一种用于MCU的LDPC码纠错方法及纠错模块技术

本发明专利技术提供了一种用于MCU的LDPC码纠错方法，其特征在于：包括如下步骤：S1步，根据设定LDPC码长和码率构造LDPC的校验矩阵H，由校验矩阵H转换得到生成矩阵G，并将校验矩阵H和生成矩阵G进行储存；S2步，输入长度为k的信息序列X；基于生成矩阵G，将信息序列X进行编码得到码字Y；将码字Y编制成码字信息并向外传输；S3步，接收码字信息，得到带噪码字Y′；使用深度学习译码法将带噪码字Y′直接译码成码字X。该方法具有更强的纠错能力，使MCU具有更高的可靠性，降低了译码的迭代次数和复杂度。本发明专利技术还提供一种实现上述LDPC码纠错方法的纠错模块。

An error correction method and module of LDPC code for MCU

【技术实现步骤摘要】
一种用于MCU的LDPC码纠错方法及纠错模块
本专利技术涉及电子通信
，更具体地说，涉及一种用于MCU的LDPC码纠错方法及纠错模块。
技术介绍
微控制单元(MicrocontrollerUnit；MCU)，又称单片微型计算机(SingleChipMicrocomputer)或者单片机，是把中央处理器(CentralProcessUnit；CPU)的频率与规格做适当缩减，并将内存(memory)、计数器(Timer)、USB、A/D转换等周边接口，甚至LCD驱动电路都整合在单一芯片上，形成芯片级的计算机。为了提高通信的可靠性，MCU内部配备了误码校正(ECC)模块，传统的ECC模块使用的是汉明码和BCH码来纠正错误。随着MCU的不断发展，人们正在将MCU用于各种各样的新型和更加复杂的计算任务；但是汉明码和BCH码的纠错能力有限，无法满足更加复杂的计算任务和更加庞大的数据通讯量。低密度奇偶检验码(LowDensityParityCheckCode；LDPC)是一类性能逼近香农限的好码，由于它具有纠错能力强、译码复杂度低等诸多优点，是取代汉明码和BCH码的理想方案，但是LDPC码在MCU
上的应用仍然空白。
技术实现思路
为克服现有技术中的缺点与不足，本专利技术的一个目的在于提供一种用于MCU的LDPC码纠错方法；该方法具有更强的纠错能力，使MCU具有更高的可靠性，降低了译码的迭代次数和复杂度。本专利技术的另一个目的在于提供一种实现上述LDPC码纠错方法、纠错能力强、可靠性高、可降低译码迭代次数和复杂度的LDPC码纠错模块。为了达到上述目的，本专利技术通过下述技术方案予以实现：一种用于MCU的LDPC码纠错方法，其特征在于：包括如下步骤：S1步，根据设定LDPC码长和码率构造LDPC的校验矩阵H，由校验矩阵H转换得到生成矩阵G，并将校验矩阵H和生成矩阵G进行储存；S2步，输入长度为k的信息序列X；基于生成矩阵G，将信息序列X进行编码得到码字Y；将码字Y编制成码字信息并向外传输；S3步，接收码字信息，得到带噪码字Y′；使用深度学习译码法将带噪码字Y′直接译码成码字X。优选地，所述S1步中，校验矩阵H的构造方法是：设定LDPC码长为n，校验位长度为m，码率为R＝k/n；利用maykay构造法，构造出校验矩阵H。优选地，所述S1步中，由校验矩阵H转换得到生成矩阵G，是指：将校验矩阵H的右半部分H2求逆，再乘校验矩阵H的左半部分H1，得到生成矩阵G的右半部分G2；生成矩阵G的左半部分G1设定为大小为k×k的单位矩阵I：其中，生成矩阵G的大小为k×n。优选地，所述S2步中，基于生成矩阵G，将信息序列X与生成矩阵G相乘得到长度为n的码字Y：Y＝X×G。优选地，所述S3步中，使用深度学习译码法将带噪码字Y′直接译码成码字X，是指：包括以下分步骤：S31步，构建深度学习模型：采用DNN模型，设定模型输入层维度、隐藏层层数以及各层网络的神经元个数、输出层神经元个数，在隐藏层的输出部分添加激活函数，设定模型的损失函数；S32步，训练模型：构建数据集，数据集为多组的带噪码字Y′，标签为原始码字的信息序列X；将数据集按设定比例分为训练集和验证集；将训练集输入到DNN模型，通过反向传播算法来更新模型的参数使损失函数收敛，当验证集的准确率和损失函数趋于稳定时停止训练，保存模型；S33步，将保存的模型作为纠错模型，带噪码字Y′通过纠错模型后译码为码字X。一种实现上述用于MCU的LDPC码纠错方法的LDPC码纠错模块，其特征在于：包括：LDPC矩阵储存模块，用于根据设定LDPC码长和码率构造LDPC的校验矩阵H，由校验矩阵H转换得到生成矩阵G，并将校验矩阵H和生成矩阵G进行储存；LDPC编码模块，用于基于生成矩阵G，将长度为k的信息序列X进行编码得到码字Y；以及LDPC译码模块，用于接收带噪码字Y′，使用深度学习译码法将带噪码字Y′直接译码成码字X。优选地，所述LDPC矩阵储存模块中，设定LDPC码长为n，校验位长度为m，码率为R＝k/n；利用maykay构造法，构造出校验矩阵H。优选地，所述LDPC矩阵储存模块中，由校验矩阵H转换得到生成矩阵G，是指：将校验矩阵H的右半部分H2求逆，再乘校验矩阵H的左半部分H1，得到生成矩阵G的右半部分G2；生成矩阵G的左半部分G1设定为大小为k×k的单位矩阵I：其中，生成矩阵G的大小为k×n。优选地，所述LDPC编码模块中，基于生成矩阵G，将信息序列X与生成矩阵G相乘得到长度为n的码字Y：Y＝X×G。与现有技术相比，本专利技术具有如下优点与有益效果：1、相比于传统方式采用汉明码和BCH码，本专利技术使用LDPC码作为差错控制码，在相同码长和码率的条件下具有更强的纠错能力，使MCU具有更高的可靠性；2、本专利技术使用深度神经网络译码，相比传统的BP迭代译码进一步提升了LDPC的性能，并且降低了译码的迭代次数和复杂度。附图说明图1是本专利技术用于MCU的LDPC码纠错方法的流程图；图2是本专利技术用于MCU的LDPC码纠错模块的结构图；图3是实施例中LDPC码的深度神经网络结构图；图4是实施例中LDPC码与传统BCH码的性能比较图。具体实施方式下面结合附图与具体实施方式对本专利技术作进一步详细的描述。实施例一本实施例一种用于MCU的LDPC码纠错方法，其流程如图1所示，包括如下步骤：S1步，根据设定LDPC码长和码率构造LDPC的校验矩阵H，由校验矩阵H转换得到生成矩阵G，并将校验矩阵H和生成矩阵G进行储存。具体地说，设定LDPC码长为n，待输入信息序列X的长度为k，校验位长度为m，码率为R＝k/n；利用maykay构造法，构造出校验矩阵H。由校验矩阵H转换得到生成矩阵G，是指：将校验矩阵H的右半部分H2求逆，再乘校验矩阵H的左半部分H1，得到生成矩阵G的右半部分G2；生成矩阵G的左半部分G1设定为大小为k×k的单位矩阵I：其中，生成矩阵G的大小为k×n。S2步，输入长度为k的信息序列X；基于生成矩阵G，将信息序列X进行编码得到码字Y；将码字Y编制成码字信息并向外传输。具体地说，基于生成矩阵G，将信息序列X与生成矩阵G相乘得到长度为n的码字Y：Y＝X×G。S3步，接收码字信息，得到带噪码字Y′；使用深度学习译码法将带噪码字Y′直接译码成码字X。具体地说，使用深度学习译码法将带噪码字Y′直接译码成码字X，是指：包括以下分步骤：S31步，构建深度学习模型：采用DNN模型，设定模型输入层维度、隐藏层层数以及各层网络的神经元个数、输出层神经元个数，在隐藏层的输出部分添加激活函数，设定模型的损失函数；S32步，训练模型：构建数据集，数据集为多组本文档来自技高网...

【技术保护点】
1.一种用于MCU的LDPC码纠错方法，其特征在于：包括如下步骤：/nS1步，根据设定LDPC码长和码率构造LDPC的校验矩阵H，由校验矩阵H转换得到生成矩阵G，并将校验矩阵H和生成矩阵G进行储存；/nS2步，输入长度为k的信息序列X；基于生成矩阵G，将信息序列X进行编码得到码字Y；将码字Y编制成码字信息并向外传输；/nS3步，接收码字信息，得到带噪码字Y′；使用深度学习译码法将带噪码字Y′直接译码成码字X。/n

【技术特征摘要】
1.一种用于MCU的LDPC码纠错方法，其特征在于：包括如下步骤：
S1步，根据设定LDPC码长和码率构造LDPC的校验矩阵H，由校验矩阵H转换得到生成矩阵G，并将校验矩阵H和生成矩阵G进行储存；
S2步，输入长度为k的信息序列X；基于生成矩阵G，将信息序列X进行编码得到码字Y；将码字Y编制成码字信息并向外传输；
S3步，接收码字信息，得到带噪码字Y′；使用深度学习译码法将带噪码字Y′直接译码成码字X。


2.根据权利要求1所述的用于MCU的LDPC码纠错方法，其特征在于：所述S1步中，校验矩阵H的构造方法是：设定LDPC码长为n，校验位长度为m，码率为R＝k/n；利用maykay构造法，构造出校验矩阵H。


3.根据权利要求2所述的用于MCU的LDPC码纠错方法，其特征在于：所述S1步中，由校验矩阵H转换得到生成矩阵G，是指：将校验矩阵H的右半部分H2求逆，再乘校验矩阵H的左半部分H1，得到生成矩阵G的右半部分G2；生成矩阵G的左半部分G1设定为大小为k×k的单位矩阵I：



其中，生成矩阵G的大小为k×n。


4.根据权利要求3所述的用于MCU的LDPC码纠错方法，其特征在于：所述S2步中，基于生成矩阵G，将信息序列X与生成矩阵G相乘得到长度为n的码字Y：
Y＝X×G。


5.根据权利要求4所述的用于MCU的LDPC码纠错方法，其特征在于：所述S3步中，使用深度学习译码法将带噪码字Y′直接译码成码字X，是指：包括以下分步骤：
S31步，构建深度学习模型：采用DNN模型，设定模型输入层维度、隐藏层层数以及各层网络的神经元个数、输出层神经元个数，在隐藏层的输出部分添加激活函数，设定模型的损失函数；
S32步，训练模...

【专利技术属性】
技术研发人员：姜小波，邱泽增，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44