[发明专利]一种基于深度学习的LDPC码的译码算法

说明书

本发明公开了一种基于深度学习的LDPC码的译码算法，结合深度学习技术，分别对大围长随机LDPC码和结构化LDPC码的构造、有环Tanner图上的改进置信传播译码及其低复杂简化译码算法进行了研究，采用最优思想，校验矩阵中每个非零元素所在的短环数分布情况，将优化当前列的短环数目分布与每列短环数组成的标准差分布相结合，构造出具有良好特性的随机LDPC码，研究了环消除算法，仿真了换消除法构造的QC‑LDPC码的性能，通过改进，构造出了具有更优大围长的QC‑LDPC码，改进BP译码算法，提出了一种改进最小和译码算法，本发明基于深度学习技术和Tanner图的环统计特性，先构造出了有着良好特性的随机LDPC码，再通过仿真构造出了更优大围长的QC‑LDPC码，其算法更加优异，纠错性能更好。

技术领域

本发明涉及通讯编程领域，具体为一种基于深度学习的LDPC码的译码算法。

背景技术

自LDPC码的重新发现开始，人们对它的研究已经有十多年了，主要成果可以归纳为五部分：一是LDPC码的图模型，二是LDPC码的迭代译码性能分析，三是LDPC码的构造，四是LDPC码的编码，五是LDPC码的译码，通过LDPC码的迭代译码算法，人们可以按照应用环境的需要在性能和复杂度之间进行折中，目前，LDPC码的环消除算法较为落后，未调整译码过程中的某些因素，如改进短环数分布、Tanner图中的环统计、环消除算法、BP译码算法、最小和译码算法、环扩展约束条件和置信传播译码算法等，导致算法的计算性能和纠错性能较差。

发明内容

本发明的目的是为了解决现有LDPC码的环消除算法较为落后，未调整译码过程中的某些因素，如改进短环数分布、Tanner图中的环统计、环消除算法、BP译码算法、最小和译码算法、环扩展约束条件和置信传播译码算法等，导致算法的计算性能和纠错性能较差等的缺点，而提出的一种基于深度学习的LDPC码的译码算法。

为实现上述目的，本发明提供如下技术方案：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。