神经网络进行测试,达到测试精度,得到最终训练好的卷积神经网络,如果没有达到测试精度,重复执行步骤4,直至满足测试精度,得到最终训练好的卷积神经网络;步骤6、利用最终训练好的卷积神经网络对受到音调干扰的LDPC码进行译码。2.根据权利要求1所述基于卷积神经网络的抗音调干扰LDPC码的译码方法,其特征在于:所述步骤3中基于通信信号获得卷积神经网络的训练样本和测试样本;具体过程为:由Matlab建模生成不同信噪比的随机序列,经过LDPC编码,BPSK调制,进入高斯白噪声信道接受音调干扰,受音调干扰的通信信号经过BPSK解调,生成训练样本和测试样本。3.根据权利要求1或2所述基于卷积神经网络的抗音调干扰LDPC码的译码方法,其特征在于:所述步骤4中将训练样本输入...
【专利技术属性】
技术研发人员:胡翰智,尹振东,吴芝路,赵延龙,刘庆之,
申请(专利权)人:哈尔滨工业大学,
类型:发明
国别省市:黑龙江,23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。