【技术实现步骤摘要】
本专利技术涉及通信系统译码方法，尤其涉及一种基于深度神经网络的ldpc码admm惩罚译码方法。
技术介绍
1、随着通信技术的不断发展，低密度奇偶校验码(low-density parity-checkcode，ldpc码)在现代通信系统中扮演着越来越重要的角色。ldpc码以其接近香农限的优异性能和良好的错误纠正能力，成为了5g通信标准以及卫星通信等领域的关键技术。然而，传统的ldpc码译码算法，如和积算法(sum-product algorithm,spa)和最小和积算法(min-sum algorithm,msa)，在高效性和复杂度之间存在较大的权衡问题。特别是在高噪声环境下，传统译码算法存在误码平层效应，即误码性能随着信噪比的增长缓慢，难以满足对误码性能有高需求的实际通信场景的应用。
2、近年来，交替方向乘子法(alternating direction method of multipliers,admm)作为一种高效的优化算法，因其在大规模计算问题中的优异表现，逐渐被引入到ldpc码的译码中。admm技术通过分解原问...
【技术保护点】
1.一种基于深度神经网络的LDPC码ADMM惩罚译码方法，其特征在于包括如下步骤：
2.如权利要求1所述的基于深度神经网络的LDPC码ADMM惩罚译码方法，其特征在于，ADMM算法中的主要迭代步骤描述如下：
3.如权利要求2所述的基于深度神经网络的LDPC码ADMM惩罚译码方法，其特征在于：所述DNN深度神经网络模型为一个多层网络，每一层对应ADMM算法中超参数的迭代过程。
4.如权利要求3所述的基于深度神经网络的LDPC码ADMM惩罚译码方法，其特征在于，所述深度神经网络模型中的每一层包含以下三个子模块：大小为n+Γa的原始变量更...
【技术特征摘要】
1.一种基于深度神经网络的ldpc码admm惩罚译码方法，其特征在于包括如下步骤：
2.如权利要求1所述的基于深度神经网络的ldpc码admm惩罚译码方法，其特征在于，admm算法中的主要迭代步骤描述如下：
3.如权利要求2所述的基于深度神经网络的ldpc码admm惩罚译码方法，其特征在于：所述dnn深度神经网络模型为一个多层网络，每一层对应admm算法中超参数的迭代过程。
4.如权利要求3所述的基于深度神经网络的ldpc码admm惩罚译码方法，其特征在于，所述深度神经网络模型中的每一层包含以下三个子模块：大小为n+γa的原始变量更新层，大小为(n+γa)*2+4γc的辅助变量更新层，大小为(n+γa)*2+4γc的拉格朗日乘子更新层，其中n表示原始变量的个数，γa表示新增辅助变量的个数。
5.如权利要求4所述的基于深度神经网络的ldpc码admm惩罚译码方法，其特征在于：所述原始变量更新层用于负责更新admm算法中的原始变量v，其核心操作是基于当前估计值和拉格朗日乘子的更新公式，使用admm方法进行计算，通过对权重矩阵a和向量b的矩阵操作来实现对目标函数的优化，更新过程引入惩罚参数α和正则化参数u1、u2、u3。
6.如权利要求4所述的基于深度神经网...
【专利技术属性】
技术研发人员：白晶，安泽东，苏超熙，高佳庆，李聪聪，庄珊娜，王正友，
申请(专利权)人：石家庄铁道大学，
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。