[发明专利]一种基于深度学习的LDPC码迭代译码方法

说明书

本发明提供一种基于深度学习的LDPC码迭代译码方法，涉及信息传输技术领域。先采用标准BP迭代译码器对编码比特和信道噪声进行估计，以此得到信道噪声和信息位的估计值，然后用神经网络DNN对标准BP解码器的噪声估计误差进行去除，得到对信道噪声的更准确的估计，然后把得到的噪声估计在信道接收端做处理，再次重新输入到译码器中，不断迭代。本发明解决了现有技术中信道噪声对译码性能影响的技术问题。本发明有益效果为：得到对信道噪声的更准确的估计，提高解码信噪比，从而提高解码性能和降低算法复杂度。

技术领域

本发明涉及信息传输技术领域，尤其是涉及一种基于深度学习的BP-DNN译码方法。

背景技术

随着技术的发展，深度学习在计算机视觉、自然语言处理、自动驾驶车辆等领域得到广泛应用，其中在信息传输方面亦取得不俗的成果。信息在传输过程中存在干扰问题，尤其是噪声干扰，使得信息在接收端出现差错。因此，需要性能良好的编码方式和合适的译码算法。中国专利申请公布号CN106571831A，申请公布日2017年4月19日，名称为“一种基于深度学习的LDPC硬判决译码方法及译码器”的发明专利申请文件，公开了一种LDPC码的硬判决译码方法。包括如下步骤：1、将一组(X,Y)作为一组带标签数据；2、建立LDPC译码样本集；3、深度学习译码模型的建立；4、深度学习译码模型的预训练；5、深度学习译码模型译码并输出。这种译码方法采用的是硬判决方法，首先译码性能相比于软译码方法可能会有所下降，软译码方法经过多次比较做出判决，而硬判决方法通过单次比较做出判决。其次为了使神经网络译码误码率达到文中所要求的误码率可能会导致算法太过耗时，且可能会发生过度拟合的情况，使得译码算法的性能有所下降。另外通信过程中信道噪声对译码性能的影响也不可忽视。

发明内容

为了解决现有技术中通信过程中信道噪声对译码性能影响的技术问题，本发明提供一种基于深度学习的LDPC码迭代译码方法，具有低复杂度、鲁棒性的译码方法，利用神经网络强大的计算能力来对BP解码器的噪声估计误差进行去除，从而提升BP译码器的译码性能。

本发明的技术方案是：一种基于深度学习的LDPC码迭代译码方法：步骤一：对信息序列X进行LDPC码编码，编码后的信息序列为U＝XG，把信息序列U分为训练集和测试集；步骤二：对训练集的信息序列U进行调制，调制后的传输符S号经过信道噪声N的加噪信道，得到信道输出端的传输符号Y；步骤三：传输符号Y通过BP译码器得到信息序列估计值由传输符号Y减去信道传输符号S的估计值/得到信道噪声估计值/信道噪声估计值/输入到神经网络得到更新后得信道噪声估计值/将更新后的传输符号/再输入BP译码器，进行迭代译码，使得BP译码器的输入端和神经网络输入端的数据不断更新，不断译码，直到BP-DNN译码器迭代结束；步骤四：用测试集的数据输入BP译码器，使得BP译码器的输入端和神经网络输入端的数据不断更新，不断译码，直到迭代结束。

作为优选，对训练集的信息序列U进行BPSK调制，调制后的信道传输符S。

作为优选，传输符号Y通过BPSK软解调得到信道传输符S的估计值/

作为优选，由信道噪声N和信道噪声估计值可以得到信道残余噪声值R，为神经网络的损失函数，n为码字长度。

与现有技术相比，本发明的有益效果是：采用标准BP解码器对编码比特进行估计，然后用神经网络对BP解码器的噪声估计误差进行去除，得到对信道噪声的更准确的估计。同时，BP迭代译码器和神经网络DNN之间的迭代将逐渐提高解码信噪比，从而提高解码性能和降低算法复杂度。

附图说明

附图1为本发明流程图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例1：

如图1所示，一种基于深度学习的LDPC码迭代译码方法，包括以下方法，