【技术实现步骤摘要】
本申请涉及信道编码，尤其涉及基于改进原模图神经译码器的训练方法及装置。
技术介绍
1、原模图低密度奇偶校验（low-density parity-check, ldpc）码作为信道编码方案之一，已被广泛应用在各种通信场景中，如物联网、数据存储系统和5g新无线电系统。通过迭代译码算法，原模图ldpc码可以获得接近香农容量极限的性能。在现有的迭代译码器中，信度传播（belief-propagation, bp）译码器可以达到最佳性能，但它具有较高的计算复杂度。相比之下，归一化最小和（normalized min-sum, nms）译码器和偏移项最小和（offset min-sum, oms）译码器凭借其低复杂度的特点，被更广泛地应用于实际的系统中。但是，传统的nms译码器和oms译码器会牺牲相当一部分的性能。因此，神经译码器作为一种能够在不提高复杂度的情况下最大限度提高nms译码器和oms译码器性能的关键技术已经吸引到了学术界和工业界的广泛关注。
2、但是，现有的ldpc码大部分是属于非规则码，且通过单流结构实现译码，通常需要更多的隐藏层实现，具有较高的复杂度，在硬件上实现较为困难。此外，现有的ldpc码在码字构造过程中，度为1的变量点（vn）的存在会导致迭代译码无法成功收敛，或者无法快速优化网络参数，导致网络训练效率较差。
技术实现思路
1、本申请提供了基于改进原模图神经译码器的训练方法及装置，用于解决现有技术采用低效率单流结构导致整体复杂度较高，且训练过程难以收敛导致训
2、有鉴于此，本申请第一方面提供了基于改进原模图神经译码器的训练方法，包括：
3、根据初始变量子网络层、初始校验子网络层和预设混洗信度传播子网络层构建待训练译码网络，所述待训练译码网络包括多个隐藏层和输入卷积层；
4、基于预设均方误差损失函数和预置译码器目标函数，通过计算llr的方式对所述初始变量子网络层、所述初始校验子网络层和所述预设混洗信度传播子网络层进行更新训练，得到目标原模图神经译码器；
5、所述预设均方误差损失函数用于计算校验子网络层和混洗信度传播子网络层的输出信息之间的损失值；
6、所述目标原模图神经译码器包括优化变量子网络层、优化校验子网络层和优化混洗信度传播子网络层。
7、优选地，所述根据初始变量子网络层、初始校验子网络层和预设混洗信度传播子网络层构建待训练译码网络，所述待训练译码网络包括多个隐藏层和输入卷积层，包括：
8、将单个初始变量子网络层、单个初始校验子网络层和单个预设混洗信度传播子网络层依次连接，得到一个隐藏网络小组；
9、多个所述隐藏网络小组依次连接形成一个隐藏层后，将多个隐藏层依次连接在输入卷积层之后，得到待训练译码网络。
10、优选地，所述基于预设均方误差损失函数和预置译码器目标函数，通过计算llr的方式对所述初始变量子网络层、所述初始校验子网络层和所述预设混洗信度传播子网络层进行更新训练，得到目标原模图神经译码器，包括：
11、根据tanner图将预置信道初始信息映射至所述待训练译码网络的输入卷积层进行卷积计算，得到输入卷积信息；
12、将所述输入卷积信息通过所述初始变量子网络层进行更新计算分析，得到变量输出信息和变量llr值，并发送至所述初始校验子网络层和所述预设混洗信度传播子网络层；
13、所述初始校验子网络层和所述预设混洗信度传播子网络层分别根据所述变量输出信息和所述变量llr值进行更新计算分析，得到校验llr值、校验输出信息和混洗输出信息，所述校验llr值用于下一个所述初始变量子网络层的参数更新计算；
14、基于预设均方误差损失函数和预置译码器目标函数，根据所述校验输出信息和混洗输出信息优化网络训练，得到目标原模图神经译码器。
15、优选地，所述根据tanner图将预置信道初始信息映射至所述待训练译码网络的输入卷积层进行卷积计算，得到输入卷积信息，之前还包括：
16、将原始信息比特序列通过原模图编码器进行编码，得到编码比特序列；
17、通过二进制相位键控调制器对所述编码比特序列进行信号调制，得到调制符号序列；
18、依据加性高斯白噪声分析所述调制符号序列的信道传输特性，得到信道传输信息；
19、对所述信道传输信息进行概率分析计算，得到预置信道初始信息。
20、优选地，所述基于预设均方误差损失函数和预置译码器目标函数，通过计算llr的方式对所述初始变量子网络层、所述初始校验子网络层和所述预设混洗信度传播子网络层进行更新训练，得到目标原模图神经译码器，之后还包括：
21、将目标原模图神经译码器中所有的所述优化混洗信度传播子网络层剔除，并在每个所述隐藏层的末端配置一个输出卷积层，得到仿真原模图神经译码器，所述输出卷积层包括多个神经元；
22、采用所述仿真原模图神经译码器进行信号译码仿真，通过所述输出卷积层依据最后一个所述优化校验子网络层的输出信息计算后验变量llr，得到仿真预测结果。
23、本申请第二方面提供了基于改进原模图神经译码器的训练装置，包括：
24、网络构建单元，用于根据初始变量子网络层、初始校验子网络层和预设混洗信度传播子网络层构建待训练译码网络，所述待训练译码网络包括多个隐藏层和输入卷积层；
25、网络训练单元，用于基于预设均方误差损失函数和预置译码器目标函数，通过计算llr的方式对所述初始变量子网络层、所述初始校验子网络层和所述预设混洗信度传播子网络层进行更新训练，得到目标原模图神经译码器；
26、所述预设均方误差损失函数用于计算校验子网络层和混洗信度传播子网络层的输出信息之间的损失值；
27、所述目标原模图神经译码器包括优化变量子网络层、优化校验子网络层和优化混洗信度传播子网络层。
28、优选地，所述网络构建单元，具体用于：
29、将单个初始变量子网络层、单个初始校验子网络层和单个预设混洗信度传播子网络层依次连接，得到一个隐藏网络小组；
30、多个所述隐藏网络小组依次连接形成一个隐藏层后，将多个隐藏层依次连接在输入卷积层之后，得到待训练译码网络。
31、优选地，所述网络训练单元，包括：
32、输入计算子单元，用于根据tanner图将预置信道初始信息映射至所述待训练译码网络的输入卷积层进行卷积计算，得到输入卷积信息；
33、变量更新子单元，用于将所述输入卷积信息通过所述初始变量子网络层进行更新计算分析，得到变量输出信息和变量llr值，并发送至所述初始校验子网络层和所述预设混洗信度传播子网络层；
34、综合更新子单元，用于所述初始校验子网络层和所述预设混洗信度传播子网络层分别根据所述变量输出信息和所述变量llr值进行更新计算分析，得到校验llr值、校验输出信息和混洗输出信本文档来自技高网...
【技术保护点】
1.基于改进原模图神经译码器的训练方法，其特征在于，包括：
2.根据权利要求1所述的基于改进原模图神经译码器的训练方法，其特征在于，所述根据初始变量子网络层、初始校验子网络层和预设混洗信度传播子网络层构建待训练译码网络，所述待训练译码网络包括多个隐藏层和输入卷积层，包括：
3.根据权利要求1所述的基于改进原模图神经译码器的训练方法，其特征在于，所述基于预设均方误差损失函数和预置译码器目标函数，通过计算LLR的方式对所述初始变量子网络层、所述初始校验子网络层和所述预设混洗信度传播子网络层进行更新训练，得到目标原模图神经译码器，包括：
4.根据权利要求3所述的基于改进原模图神经译码器的训练方法，其特征在于，所述根据Tanner图将预置信道初始信息映射至所述待训练译码网络的输入卷积层进行卷积计算，得到输入卷积信息，之前还包括：
5.根据权利要求1所述的基于改进原模图神经译码器的训练方法，其特征在于，所述基于预设均方误差损失函数和预置译码器目标函数，通过计算LLR的方式对所述初始变量子网络层、所述初始校验子网络层和所述预设混洗信度传播子网络
6.基于改进原模图神经译码器的训练装置，其特征在于，包括：
7.根据权利要求6所述的基于改进原模图神经译码器的训练装置，其特征在于，所述网络构建单元，具体用于：
8.根据权利要求6所述的基于改进原模图神经译码器的训练装置，其特征在于，所述网络训练单元，包括：
9.根据权利要求8所述的基于改进原模图神经译码器的训练装置，其特征在于，还包括：
10.根据权利要求6所述的基于改进原模图神经译码器的训练装置，其特征在于，还包括：
...【技术特征摘要】
1.基于改进原模图神经译码器的训练方法，其特征在于，包括：
2.根据权利要求1所述的基于改进原模图神经译码器的训练方法，其特征在于，所述根据初始变量子网络层、初始校验子网络层和预设混洗信度传播子网络层构建待训练译码网络，所述待训练译码网络包括多个隐藏层和输入卷积层，包括：
3.根据权利要求1所述的基于改进原模图神经译码器的训练方法，其特征在于，所述基于预设均方误差损失函数和预置译码器目标函数，通过计算llr的方式对所述初始变量子网络层、所述初始校验子网络层和所述预设混洗信度传播子网络层进行更新训练，得到目标原模图神经译码器，包括：
4.根据权利要求3所述的基于改进原模图神经译码器的训练方法，其特征在于，所述根据tanner图将预置信道初始信息映射至所述待训练译码网络的输入卷积层进行卷积计算，得到输入卷积信息，之前还包括：<...
【专利技术属性】
技术研发人员：方毅，王裕荣，吕梁，庞振江，占兆武，
申请(专利权)人：广东工业大学，
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。