智能QC-LDPC译码方法、译码器及低轨卫星通信系统技术方案

本发明专利技术公开了一种智能QC－LDPC译码方法、译码器及低轨卫星通信系统。译码方法包括：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；S2，对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获得译码数据；S3，对译码数据进行校验，若校验通过输出译码数据，若校验不通过舍弃译码数据。采用人工智能技术进行QC－LDPC译码，LSTM记忆神经网络具有此时刻输入信息与前面时刻输入信息有关联，能够实现译码算法的自组织学习，找到输入变量之间复杂的相互作用，提高译码的性能。

【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)即准循环QC－LDPC码的稀疏特性更适合卫星通信。然而，当QC－LDPC码的校验矩阵结构构造完毕，译码算法的选择又将影响到是否能够使码字本身的纠错潜力得到最大发挥。QC－LDPC软判决译码算法译码性能较好，但是译码迭代过程对计算资源的需求更大。研究人员先后又提出了一系列译码算法，如归一化最小和算法、偏置最小和算法等算法，这些算法在校验节点更新过程只需存储计算的最小值和符号，但是也牺牲了部分译码性能。因此，如何在降低软判决译码算法的复杂度和优良的译码性能之间平衡折中，是QC－LDPC译码研究必须解决的问题。
技术实现思路
本专利技术旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种智能QC－LDPC译码方法、译码器及低轨卫星通信系统。为了实现本专利技术的上述目的，根据本专利技术的第一个方面，本专利技术提供了一种智能QC－LDPC译码方法，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。上述技术方案：本方法采用人工智能技术进行QC－LDPC译码，能够实现译码算法的自组织学习，不断提高译码的性能；LSTM记忆神经网络具有此时刻输入信息与前面时刻输入信息有关联，从而增强了译码的性能；神经网络是非线性的，它可以找到输入变量之间复杂的相互作用，能够挖掘出信道诸多特性，从而增强QC－LDPC译码性能。在本专利技术一种优选实施方式中，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。上述技术方案：单层LSTM记忆神经网络能够简化神经网络结构，减少计算复杂度和运算量，在保证译码性能同时尽可能简化译码复杂度；采用流水线处理方式，大量的相似或独立运算都可以同时进行，提高译码处理的实时性。在本专利技术一种优选实施方式中，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。上述技术方案：实现经过N+1个处理周期完成数据译码，N个LSTM记忆神经网络采用流水线式工作，后一层处理会结合上一层处理结果，增强译码性能，全连接网路在同一处理周期并行处理N个LSTM记忆神经网络输出数据，能够提高译码实时性，使得本专利技术的译码方法方便在FPGA等并行执行器件上实施，具备极强的工程实施性。在本专利技术一种优选实施方式中，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0<σ(x)<1，α表示为激活函数常数，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)。上述技术方案：具体实现了N个LSTM记忆神经网络流水线式工作，并且后一层处理会结合上一层处理结果，增强译码性能。在本专利技术一种优选实施方式中，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。上述技术方案：通过sigmoid激活函数使得神经元的输出为0或1，形成译码数本文档来自技高网...

【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