一种基于神经网络的LDPC码最小和译码方法及装置制造方法及图纸

本发明专利技术公开了一种基于神经网络的LDPC码最小和译码方法及装置，所述方法包括获取预构建并训练好的神经网络；利用神经网络的第一层神经元接收LDPC码的码字序列；利用神经网络的第二层神经元，更新校验节点传递给变量节点的边信息；利用神经网络的第三层神经元，更新变量节点传递给校验节点的边信息；根据设定的迭代次数，将第二层神经元和第三层神经元的处理过程进行多次迭代；利用神经网络的第四层神经元对迭代后的结果进行计算，得到所述LDPC码的最小和译码结果；本发明专利技术通过缓解过拟合现象的发生，在一定的复杂度下获得了更好的译码性能。

【技术实现步骤摘要】

本专利技术涉及一种基于神经网络的ldpc码最小和译码方法及装置，属于通信。

技术介绍

1、ldpc（ low-density parity-check，低密度奇偶校验）是一种经典的线性纠错码，以其简单有效的编码和解码性能而著称，并被广泛应用于数字通信和存储系统中。ldpc码的主要译码算法为置信度传播（belief propagation,bp），但其具有较高的复杂度，在实际中有一定的实现难度。为了降低复杂度，以稍微牺牲一定误码率为代价，最小和（min sum,ms）算法被提出，并在最小和算法的基础上，发展出归一化最小和（nms）和偏移最小和（oms），其中的归一化因子和偏移因子可以补偿性能损失降低误码率。随着深度学习不断扩展其适用范围，同时，得益于硬件技术条件的突破，深度学习与通信领域的结合逐渐受到关注。将归一化最小和（neural normalized min-sum, nnms）译码的迭代过程中变量节点和校验节点之间的传递过程转换为前向传播网络展开为神经网络的形式，对各边对应的神经元分配可训练的权重，利用神经网络和损失函数来训练数据，能够利用更少的迭代本文档来自技高网...

【技术保护点】

1.一种基于神经网络的LDPC码最小和译码方法，其特征在于，包括：

2.根据权利要求1所述的基于神经网络的LDPC码最小和译码方法，其特征在于，所述第一层神经元接收的LDPC码的码字序列为经过二进制相移键控调制后，经过加性高斯白噪声信道传输过来的。

3.根据权利要求1所述的基于神经网络的LDPC码最小和译码方法，其特征在于，所述更新校验节点传递给变量节点的边信息的更新公式如下：

4.根据权利要求3所述的基于神经网络的LDPC码最小和译码方法，其特征在于，所述更新变量节点传递给校验节点的边信息的更新公式如下：

5.根据权利要求4所述的基于神经...

【技术特征摘要】

1.一种基于神经网络的ldpc码最小和译码方法，其特征在于，包括：

2.根据权利要求1所述的基于神经网络的ldpc码最小和译码方法，其特征在于，所述第一层神经元接收的ldpc码的码字序列为经过二进制相移键控调制后，经过加性高斯白噪声信道传输过来的。

3.根据权利要求1所述的基于神经网络的ldpc码最小和译码方法，其特征在于，所述更新校验节点传递给变量节点的边信息的更新公式如下：

4.根据权利要求3所述的基于神经网络的ldpc码最小和译码方法，其特征在于，所述更新变量节点传递给校验节点的边信息的更新公式如下：

5.根据权利要求4所述的基于神经网络的...

【专利技术属性】
技术研发人员：周鸣，周华，徐辰辰，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：