[发明专利]一种基于深度学习的RS码置信传播译码方法

说明书

本发明涉及一种一种基于深度学习的RS码置信传播译码方法,包括下列步骤：使用深度学习方法，根据RS码奇偶校验矩阵所对应的Tanner图搭建非全连接神经网络；将Tanner图中校验节点与变量节点的运算过程转化为神经网络中的神经元的运算过程，初始化奇偶校验矩阵参数为0或1作为可供训练的权重值，在对应的Tanner图中即为变量节点中的，在对应的神经网络中就是变量节点的层中使用深度学习优化的参数值，用于神经网络训练；将从噪声信道接收的比特级对数似然比(LLR)作为可靠度信息输入至神经网络；在LLR值进行求和运算后；将每一次迭代计算后的码字使用SSID算法进行随机长度的符号级位移。

所属技术领域

本发明属于信道编译码中的差错控制编码领域，涉及使用深度学习技术的里德-所罗门码(RS码)置信传播软判决译码算法。

背景技术

近年来，随着信息社会的发展和通信技术的不断进步，人们对数据传输可靠性的要求日益提高，如何保证数据的可靠传输成为通信系统设计必须关注的问题之一。自1948年香农提出信道编码理论以来，差错控制编码的应用就成为现代通信系统和存储系统的研究热点。当发送的信息在从信源发出，到信宿接收，其在传输过程中都会由于传输信道的不理想而导致信息出现随机错误，差错控制编码就是在数字通信过程中利用编译码技术对信息传输过程中出现的差错进行检验和纠正的技术，而里德-所罗门码(RS码)因其具有纠错能力强，构造简单等特点，已广泛应用于数据存储、数字视频广播、深空探测、无线通信等诸多领域。

对于诸如BCH码、RS码等码字来说，其奇偶校验矩阵中1出现的次数较多，0出现的次数较少，相较于LDPC码这种校验矩阵中0多1少的码字的矩阵来说属于“非稀疏矩阵”，因此容易出现节点之间相互有关联，产生“短环效应”，进而在译码的时候会使得错误信息在节点之间相互传播，造成译码错误。而置信传播译码算法适用于奇偶校验矩阵稀疏的码字，且在LDPC码上已经取得极佳的译码表现。因此是否可以将置信传播译码算法与BCH码、RS码等拥有“非稀疏的”奇偶校验矩阵的码相结合以取得较好译码效果就成为了一个可供研究的方向。

2004年，Jing Jiang等人利用RS码的循环特性，将置信传播算法每一次迭代之后的码字进行符号级随机移位，由于移位后的码字与原码字与校验矩阵Tanner图的对应关系不同，因而可以在多次随机位移后抑制由于奇偶校验矩阵“非稀疏”特性产生的“短环效应”，减少错误的发生，这种方法称为随机位移迭代译码算法(Stochastic Shifting basedIterative Decoding,SSID算法)，这为RS码的置信传播译码算法提供了一种较为有效的实现方法。此算法使用比特级对数似然比(Log Likelihood Ratio,LLR)作为译码器的输入数据，而在输出端对本次迭代的外LLR值进行加和后使用了一个提升码性能的系数，称之为阻尼系数(Damping Coefficient)，但是这个值的设定是使用仿真得到的经验值而设定的，没有准确的数学推导。2016年，Eliya Nachmani等人将BCH码与置信传播译码算法相结合，使用深度学习技术构造出了一种非全连接的神经网络，其将奇偶校验矩阵中的0,1作为可供神经网络训练的权重值，进而可以使用深度学习算法训练得到最佳权重(如图1所示)。这一算法相对于直接在BCH码中使用置信传播译码算法，可以在经过较少的迭代次数的同时提升译码准确率，并且在几乎相同译码性能的情况下减少运算复杂度。

本发明通过利用深度学习技术，将RS码“稠密”的奇偶校验矩阵中的0,1量化为可供深度学习训练优化的参数，再使用置信传播译码算法经多次迭代计算，便可训练出最优参数，从而提升固定迭代次数下的译码性能。

发明内容

本发明的目的是，提供一种可以提升固定迭代次数下的译码性能的RS码置信传播译码方法，本发明在使用置信传播算法进行译码的基础上，使用SSID算法减少其在RS码上由于奇偶校验矩阵稠密，出现“短环效应”使得错误信息在计算节点之间相互传播，进而产生译码错误，通过使用深度学习技术搭建非全连接神经网络对RS码的奇偶校验矩阵对应的Tanner图映射进行模拟，对在运算过程中使用到的0,1值进行参数量化并进行训练，从而得到最佳参数并构成译码架构。技术方案如下：