[发明专利]一种多层神经网络辅助的罚对偶分解信道译码方法

权利要求书

1.一种多层神经网络辅助的罚对偶分解信道译码方法，其特征在于包括以下步骤：

1)基于信道译码构建最大似然译码问题，包括目标函数和奇偶校验约束条件；

2)将基本多面体引入步骤1)中的奇偶校验约束条件，将最大似然译码问题转化为基于奇偶校验多面体的译码优化问题；

3)引入辅助变量，采用罚对偶分解法将步骤1)所述的基于奇偶校验多面体的译码优化问题转化为其等价形式；在罚对偶分解法的内循环引入块连续上界最小化算法BSUM，得到罚对偶分解信道译码器，所述罚对偶分解信道译码器中带有校验多面体映射；

4)建立多层神经网络，与步骤3)所述的校验多面体映射相结合，通过步骤3)得到的解罚对偶分解信道译码器获取训练数据，经过训练得到基于多层神经网络的校验多面体映射；将基于多层神经网络的校验多面体映射引入步骤3)得到的罚对偶分解信道译码器，得到多层神经网络辅助的罚对偶分解信道译码器；

所述的步骤4)具体为：

设计基于多层神经网络的校验多面体映射计算具体分为以下步骤：

4.1)确定一个与v对应的辅助超平面θ＝{θ_i}：

θ_i＝sgn(v_i-0.5),i＝1,…,d

其中，sgn(·)是阶跃函数，如果|{i:θ_i＝1}|中为1的元素数目是偶数，则将|v-0.5|最小值对应的θ中的第i个元素取反，即

4.2)计算单步递进的差异系数η：

其中，∈为错误阈值，如果η＜∈，则r＝u即为输出；如果η＞＝∈，建立多层神经网络CPP-net并训练，将v输入到训练好的多层神经网络中，获得差异系数的估计值

其中，表示神经网络的运算；

所述CPP-net由三层组成：输入层、输出层和隐层；所述输入层包含d_j个神经元，隐层包含个神经元，输出层包含1个神经元，隐层和输出层后都跟着一个激活函数，其定义为：

定义y^h表示隐藏层的输出，为网络输出的差异系数的估计，则CPP-net的结构表示为：

y^h＝SinAct(W_av+b_a)

其中，为网络中的权重以及偏置，是需要学习的网络参数；因此CPP-net所实现的输入输出之间的映射表示为：

通过交叉验证确定训练信噪比，通过步骤3)中的解罚对偶分解信道译码器获得训练数据其中是特征，为标签；使用训练数据对CPP-net进行训练，获得CPP-net中所包含的参数Θ，其损失函数为：

其中，表示发射信号，κ表示平衡系数，表示向量的L2范数；将{W_a,w_b}量化为为自然数集；经过训练，得到训练好的多层神经网络CPP-net；

4.3)将估计值赋值到单步递进差异系数的初始值令k＝0，以η⁰为起点进行迭代，直到η^k＜∈，最终r＝u即为输出；所述迭代的步骤如下：

v＝v-η^kθ，k＝k+1，η^k＝(θ^Tu-p)/d

所述步骤4.1)-4.3)被称为基于多层神经网络的校验多面体映射，引入步骤3)用于计算罚对偶分解信道译码器中带有的校验多面体映射，得到多层神经网络辅助的罚对偶分解信道译码器；

5)采用步骤4)得到的多层神经网络辅助的罚对偶分解信道译码器进行在线实时信道译码。

2.根据权利要求1所述的多层神经网络辅助的罚对偶分解信道译码方法，其特征在于，所述的步骤1)具体为：

针对一个长度为N的二进制线性码每个码字由M×N奇偶校验矩阵H指定，表示发送码字，y表示接收信号；基于信道译码构建最大似然译码问题，表示为下式(1)所述的形式：

其中代表码字集，为对数似然比，v的每一个元素的定义为：

其中，Pr(·)表示条件概率，代表二进制线性码的变量节点。