[发明专利]基于深度学习的极化码译码算法有效
| 申请号： | 201710371218.1 | 申请日： | 2017-05-24 |
| 公开（公告）号： | CN107241106B | 公开（公告）日： | 2020-07-14 |
| 发明（设计）人： | 张川;徐炜鸿;吴至臻;尤肖虎 | 申请（专利权）人： | 东南大学 |
| 主分类号： | H03M13/13 | 分类号： | H03M13/13 |
| 代理公司： | 南京苏高专利商标事务所(普通合伙) 32204 | 代理人： | 柏尚春 |
| 地址： | 211102 江*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于深度学习的极化码译码算法，提出了多维度缩放Min‑sum置信度传播(Beliefpropagation)译码算法，用以加快译码算法收敛速度；然后根据BP算法的因子图与深度神经网络的相似性，实现了基于深度神经网络的极化码译码器，利用深度学习技术训练深度神经网络译码器，相比原始BP译码算法减少了近90％的译码迭代次数，同时取得了更好的译码性能；最后本发明给出了深度神经网络极化码译码器基本运算模块的硬件实现，并且利用硬件折叠技术减少了50％的硬件消耗。 | ||
| 搜索关键词： | 基于 深度 学习 极化 译码 算法 | ||
【主权项】：
一种基于深度学习的极化码译码算法，其特征在于：具体包括以下步骤：(1)基于缩放Min‑sum的BP算法，提出改进的多维缩放Min‑sum的BP算法；(2)根据极化码BP译码因子图与神经网络结构的相似性，展开极化码BP译码因子图构成深度神经网络译码器；(3)生成全零码字，经过AWGN信道传输后，利用深度学习技术中的后向传播和Mini‑batch随机梯度下降算法训练深度神经网络译码器；(4)基于原始BP译码器给出改进型BP译码器的硬件架构，利用硬件折叠技术减少硬件消耗。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于东南大学，未经东南大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201710371218.1/，转载请声明来源钻瓜专利网。
- 同类专利
- 专利分类
