一种基于模型驱动深度学习的非二进制制造技术

本发明专利技术公开了一种基于模型驱动深度学习的非二进制

【技术实现步骤摘要】
一种基于模型驱动深度学习的非二进制LDPC译码方法


[0001]本专利技术涉及一种基于模型驱动深度学习的非二进制
LDPC
译码方法
。

技术介绍

[0002]在光通信
、
深空通信和存储领域得到了广泛的应用
。
深度学习在通信物理层的应用已经有了很多的研究，包括基于数据驱动的端到端通信系统，基于模型驱动的信道估计，信号检测
、
信道编译码和
CSI
信息反馈技术
。
基于模型驱动深度学习的算法因为利用了传统通信数学解析模型和深度学习网络的双重优势，具有非常好的应用前景
。
针对非二进制
LDPC
码，目前最常用的译码算法有扩展最小和
(EMS)
译码算法，
MIN
‑
MAX
译码算法，
BRB
译码算法等
。
目前仅有基于模型驱动深度学习的比特可靠度
(BRB)
译码算法，但是比特可靠度
(BRB)
的译码算法译码性能差，抗突发能力弱
。
目前期待设计出基于模型驱动深度学习的
EMS
译码算法，以提高非二进制
LDPC
码的性能
、
设计的灵活性和抗突发能力
。
[0003]在文献
[M.C.Davey and D.J.MacKay,“Low density parity check codes over GF(q),”in1998Information Theory Workshop(Cat.No.98EX131),Killarney,Ireland,1998,pp.70
–
71.]中，
Davey
和
Mackay
首先提出了一种基于有限域的非二进制低密度奇偶校验
(NB
‑
LDPC)
码，并提出了
NB
‑
LDPC
的
Q
元和积算法
(QSPA)
译码算法
。
在中等或短码长度下，
NB
‑
LDPC
的性能优于二进制
LDPC
和
Turbo
码
。
但这种译码算法复杂度较高，限制了
NB
‑
LDPC
在资源受限的通信系统中的应用
。
文献
[D.J.MacKay and M.C.Davey,“Evaluation of Gallager codes for short block length and high rate applications,”in Proc.Codes,Systems,and Graphical Models,Minneapolis,MN,USA,2001,pp.113
–
130.]和
[L.Barnault and D.Declercq,“Fast decoding algorithm for LDPC over GF(2/sup q/),”in Proceedings 2003IEEE Information Theory Workshop(Cat.No.03EX674),Paris,France,2003,pp.70
–
73.]的作者提出了一种基于快速傅里叶变换的
QSPA
算法
(FFT
‑
QSPA)
，其复杂度比
QSPA
解码算法低
。
[0004]为了进一步降低复杂度，文献
[V.Savin,“Min
‑
max decoding for non binary LDPC codes,”in Proc.2008IEEE International Symposium on Information Theory,Toronto,ON,Canada,2008,pp.960
–
964.]中的作者提出了
min
‑
max
解码算法，这是
NB
‑
LDPC
码的简化解码算法
。Declercq
和
Fossorier
在文献
[D.Declercq and M.Fossorier,“Decoding algorithms for nonbinary LDPC codes over GF(q),”IEEE Trans.Commun.,vol.55,no.4,pp.633
–
643,2007.]中将二进制
LDPC
码的最小和译码算法扩展到
NB
‑
LDPC
码，提出了扩展最小和
(EMS)
算法，进一步降低了复杂度
。
在文献
[X.Ma,K.Zhang,H.Chen,and B.Bai,“Low complexity x
‑
ems algorithms for nonbinary LDPC codes,”IEEE Trans.Commun.,vol.60,no.1,pp.9
–
13,2011.]中，作者将原始
EMS
算法重新描述为网格上的简化搜索算法，仅保留每个网格部分具有
M
个最大度量的分支，称为
M
‑
EMS
算法
。EMS
算法及其变体是目前最有前途的
NB
‑
LDPC
解码算法
。
[0005]近年来，基于模型驱动的深度学习的信道解码算法得到了广泛的研究
。
文献
[T.Gruber,S.Cammerer,J.Hoydis,and S.ten Brink,“On deep learning
‑
based channel decoding,”in Proc.201751st Annual Conference on Information Sciences and Systems(CISS),Baltimore,MD,USA,2017,pp.1
–
6.]提出了一种基于深度学习的
Polar
码译码算法
。
文献
[E.Nachmani,E.Marciano,L.Lugosch,W.J.Gross,D.Burshtein,and Y.Be
’
ery,“Deep learning methods for improved decoding of linear codes,”IEEE J.Sel.Topics Sign本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于模型驱动深度学习的非二进制
LDPC
译码方法，其特征在于，所述方法包括：
(1)
把非二进制
LDPC
码的
EMS
迭代译码结构中的每一次迭代看作一个独立的单元，这样原来
M
次迭代的
EMS
译码流程展开为
M
个独立的单元，将这
M
个独立的单元串行连接形成一个“平铺”式结构；
(2)
把非二进制
LDPC
码的
EMS
迭代译码结构中每一次迭代中由检验节点到变量节点传递信息计算看作校验节点
CN
层，由变量节点到校验节点传递信息计算看作变量节点
VN
层，这样每一个独立的单元中就包含两层神经网络计算；
(3)
把非二进制
LDPC
码的
EMS
迭代译码结构中的输出判决计算展开，并加上一个交叉熵损失计算函数构成“平铺”式结构的输出层；
(4)
经过
(1)
至
(3)
的处理，将非二进制
LDPC
码的
EMS
迭代译码结构展开形成用于非二进制
LDPC
码的译码网络
EMSNet
；
(5)
对
EMSNet
进行训练；
(6)
对训练完成的
EMSNet
输出的信息比特后验概率对数似然比估计值用
Sigmoid
函数进行归一化，并对归一化的结果进行硬判决，得到真实信息比特序列的估计值，从而实现对非二进制
LDPC
码的译码
。2.

【专利技术属性】
技术研发人员：林灿堂，梁元辉，吴清乐，吴冠祺，严肇基，
申请(专利权)人：澳门理工大学，
类型：发明
国别省市：