一种基于CNN的LDPC码盲信道译码方法及译码器技术

本发明专利技术提供一种无需信道检测的基于CNN的LDPC盲译码方法及译码器。利用LDPC码的Tanner图所展示出来的内部节点之间的互连关系确定模板，根据该模板将LDPC码一维信号转换为二维图像，再通过CNN对图像进行降噪处理，并在二维图像的基础上，对LDPC码进行译码，整个网络架构可以在无需维度变换的基础上进行降噪且译码。在相同条件下，盲译码算法相比于传统BP译码算法具有显著提升。

A blind channel decoding method and decoder of LDPC code based on CNN

【技术实现步骤摘要】
一种基于CNN的LDPC码盲信道译码方法及译码器
本专利技术属于信道编译码
，涉及一种基于CNN的LDPC盲信道译码方法及译码器。
技术介绍
低密度奇偶校验(LDPC)码是一类线性分组码，它在大量数据传输和存储信道上提供接近信道容量的性能，同时允许可实现的译码器。与其他类码不同，LDPC码已经具有非常快(概率)编码和译码算法，问题在于LDPC码的设计使得这些算法可以在面对大量噪声时能够恢复原始码字。新的分析和组合工具可以解决码的设计问题，这使得LDPC码不仅在理论角度上具有吸引力，而且在实际应用中也是完美的。现有的译码器如置信传播(BP)的最小和译码算法是一维译码且需要十分精确的信道估计，该方法则从二维的角度提出了一种盲信道译码算法。LDPC码的性能除了取决于码本之外，还极大地依赖于精确的信道条件评估N0，而在实际情况中，当信道估计并不是十分准确时，每个用户的误码率(BER)就会有很大的损失。因此，不经过信道估计的盲译码在实际系统中具有重要意义。算法的中心思想是使得噪声在译码前能够被最小化，有效的降噪能够确保LDPC系统处于一个接近无噪的状态，降低噪声对BP的影响使盲译码成为可能。
技术实现思路
本专利技术的目的在于提供一种基于CNN的LDPC码盲信道译码方法，主要解决当前传统BP译码算法中的最小和译码算法对信道检测情况的依赖性问题，降低信号中的噪声，弱化在译码过程中信道信噪比的概念，构建一个对所有信噪比都适用的降噪并译码的网络，实现即便信道噪声检测不准确或信道噪声条件未知的情况下也能准确的译码。本专利技术提供一种基于CNN的LDPC码盲信道译码方法，包括以下步骤：(1)根据LDPC码的Tanner图中变量节点和校验节点之间的互连关系构建LDPC码的二维模板；(2)根据二维模板将原始一维LDPC码信号转化为二维形式的信号；(3)将二维形式的信号看作“图像”，利用卷积神经网络进行降噪；对降噪后的“图像”进行译码。优选地，所述步骤(3)中，先利用字典学习对“图像”进行预滤波处理，预先滤除一部分噪声，再利用卷积神经网络对预先滤除一部分噪声后的“图像”进行降噪。优选地，在利用字典学习对“图像”进行预滤波处理过程中，利用正交匹配追踪算法、最小角回归算法或阈值处理对“图像”进行预滤波。优选地，所述步骤(1)中，二维数独模板的构建具体为，LDPC码的Tanner图中，变量节点之间通过校验节点相连接，校验节点之间通过变量节点相连接，计算变量节点之间的距离以及校验节点之间的距离；根据变量节点之间的距离、校验节点之间的距离分别生成变量节点的数独模板、校验节点的数独模板；将变量节点的数独模板、校验节点的数独模板叠加形成二维模板。优选地，变量节点的数独模板为M×M的矩阵，校验节点的数独模板为N×N的矩阵，如果M与N不相等，则对行列数小的矩阵进行填充，使其行列数与另一矩阵相等。优选地，所述步骤(1)中，二维数独模板的构建具体为，LDPC码的Tanner图中，变量节点之间通过校验节点相连接，校验节点之间通过变量节点相连接，计算变量节点之间的距离以及校验节点之间的距离；根据变量节点之间的距离、校验节点之间的距离分别生成变量节点的数独模板、校验节点的数独模板；所述步骤(2)中，分别根据变量节点的数独模板、校验节点的数独模板将原始一维LDPC码信号转化为二维形式的信号。优选地，变量节点的数独模板中，对于其中一个变量节点，与该变量节点距离近的其他变量节点安排在该变量节点的4-相邻像素点位置，距离远的其他变量节点安排在该变量节点的对角-相邻像素点位置；校验节点的数独模板中，对于其中一个校验节点，与该校验节点距离近的其他校验节点安排在该校验节点的4-相邻像素点位置，距离远的其他校验节点安排在该校验节点的对角-相邻像素点位置。优选地，变量节点的数独模板中，对于其中一个变量节点，针对位于该变量节点的4-相邻像素点位置或对角-相邻像素点位置的四个变量节点，对该四个变量节点中的一个或多个设置权重，权重的值越大，表示距离该变量节点更近；校验节点的数独模板中，对于其中一个校验节点，针对位于该校验节点的4-相邻像素点位置或对角-相邻像素点位置的四个校验节点，对该四个校验节点中的一个或多个设置权重，权重的值越大，表示距离该校验节点更近。本专利技术还提供一种译码器，包括处理器，所述处理器执行本专利技术提供的基于CNN的LDPC码盲信道译码方法。本专利技术具有以下有益效果：本专利技术提出了一种基于深度学习和字典学习的LDPC码盲信道译码算法，不再受到信道检测质量的制约，能够适用于信道检测不准确或信道信噪比条件未知的情况，与传统BP译码算法相比，在同样未知信道情况时，我们的方法极大的改善了性能，如图4所示，在此基础上，我们字典学习对原始含有噪声的信号进行预滤波处理，预先滤除一部分噪声，再利用CNN进行进一步降噪和译码，其性能比不结合字典学习的译码算法性能略好，其性能对比如图9所示，该算法在CNN卷积过程中所涉及到的乘法和加法运算上，与不结合字典学习的译码算法相比降低了50％的运算量。附图说明图1为n＝8,k＝4的LDPC码的Tanner图；图2中，(a)为n＝8,k＝4的LDPC码信息位(即变量节点v)的数独模板，(b)为校验位(即校验节点c)的数独模板；图3为CNN网络架构；图4为在AWGN信道下BP盲译码和基于CNN的盲译码的性能对比；图5为预测试训练集的字典；图6为加噪后图像与原始图像之差图像形式表示；图7为正交匹配追踪算法、最小角回归算法以及阈值处理后的图像结果，其中，(a)为正交匹配追踪算法1原子处理后的图像结果，(b)为正交匹配追踪算法2原子处理后的图像结果，(c)为最小角回归算法处理后的图像结果，(d)为阈值处理后的图像结果；图8为训练集的字典；图9为BP盲译码与结合了字典学习的CNN在瑞利信道下的性能对比。具体实施方式下面结合附图和具体实例对本专利技术作进一步说明。一、二维模板构建对于LDPC码(n,k)(n为编码之后信息序列的长度，也是生成矩阵G的列数，k为原始信息位的长度，也是生成矩阵G的行数)，编码后产生n-k个校验位。生成矩阵G可以通过高斯消元线性变换转化为[IP]的形式。因此，校验矩阵H可以写成下面的形式：G＝[IP]→H＝[PTI]其中I为大小为k×k的单位矩阵，PT为矩阵P所对应的转置。为了获得LDPC码传输信号的合理模板形式，我们研究了内部节点之间的关系。对于本实施例中的LDPC码，其信息位有4比特，生成矩阵如下：根据生成矩阵，对于编码后的信息表示为s＝[vc]，其中v为原始信息位，c为校验位，为了构建模板，则需知道v和c之间的关系，而v和c的关系可以从G矩阵得到，将其关系按照类似Tanner图的形式表示出来，则其所对应的Tanner图如图1所示。为了统一表示，本专利技术中出现的变量节点均指原始信息位对应本文档来自技高网...

【技术保护点】
1.一种基于CNN的LDPC码盲信道译码方法，其特征在于：/n(1)根据LDPC码的Tanner图中变量节点和校验节点之间的互连关系构建LDPC码的二维模板；/n(2)根据二维模板将原始一维LDPC码信号转化为二维形式的信号；/n(3)将二维形式的信号看作“图像”，利用卷积神经网络进行降噪；对降噪后的“图像”进行译码。/n

【技术特征摘要】
1.一种基于CNN的LDPC码盲信道译码方法，其特征在于：
(1)根据LDPC码的Tanner图中变量节点和校验节点之间的互连关系构建LDPC码的二维模板；
(2)根据二维模板将原始一维LDPC码信号转化为二维形式的信号；
(3)将二维形式的信号看作“图像”，利用卷积神经网络进行降噪；对降噪后的“图像”进行译码。


2.如权利要求1所述的基于CNN的LDPC码盲信道译码方法，其特征在于：所述步骤(3)中，先利用字典学习对“图像”进行预滤波处理，预先滤除一部分噪声，再利用卷积神经网络对预先滤除一部分噪声后的“图像”进行降噪。


3.如权利要求2所述的基于CNN的LDPC码盲信道译码方法，其特征在于：在利用字典学习对“图像”进行预滤波处理过程中，利用正交匹配追踪算法、最小角回归算法或阈值处理对“图像”进行预滤波。


4.如权利要求1、2或3所述的基于CNN的LDPC码盲信道译码方法，其特征在于：所述步骤(1)中，二维数独模板的构建具体为，LDPC码的Tanner图中，变量节点之间通过校验节点相连接，校验节点之间通过变量节点相连接，计算变量节点之间的距离以及校验节点之间的距离；根据变量节点之间的距离、校验节点之间的距离分别生成变量节点的数独模板、校验节点的数独模板；将变量节点的数独模板、校验节点的数独模板叠加形成二维模板。


5.如权利要求4所述的基于CNN的LDPC码盲信道译码方法，其特征在于：变量节点的数独模板为M×M的矩阵，校验节点的数独模板为N×N的矩阵，如果M与N不相等，则对行列数小的矩阵进行填充，使其行列数与另一矩阵相等。


6.如权利要求1、2或3所述的基于CNN的...

【专利技术属性】
技术研发人员：张川，庞旭，尤肖虎，
申请(专利权)人：网络通信与安全紫金山实验室，
类型：发明
国别省市：江苏;32