[发明专利]一种基于深度学习的校验子输入RS码译码方法

说明书

本发明涉及一种基于深度学习的校验子输入RS码译码方法，包括下列步骤：产生数据集：利用接收序列y计算校验子S，将校验子分为训练集及测试集；计算训练集校验子对应的错误多项式，以错误多项式值作为深度学习训练标签；神经网络的训练：选用多层感知机MLP神经网络结构，以步骤(1)中得到的校验子S、错误多项式E作为神经网络训练的数据集，使用反向传播算法进行有效学习；通过一定数据量及代数的训练，得到译码准确率高的神经网络权重及偏置；当码字错误个数在译码半径以内时，神经网络归纳分析得到正确的对应关系；当码字错误个数在译码半径以外时，神经网络得到可能性最大的对应关系。

所属技术领域

本发明属于信道编码中差错控制编码领域，涉及一种基于深度学习的以校验子为输入的译码算法。

背景技术

在数字信号传输过程中，由于信道存在的干扰与衰落，传输信号可能出现差错，故通常对数字信号进行编码，增强其抵御干扰的能力。Reed-Solomon(RS)码是一类纠错能力很强的差错控制编码，由Reed和Solomon于1960年构造出来，可以纠正随机错误和突发错误。目前，RS码已在通信和数据存储系统中得到了广泛的应用，涉及从深空通信到高密度磁盘等多个领域。

近年来，深度学习因其强大的解决复杂任务的能力引起了全世界的关注。深度学习方法已应用到了语音识别、计算机视觉、机器翻译等领域，为这些了领域带来了巨大革新与突破。2017年，T.Gruber提出信道译码可看作一种分类问题，这一发现为神经网络在通信领域的应用创造了基础。目前，已有相关研究以二进制码(polar码、BCH码、LDPC码等)的接收码字为神经网络输入，在神经网络输出端进行0/1分类，实现简洁、高效的深度学习直接译码。但目前尚未有的范例，尚未有关于深度学习译非二进制码字的分析与研究。使用深度学习进行RS码直接译码，替代传统的RS码译码方案，将有望

发明内容

本发明的目的是提供一种RS码与深度学习结合的译码方法，以突破译码半径的限制，降低硬件实现规模，为提高信道数据传输质量、构建低传输延时和高吞吐率的通信系统提供新的思路。技术方案如下：

一种基于深度学习的校验子输入RS码译码方法，包括下列步骤：

(1)产生数据集：对信息序列x进行RS码编码，得编码后的信息序列u；随后对信息序列u进行BPSK调制，得到传输序列s；传输序列通过高斯白噪声信道后得到接收序列y；利用接收序列y计算校验子S，将校验子分为训练集及测试集；计算训练集校验子对应的错误多项式，以错误多项式值作为深度学习训练标签；

(2)神经网络的训练：选用多层感知机MLP神经网络结构，以步骤(1)中得到的校验子S、错误多项式E作为神经网络训练的数据集，使用反向传播算法进行有效学习；通过一定数据量及代数的训练，得到译码准确率高的神经网络权重及偏置；当码字错误个数在译码半径以内时，神经网络归纳分析得到正确的对应关系；当码字错误个数在译码半径以外时，神经网络得到可能性最大的对应关系；

(3)完成译码过程：将测试集的校验子送入神经网络，计算得到其对应的错误多项式，最终计算得信息序列，完成译码。

与传统RS译码器相比，基于深度学习的校验子输入RS码译码器能够归纳得到译码半径以外的校验子及错误多项式对应关系，能在一定程度上突破译码半径限制，提高译码性能。同时，该译码器硬件实现结构简单，是RS码译码的一个新方向。

附图说明

图1基于深度学习的校验子输入RS码译码器的系统框图

图2多层感知器(MLP)架构图

具体实施方式