【技术实现步骤摘要】
一种基于双向LSTM的卷积码译码方法与卷积码编码和译码方法
[0001]本申请涉及电子通信
,尤其涉及一种端到端的卷积码编码和译码方法。
技术介绍
[0002]传统卷积码编码方式采用移位寄存器的方式,如图1所示,具体原理如下:该卷积码的码长n0=2,信息长度k0=1,编码储存时间m=2,编码约束度N=3,编码约束长度N
A
=6,其编码器由两个移位寄存器,和两个加法器组成,该卷积码的输出码组中,每一个码组的第一个码字是由输入的信息码字与前一个时间间隔的输入码字以及前两个时间间隔的输入码字的模二和,第二个码字是输入的信息码字和前两个时间间隔的输入码字的模二和。
[0003]卷积码的译码主要分为代数译码和概率译码两个方向。前者基于的是大数逻辑判决,它针对的是特定码型的卷积码,通过伴随矩阵和错误图样对接收序列进行译码;而后者基于的是最大后验概率(MAP)准则以及最大似然(ML)准则,通过接收序列的概率分布反推出发送序列,其对卷积码码型的包容性高,无论卷积码的码型复杂还是简单,其译码性能都优于代数译码,因此在实际通信系统中有着更加普遍的应用。
[0004]维特比译码算法的数学依据是最大似然(ML)准则,它也被证明是最佳概率译码算法,其译码结构和算法简单,执行处理效率高,成为了卷积码最为主流、也是最受欢迎的译码算法。维特比译码是通过网络图来表示状态间的转移,通过寻找最小距离度量的路径,来完成对发送序列的译码。
[0005]传统编译码的缺陷具体如下:
[0006]1、传统卷积 ...
【技术保护点】
【技术特征摘要】
1.一种基于双向LSTM的卷积码译码方法,其特征在于,所述方法包括:构建双向LSTM神经网络译码器,所述神经网络译码器采用双向LSTM神经网络进行译码;建立接收序列数据集,根据所述接收序列数据集和双向LSTM神经网络构造训练码本;选取训练信噪比,所述训练信噪比为所述接收序列的信噪比;设定仿真参数,并利用所述训练码本和所述训练信噪比对所述双向LSTM神经网络译码器进行训练;利用训练后的双向LSTM神经网络译码器进行译码。2.根据权利要求1所述的一种基于双向LSTM的卷积码译码方法,其特征在于,所述构建双向LSTM神经网络译码器,具体包括:所述双向LSTM神经网络译码器包括输入层、隐层神经和输出层;所述隐层神经由若干层双向LSTM网络层、批量标准化BN层和DropOut层组合而成,用于通过对接收序列进行相邻码字间相关性的提取;所述输入层用于将输入的码本放大到高维的空间中;所述双向LSTM网络层通过学习卷积码输入编码序列前后之间的相关性,将顺序输入的卷积码编码码字变为可以被神经网络所拟和的特征规律;所述批量标准化BN层通过归一化公式让神经网络的输出数据重新分布在规定的范围内而不改变其分布规律;所述DropOut层通过训练时对神经网络训练单元按照一定的概率将其从网络中移除来防止网络的过拟合;所述输出层用于将高维的信息降到低维。3.根据权利要求1所述的一种基于双向LSTM的卷积码译码方法,其特征在于,所述建立接收序列数据集,根据所述接收序列数据集和双向LSTM神经网络构造训练码本,具体包括:根据接收序列,截取长为n*m的序列记为[R11,R12,...,R1n,R21,R22,...,R2n,...,R
m
1,R
m
2,...,R
m
n],码长n对应于双向LSTM神经网络的Inputdim,而m对应的就是双向LSTM神经网络的Timesteps,将所述接收序列转换为m*n的二维张量;将所述m*n的二维张量并行输入至双向LSTM神经网络;根据双向LSTM神经网络参数设定的batchsize,将所有所述所有二维张量变为(batchsize,m,n)的三维张量;根据所述(batchsize,m,n)的三维张量构造训练码本。4.根据权利要求1所述的一种基于双向LSTM的卷积码译码方法,其特征在于,所述选取训练信噪比,具体包括:根据接收序列数据集,选取信噪比数据集;根据所述信噪比数据集和误码率曲线最优原则,选取训练信噪比。5.一种基于双向LSTM的卷积码编码和译码方法,其特征在于,所述方法包括:建立级联训练的神经网络,所述级联训练的神经网络包括发射机、信道噪声和接收机;所述发射机包括LSTM编码器和调制器,所述LSTM编码器和所述调制器顺序连接,所述LSTM编码器采用双向LSTM神经网络进行编码,所述调制器用于进行星座图映射;所述接收机包括基于权利要求1中构建的双向LSTM神经网络译码器和...
【专利技术属性】
技术研发人员:吴少川,王利繁,李壮,
申请(专利权)人:北京机电工程总体设计部,
类型:发明
国别省市:
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。