[发明专利]一种基于深度学习的LDPC码的译码算法

权利要求书

1.一种基于深度学习的LDPC码的译码算法，其特征在于，包括：

步骤1、采用逐步最优思想，将校验矩阵中的每个非零元素所在的短环数分布作为最优设计准则，提出了一种基于改进环数分布构造的LDPC码算法，在同等码长码率条件下，与PEG算法构造的码相比，获得了更好的性能；步骤2、基于Tanner图中的环统计特性，将逐列优化当前的短环数目分布与整体优化所有列中每列的短环数标准差分布相结合，构造出了一种基于改进环统计特性的LDPC码构造算法，与同等码长码率的PEG码相比，获得了优异的性能；步骤3、研究了大围长准循环LDPC码的一种构造方法-环消除算法，仿真证实了环消除算法构造的QC-LDPC码的性能，仿真结果表明构造的QC-LDPC码存在不能消去的短环，将基矩阵中的环扩展约束条件推广到了基矩阵中的闭合路径扩展约束条件，作出了一种改进环消除算法，构造出了一种更大大围长的QC-LDPC码，获得了更好的性能；步骤4、针对有环Tanner图上的调度译码算法，提出改进的BP译码算法，对调度算法进行优化，设计出两种优化方案，利用优化后的消息继续辅助译码，获得了比调度译码算法优异的性能；步骤5、将最小和译码算法与置信传播译码算法进行对比分析，针对最小和译码算法校验节点消息可靠度过估计，提出了一种补偿最小和译码校验节点消息可靠度过估计的改进的最小和译码算法。

2.根据权利要求1所述的一种基于深度学习的LDPC码的译码算法，其特征在于：所述步骤1中PEG算法是给定校验矩阵H的大小m×n以及变量节点度序列D＝{Dv1,Dv2,...Dvn}，运用PEG算法，校验矩阵对应的Tanner图构造步骤如下，一、初始化：设置v1为当前变量节点且令k＝0；二、连接当前变量节点与Dvj个校验节点，连接第一个校验节点：选取当前校验矩阵中行重最小的行放置非零元k＝k+1；连接其余校验节点：以vj为根节点扩展树图，选取校验度数最小的校验节点与vj相连，k＝k+1；若k＝Dvj，则令j＝j+1且k＝0并设置vj为当前变量节点，转入步骤三，否则转入步骤二；三、若j＝n+1，结束构造，否则转入步骤二，所述步骤一中的一种基于改进环数分布构造的LDPC码算法是给定校验矩阵H的大小m×n以及变量节点度序列D＝{Dv1,Dv2,...Dvn}，基于改进环数分布的LDPC码构造算法总结如下，一、初始化；对所有i,j(1≤i≤m,1≤i≤n)，令hij＝0，设置第j＝1列为当前列并令k＝0；二、当前列放置Dvj个非零元，放置第一个非零元：选取当前校验矩阵中行重最小的行放置非零元，k＝k+1；放置其余非零元；统计每一个备选的行位置包括的四环、六环和八环的数目，按环长从小到大的优先级别顺序，逐级筛选出具有最少环数的备选位置放置非零元，k＝k+1；若k＝Dvj，则令j＝j+1且k＝0并设置第j列为当前列，转入步骤三，否则转入步骤二；若j＝n+1，结束构造；否则转入步骤二，所述步骤1中的短环数是影响LDPC码性能的一个重要因素，我们构造了四个码长分别为n＝504和n＝1008的码率0.5的二进制LDPC码，其中n＝504基于改进环数分布构造的LDPC码8环和10环的个数分别为403和12251，对应的PEG码8环和20环的个数分别为813和11345；n＝1008时基于改进环数分布构造的LDPC码8环和10环的个数分别为46和11410，对应PEG码8环和20环的个数分别为54和11086，显然，n＝504和n＝1008基于改进环数分布构造的LDPC码在环数目上要比相应PEG码少，所以具有更好的性能。