[发明专利]一种用于MCU的LDPC码纠错方法及纠错模块

权利要求书

1.一种用于MCU的LDPC码纠错方法，其特征在于：包括如下步骤：

S1步，根据设定LDPC码长和码率构造LDPC的校验矩阵H，由校验矩阵H转换得到生成矩阵G，并将校验矩阵H和生成矩阵G进行储存；

S2步，输入长度为k的信息序列X；基于生成矩阵G，将信息序列X进行编码得到码字Y；将码字Y编制成码字信息并向外传输；

S3步，接收码字信息，得到带噪码字Y′；使用深度学习译码法将带噪码字Y′直接译码成码字X；

所述S1步中，校验矩阵H的构造方法是：设定LDPC码长为n，校验位长度为m，码率为R＝k/n；利用maykay构造法，构造出校验矩阵H；

所述S1步中，由校验矩阵H转换得到生成矩阵G，是指：将校验矩阵H的右半部分H₂求逆，再乘校验矩阵H的左半部分H₁，得到生成矩阵G的右半部分G₂；生成矩阵G的左半部分G₁设定为大小为k×k的单位矩阵I：

其中，生成矩阵G的大小为k×n；

所述S2步中，基于生成矩阵G，将信息序列X与生成矩阵G相乘得到长度为n的码字Y：

Y＝X×G；

所述S3步中，使用深度学习译码法将带噪码字Y′直接译码成码字X，是指：包括以下分步骤：

S31步，构建深度学习模型：采用DNN模型，设定模型输入层维度、隐藏层层数以及各层网络的神经元个数、输出层神经元个数，在隐藏层的输出部分添加激活函数，设定模型的损失函数；

S32步，训练模型：构建数据集，数据集为多组的带噪码字Y′，标签为原始码字的信息序列X；将数据集按设定比例分为训练集和验证集；将训练集输入到DNN模型，通过反向传播算法来更新模型的参数使损失函数收敛，当验证集的准确率和损失函数趋于稳定时停止训练，保存模型；

S33步，将保存的模型作为纠错模型，带噪码字Y′通过纠错模型后译码为码字X。

2.一种实现权利要求1所述的用于MCU的LDPC码纠错方法的LDPC码纠错模块，其特征在于：包括：

LDPC矩阵储存模块，用于根据设定LDPC码长和码率构造LDPC的校验矩阵H，由校验矩阵H转换得到生成矩阵G，并将校验矩阵H和生成矩阵G进行储存；

LDPC编码模块，用于基于生成矩阵G，将长度为k的信息序列X进行编码得到码字Y；

以及LDPC译码模块，用于接收带噪码字Y′，使用深度学习译码法将带噪码字Y′直接译码成码字X；

所述LDPC矩阵储存模块中，设定LDPC码长为n，校验位长度为m，码率为R＝k/n；利用maykay构造法，构造出校验矩阵H；

所述LDPC矩阵储存模块中，由校验矩阵H转换得到生成矩阵G，是指：将校验矩阵H的右半部分H₂求逆，再乘校验矩阵H的左半部分H₁，得到生成矩阵G的右半部分G₂；生成矩阵G的左半部分G₁设定为大小为k×k的单位矩阵I：

其中，生成矩阵G的大小为k×n；

所述LDPC编码模块中，基于生成矩阵G，将信息序列X与生成矩阵G相乘得到长度为n的码字Y：

Y＝X×G；

所述LDPC译码模块中，使用深度学习译码法将带噪码字Y′直接译码成码字X，是指：包括以下分步骤：

S31步，构建深度学习模型：采用DNN模型，设定模型输入层维度、隐藏层层数以及各层网络的神经元个数、输出层神经元个数，在隐藏层的输出部分添加激活函数，设定模型的损失函数；

S32步，训练模型：构建数据集，数据集为多组的带噪码字Y′，标签为原始码字的信息序列X；将数据集按设定比例分为训练集和验证集；将训练集输入到DNN模型，通过反向传播算法来更新模型的参数使损失函数收敛，当验证集的准确率和损失函数趋于稳定时停止训练，保存模型；

S33步，将保存的模型作为纠错模型，带噪码字Y′通过纠错模型后译码为码字X。