一种基于深度展开的近似投影ADMM译码方法及系统技术方案

本发明专利技术提供一种基于深度展开的近似投影ADMM译码方法及系统，包括：确定通信系统中的待译码字；将所述待译码字输入至预先训练好的译码模型中，得到所述译码模型输出的译码结果；所述译码模型是利用深度学习中的深度展开特征，以及分层调度算法，对基于线段投影的ADMM水平调度译码模型进行迭代展开得到的。本发明专利技术通过利用深度学习将基于线段投影的ADMM水平调度译码算法部署到神经网络模型中，基于校验节点惩罚的思想在校验节点到变量节点的边上添加可训练参数，使用分层调度思想，加快算法收敛速度，减少参数量，使用大量加噪码字数据进行训练，优化可学习参数，提升传统译码算法模型的性能。算法模型的性能。算法模型的性能。

【技术实现步骤摘要】
一种基于深度展开的近似投影ADMM译码方法及系统


[0001]本专利技术涉及通信
，尤其涉及一种基于深度展开的近似投影ADMM译码方法及系统。

技术介绍

[0002]在通信领域中，普遍存在编解码的场景应用，往往通过引入深度学习来处理庞大复杂的通信系统编解码问题。
[0003]在通信系统中采用构建神经网络模型的方法实现起来虽然简单，但不可避免存在较大的弊端，首先是构建并运行神经网络需要耗费大量的内存资源与计算资源，其次是通信系统性能无法得到保证，使用神经网络构成的通信系统如同一个黑盒模型，只能查看其输入与输出，一旦出问题，无法通过结合内部结构定位问题所在。作为黑盒模型的一种替代，基于模型驱动的网络在通信系统中越来越普遍，基于模型驱动网络的核心思想是将具有性能保证的传统算法与深度学习工具融合在一起，进而结合两个方向的优点。
[0004]基于上述优点，最先应用深度学习框架的传统模型是置信传播(Belief Propagation，BP)译码算法，对BP译码算法中变量节点到校验节点信息更新公式进行修改，在边的计算过程中添加可训练权本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度展开的近似投影ADMM译码方法，其特征在于，包括：确定通信系统中的待译码字；将所述待译码字输入至预先训练好的译码模型中，得到所述译码模型输出的译码结果；所述译码模型是利用深度学习中的深度展开特征，以及分层调度算法，对基于线段投影的交替方向乘子法ADMM水平调度译码模型进行迭代展开得到的。2.根据权利要求1所述的基于深度展开的近似投影ADMM译码方法，其特征在于，所述译码模型，通过以下步骤获得：确定所述基于线段投影的ADMM水平调度译码模型；基于所述分层调度算法获取预设参数集合，基于所述参数集合构建训练数据集和优化器；利用所述训练数据集对所述基于线段投影的ADMM水平调度译码模型进行训练，得到所述译码模型。3.根据权利要求2所述的基于深度展开的近似投影ADMM译码方法，其特征在于，所述确定所述基于线段投影的ADMM水平调度译码模型，包括：确定接收码字、选择矩阵、权重参数向量和最大迭代次数；计算获得所述接收码字对应的对数似然比向量，初始化当前迭代次数以及校验节点层信息；更新全部变量节点信息；依次更新校验节点信息和更新与当前校验节点相连的变量节点信息；遍历所有校验节点，直到达到最大迭代次数，得到所述基于线段投影的ADMM水平调度译码模型。4.根据权利要求3所述的基于深度展开的近似投影ADMM译码方法，其特征在于，所述更新全部变量节点信息，包括：确定待投影向量，初始化指示向量；确定距离所述待投影向量为预设距离的第一元素位置和第二元素位置；更新所述指示向量，使所述指示向量中1的个数为奇数；基于所述第一元素位置和所述第二元素位置，确定离所述待投影向量最近的两个偶数顶点；计算所述待投影向量在所述两个偶数顶点的连接线段上的投影结果；获取任一校验节点到任一变量节点边上的权重参数、与任一变量节点相连的校验节点集合以及接收的任一码字信息对应的对数似然比，确定惩罚参数，更新得到所述全部变量节点信息。5.根据权利要求2所述的基于深度展开的近似投影ADMM译码方法，其特征在于，所述基于所述分层调度算法获取预设参数集合，基于...

【专利技术属性】
技术研发人员：夏巧桥，何品权，刘惠阳，蒋芸，张青林，
申请(专利权)人：华中师范大学，
类型：发明
国别省市：