[发明专利]一种基于深度学习的RS码置信传播译码方法

摘要

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。

主权项

1.一种基于深度学习的RS码置信传播译码方法,包括下列步骤：/n(1)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。/n(2)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，首先经过置信传播算法的一次迭代计算，即经过神经网络的变量节点层和校验节点层，计算每层的信息比特的输出值；在每个迭代计算后加入一个输出层，输出层将本次迭代计算前收到的LLR的值和迭代过程中校验节点返回的LLR的值与参数相乘并进行加和计算，此时在校验节点输出LLR信息求和后乘上的参数即为SSID算法中的阻尼系数，因此可以将阻尼系数作为未知量使用深度学习技术进行训练，从而得到最佳参数值；在LLR值进行求和运算后，使用sigmoid函数作为激活函数，以便使用深度学习进行训练；/n(3)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，位移的符号长度小于码字的整体长度，将位移后的码字再输入至新的神经网络层，包括变量节点和校验节点，进行下次迭代；位移前后的码字都属于RS码中的码字；/n(4)若达到规定的迭代计算次数则将码字移回译码前的最初位置，并将输出的预测值经过四舍五入后与正确的码字进行对比，在设定的训练周期和学习率的基础下进行神经网络的参数训练，更新变量节点中参数的信息；若未达到规定的迭代次数则进行下一次迭代计算；/n(5)在达到规定的训练周期，训练过程结束后即可得到最终的校验矩阵值；将测试信息的LLR值输入至神经网络，经过设定的迭代运算后即可查看输出码字，分析译码效果；多次更改训练周期与学习率，用于找到最优的参数。/n