一种基于图模型网络的LDPC译码方法技术

本发明专利技术公开了一种基于图模型网络的LDPC译码方法，包括以下步骤：S1、通过光纤通信系统获取LDPC编码数据作为图模型网络的训练数据；S2、针对选取的LDPC编码码字建立图模型网络；S3、进行图模型网络的训练，当图模型网络训练达到预期值或者训练次数达到最大值后将网络模型保存，保存下来的网络作为译码器进行光纤信道下的LDPC译码。本发明专利技术通过在LDPC译码的过程中使用包含可训练权重的图模型网络来代替传统的BP迭代结构，作为纠错码译码器实现软判决信息到原始信息码字的映射，弥补了传统迭代译码算法存在计算量大、迭代次数多的不足，并解决了一些深度学习网络只能局限于处理较短码长的译码问题，具有更好的兼容性、较低的计算复杂度和更优的误码性能。算复杂度和更优的误码性能。算复杂度和更优的误码性能。

【技术实现步骤摘要】
一种基于图模型网络的LDPC译码方法


[0001]本专利技术涉及光纤通信
，尤其涉及一种基于图模型网络的LDPC译码方法。

技术介绍

[0002]光纤通信技术相对于其他通信技术来说，具有传输距离更远、容量更大和速度更快的优势，已经成为骨干网络和数据中心进行数据传输的重要手段。面对互联网越来越高的流量和带宽的需求，提高光网络系统的传输效率具有很强的现实需要。
[0003]从传输架构层面考虑，提高光发射机的发送功率能够做到提升信道传输的容量，但同时也意味着需要对整体传输结构进行调整，并且还要考虑高功率光信号在信道中所受到的非线性作用和损耗，因此在原有光纤网络的体系结构下寻求提升传输效率的方式变得尤为重要。
[0004]前向纠错编码作为信道编码的一种，能够降低信息在传递中出现的差错对接收端的影响，提高系统的传输效率，即在原始码字的基础上添加若干冗余位组合成新的码字，基于特定算法使得加入的冗余位和原始的信息位产生约束关系，若此约束关系在传输中受到噪声的影响被破坏，便可以在一定程度上发现错误并纠正。作为高速光通信中的关键技术，前向纠错编码能够在不改变现有系统结构的情况下，增强通信系统的可靠性、改善系统误码性能。
[0005]在前向纠错领域的研究中，LDPC码以其具有接近香农限的潜力成为近年来的研究热门之一。LDPC码即低密度奇偶校验码，是一种线性分组码，因其校验矩阵中非零元素的数量远远小于零元素的数量而得名。随着LDPC码编译码技术的发展，其在通信领域应用越来越广泛，尤其是在光通信领域。凭借其译码高效和性能优良的特点，成为提高光通信传输中信息的稳定性、安全性和传输速度的关键技术之一。然而，在LDPC译码的过程中，传统的BP迭代译码算法存在计算量大、迭代次数多的不足。

技术实现思路

[0006]本专利技术的目的是提供一种基于图模型网络的LDPC译码方法，在纠错码译码的过程中使用图模型网络代替传统的BP迭代结构，解决如下技术问题。本专利技术提供的新型译码方法在传统迭代译码方式的基础上引入权重可训练的图模型网络，使得纠错码迭代译码过程的平均计算次数获得显著降低，系统译码效率提升。本方法还拥有对于不同信道条件的光纤通信系统的兼容性，从而能够实现灵活的部署。同时，本方案拥有较低的计算复杂度，避免消耗庞大的计算资源。综上所述，本方法在光传输领域有着重要的应用前景。
[0007]为了实现上述目的，本专利技术提供如下技术方案：
[0008]本专利技术提供的一种基于图模型网络的LDPC译码方法，包括以下步骤：
[0009]S1、建立光纤通信系统，系统中包含LDPC编码结构，通过系统获取LDPC编码数据作为图模型网络的训练数据；
[0010]S2、针对选取的LDPC编码码字建立图模型网络；
[0011]S3、利用光纤信道下的数据进行图模型网络的训练，当图模型网络训练达到预期值或者训练次数达到最大值后将网络模型保存，保存下来的网络作为译码器进行光纤信道下的LDPC译码。
[0012]进一步地，步骤S1中LDPC编码数据包括LDPC编码前的原始码字c、LDPC编码后的码字x、经过光纤信道后的带噪声的码字y和译码输出的码字
[0013]进一步地，步骤S2中图模型网络的参数包括：校验节点传向变量节点的信息L(r
ij
)、变量节点传向校验节点的信息L(q
ij
)、校验节点信息更新公式中的权重u
ijl
和信息节点信息更新公式中的权重w
ijl
，其中u
ijl
和w
ijl
的值在图模型网络训练阶段迭代更新，在实际译码阶段固定。
[0014]进一步地，步骤S2中图模型网络包括软判决信息输入层、迭代计算层、译码输出层，其中迭代计算层又包括校验节点计算层和变量节点计算层两部分。
[0015]进一步地，步骤S2中，设置网络的输入层、输出层大小和变量节点层大小为n，网络的校验节点层大小为n
‑
k，每层网络之间根据Tanner图中信息传递方式进行连接。
[0016]进一步地，校验节点传向变量节点的信息为：
[0017][0018]变量节点传向校验节点的信息为：
[0019][0020]变量节点收集到的所有信息为：
[0021][0022]其中r
ji
(b)是校验节点j传给变量节点i的置信度信息，q
ji
(b)是变量节点i传给校验节点j的置信度信息。
[0023]进一步地，步骤S3采取反向传播的方式进行图模型网络的训练。
[0024]进一步地，步骤S3采取随机梯度下降的训练方式。
[0025]进一步地，在第l次迭代中，对每个校验节点，计算从变量节点传递到校验节点的信息为：
[0026][0027]其中L(l
‑
1)表示上一次迭代的变量节点更新的信息，若为第一次迭代则为初始化信息；
[0028]在第l次迭代中，对每个变量节点，计算从校验节点传递到变量节点的信息为：
[0029]L
(l)
(q
ij
)＝w
ijl
L(P
i
)+∑
j
′
w
ijl
‑1L
9l
‑
1)
(r
j
’
i
)
ꢀꢀꢀꢀ
(2)
[0030]公式(1)、(2)中的u
ijl
和w
ijl
是传递过程所添加的权重系数，也是网络训练过程中更新的目标。
[0031]进一步地，在最后一层对变量节点的判决过程中，LLR消息被转化成普通概率，利
用sigmoid函数将LLR消息转化为0
‑
1之间的概率分布，从而实现译码判决：
[0032]O
v
(q
ij
)＝σ(w
v2T+1
L(P
i
)+∑
j
’
w
v2T
L
(2T)
(r
j
′
i
))
ꢀꢀꢀꢀ
(3)
[0033]其中sigmoid函数形式如下：
[0034]σ(x)＝(1+e
‑
x
)
‑1ꢀꢀꢀꢀꢀꢀꢀ
(4)
[0035]当满足时，或达到最大迭代次数则停止此轮译码，否则继续回到译码迭代过程。
[0036]与现有技术相比，本专利技术的有益效果为：
[0037]本专利技术的基于图模型网络的LDPC译码方法，在光通信系统中通过使用纠错编码的思想，在对信息进行纠错译码时通过使用包含可训练权重的图模型网络来代替传统的BP迭代结构，作为纠错码译码器实现软判决信息到原始信息码字的映射，提高系统纠错性能，同时降低通信系统本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图模型网络的LDPC译码方法，其特征在于，包括以下步骤：S1、建立光纤通信系统，系统中包含LDPC编码结构，通过系统获取LDPC编码数据作为图模型网络的训练数据；S2、针对选取的LDPC编码码字建立图模型网络；S3、利用光纤信道下的数据进行图模型网络的训练，当图模型网络训练达到预期值或者训练次数达到最大值后将网络模型保存，保存下来的网络作为译码器进行光纤信道下的LDPC译码。2.根据权利要求1所述的基于图模型网络的LDPC译码方法，其特征在于，步骤S1中LDPC编码数据包括LDPC编码前的原始码字c、LDPC编码后的码字x、经过光纤信道后的带噪声的码字y和译码输出的码字3.根据权利要求1所述的基于图模型网络的LDPC译码方法，其特征在于，步骤S2中图模型网络的参数包括：校验节点传向变量节点的信息L(r
ij
)、变量节点传向校验节点的信息L(q
ij
)、校验节点信息更新公式中的权重u
ijl
和信息节点信息更新公式中的权重w
ijl
，其中u
ijl
和w
ijl
的值在图模型网络训练阶段迭代更新，在实际译码阶段固定。4.根据权利要求1所述的基于图模型网络的LDPC译码方法，其特征在于，步骤S2中图模型网络包括软判决信息输入层、迭代计算层、译码输出层，其中迭代计算层又包括校验节点计算层和变量节点计算层两部分。5.根据权利要求4所述的基于图模型网络的LDPC译码方法，其特征在于，步骤S2中，设置网络的输入层、输出层大小和变量节点层大小为n，网络的校验节点层大小为n
‑
k，每层网络之间根据Tanner图中信息传递方式进行连接。6.根据权利要求5所述的基于图模型网络的LDPC译码方法，其特征在于，校验节点传向变量节点的信息为：变量节点传向校验节点的信息为：变量节点收集到的所有信息为：其中r
ji
(b)是校验节点j传给变量节点i的置信度信息，q
ji
(b)是变量节点i传给校验节点j的置信度信息。7.根据权利要求6所述的基于图模型网络的LDPC译码方法，其特征在于，...

【专利技术属性】
技术研发人员：田清华，忻向军，杨羽飞，高然，常天海，王光全，姚海鹏，张琦，田凤，杨雷静，王拥军，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：