【技术实现步骤摘要】
智能QC-LDPC译码方法、译码器及低轨卫星通信系统
本专利技术涉及通信
,特别是涉及一种智能QC-LDPC译码方法、译码器及低轨卫星通信系统。
技术介绍
在未来空天地海一体化移动通信中,低轨卫星起着越来越重要的作用。与地面通信系统相比,低轨卫星的覆盖广,更适合在沙漠、深林、海洋等无人区进行全球通信;与高轨卫星通信系统相比,低轨卫星具有路径衰耗小、传输时延短、研制周期短、发射成本低等优点。因此在未来的卫星通信系统中,低轨卫星通信系统会占有越来越重要的地位。虽然低轨卫星通信系统有着诸多优点,但信号的衰弱不可避免地会影响信息传输的可靠性,导致误码率增高,使得通信系统性能降低。以及卫星信道环境容易受外界环境因素影响。针对这一问题,最通用的方法就是增大信噪比。但是,低轨卫星载荷资源紧张,因此常常无法通过卫星设备本身为信号提供较大的信噪比。为了解决这一难题,卫星通信系统通常会引入信道编码技术,为通信链路提供额外的编码增益。信道编码是对提高通信系统高可靠性有着重要作用。LDPC(LowDensityParityCheckCode)作为一种新兴的信道编码,非常适合用于低轨卫星通信系统中。LDPC码与Turbo码、级联码相比,虽然性能差距不大,但是LDPC码复杂度更低,并且易于实现,以及码率高。从信道容量来看,LDPC码是具有逼近Shannon极限的性能,而且具有较好的灵活性和较低的差错平台特性,抗干扰能力强。其中,QC-LDPC(Quasi-CyslicLow-DensityParity-CheckCodes ...
【技术保护点】
1.一种智能QC-LDPC译码方法,其特征在于,包括:/n步骤S1,对经过QC-LDPC编码处理的接收信号进行解调处理获得似然比信息;/n步骤S2,对所述似然比信息进行串并转化得到N个似然比子信息,将N个似然比子信息并行输入N个级联的LSTM记忆神经网络,将N个LSTM记忆神经网络的输出数据并行输入全连接网络的N个神经元处理获得译码数据;所述N为似然比信息码长;/n步骤S3,对所述译码数据进行校验,若校验通过输出所述译码数据,若校验不通过舍弃所述译码数据。/n
【技术特征摘要】
1.一种智能QC-LDPC译码方法,其特征在于,包括:
步骤S1,对经过QC-LDPC编码处理的接收信号进行解调处理获得似然比信息;
步骤S2,对所述似然比信息进行串并转化得到N个似然比子信息,将N个似然比子信息并行输入N个级联的LSTM记忆神经网络,将N个LSTM记忆神经网络的输出数据并行输入全连接网络的N个神经元处理获得译码数据;所述N为似然比信息码长;
步骤S3,对所述译码数据进行校验,若校验通过输出所述译码数据,若校验不通过舍弃所述译码数据。
2.如权利要求1所述的智能QC-LDPC译码方法,其特征在于,N个LSTM记忆神经网络中全部或部分为单层LSTM记忆神经网络;
和/或N个LSTM记忆神经网络和全连接网络采用流水线方式处理数据。
3.如权利要求2所述的智能QC-LDPC译码方法,其特征在于,N个LSTM记忆神经网络和全连接网络采用流水线方式处理数据的过程包括:
步骤S21,设k表示处理周期索引,k为正整数,令k=1时,第一个LSTM记忆神经网络对输入的似然比子信息进行数据处理,令k=k+1,进入步骤S22;
步骤S22,若k大于等于N,将N个LSTM记忆神经网络的输出数据并行输入全连接网络,进入步骤S24;若k小于N,进入步骤S23;
步骤S23,第k个LSTM记忆神经网络结合输入的似然比子信息和第k-1个LSTM记忆神经网络的输出信息进行数据处理获得处理结果,返回步骤S22;
步骤S24,在第k+1个处理周期,N个LSTM记忆神经网络的处理结果并行输入全连接网络,全连接网络输出译码数据。
4.如权利要求3所述的智能QC-LDPC译码方法,其特征在于,设n同时表示LSTM记忆神经网络序号和神经元序号,n为正整数,n∈[1,N],
第n个LSTM记忆神经网络处理数据的过程包括:
步骤一,利用sigmoid激活函数获取第n个LSTM记忆神经网络遗忘上一层隐藏状态的概率fn,所述fn=σ(Wf·[hn-1,xn]+bf),其中,sigmoid激活函数α为激活函数常数;Wf表示第一线性关系系数,bf表示第一线性关系偏置,hn-1表示第n个LSTM记忆神经网络的上一单层LSTM记忆神经网络输入信号的隐藏状态,xn表示输入第n个LSTM记忆神经网络的似然比子信息;
利用sigmoid激活函数获取第n个LSTM记忆神经网络的第一更新信息in,所述in=σ(Wn·[hn-1,xn]+bn),其中,Wn表示第二线性关系系数,bn表示第二线性关系偏置;
利用tanh激活函数获得第n个LSTM记忆神经网络的第二更新信息所述其中,tanh激活函数WC表示第三线性关系系数,bC表示第三线性关系偏置;
步骤二,基于fn、第一更新信息in和第二更新信息获得第n个LSTM记忆神经网络的细胞状态cn,所述其中,所述cn-1表示第n个LSTM记忆神经网络的上一层LSTM记忆神经网络的细胞状态;
步骤三,利用sigmoid激活函数获得第n个LSTM记忆神经网络的第一部分输出信息on,所述on=σ(Wo·[hn-1,xn]+bo),其中,Wo表示第四线性关系系数,bo表示第四线性关系偏置;
利用tanh激活函数获得获得第n个LSTM记忆神经网络的第二部分输出信息hn,所述hn=on*tanh(cn)。
5.如权利要求4所述的智能QC-LDPC译码方法,其特征在于,全连接网络包括神经元层和输出层,所述输出层利用sigmoid激活函数得到输出值为:
其中,zn表示第n个神经元的输出数据,wn表示第n个神经元的权重,θ表示神经单元的内部阈值。
6.如权利要求5所述的智能QC-LDPC译码方法,其特征在于,在所述步骤S3中,当所述译码数据校验通过时,还包括将所述译码数据反馈至N个LSTM记忆神经网络和N个神经元进行训练自学习的步骤。
7.如权利要求6所述的智能QC-LDPC译码方法,其特征在于,反馈所述译码数据至N个LSTM记忆神经网络和N个神经元进行训练自学习的过程包括:
N个神经元训练自学习过程具体包括:
步骤A,反向计算获取全连接网络的输出误差项δ,所述其中,E(w)表示全连接网络的误差函数,表示与y对应的发送信息,net表示神经元加权项,
步骤B,更新全连接网络中每个神经元权重,对于第n个神经元的权重wn更新为:
wn←wn-1-ηδzn,其中,η表示学习率,wn-1表示第n个神经元的上一层神经元的权重或者上一处理周期时第n个神经元的权重;
N个LSTM记忆神经网络训练自学习过程具体包括:
步骤C,计算每个LSTM记忆神经网络的误差项反向传递结果,第n个LSTM记忆神经网络误差项反向传递函数为:
其中,j表示被第n个LSTM记忆神经网络的反向传递误差项的LSTM记忆神经网络序号,j为正整数,j∈[1,n-1],δo,j表示第j个LSTM记忆神经网络信息...
【专利技术属性】
技术研发人员:谷林海,高勇,宋昊,王艳峰,刘鸿鹏,
申请(专利权)人:东方红卫星移动通信有限公司,
类型:发明
国别省市:重庆;50
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。