1.一种LDPC码神经网络训练方法,其特征在于,所述方法包括:获取用于训练神经网络译码模型的数据集;其中,所述数据集为将历史经过AWGN信道传输的输出信号解调得到的比特对数似然比数据集;
根据所述数据集确定神经网络译码模型的结构,得到待训练的神经网络译码模型;根据所述数据集确定神经网络译码模型的结构,具体包括:所述神经网络译码模型包括输入层、隐藏层和输出层,其中,隐藏层包括校验节点层和变量节点层;
根据所述数据集确定神经网络译码模型中隐藏层的层数;根据所述数据集确定神经网络译码模型中隐藏层的层数,具体包括:根据所述数据集所使用的LDPC码的校验矩阵H得到对应的Tanner图;
将所述Tanner图中有消息传递关系的校验节点与变量节点分别作为第n层校验节点层和第n层变量节点层;
利用所述数据集对所述待训练的神经网络译码模型进行迭代训练,得到训练好的神经网络译码模型;利用所述数据集对所述待训练的神经网络译码模型进行迭代训练具体包括:依次对隐藏层中每组具有消息传递的校验节点层和变量节点层进行训练,迭代次数为隐藏层层数的一半;
对其中一组具有消息传递的校验节点层和变量节点层进行训练的步骤具体包括:将传递的消息分别在校验节点层和变量节点层进行信息更新,得到更新后的变量节点信息;
根据所述更新后的变量节点信息输出对应的变量节点的神经网络译码结果;
根据所述神经网络译码结果和输入的所述数据集的误差优化网络,进行下一组的训练;
将传递的消息分别在校验节点层和变量节点层进行信息更新,具体包括:在校验节点层将校验节点传递到变量节点的消息乘以校正因子进行信息更新;
在变量节点层将变量节点传递到下一层校验节点的消息乘以校正因子进行信息更新。
2.根据权利要求1所述的LDPC码神经网络训练方法,其特征在于,所述根据所述更新后的变量节点信息输出对应的变量节点的神经网络译码结果具体包括:将所述更新后的变量节点信息输出到输出层,在输出层使用sigmod函数作为激活函数,输出该变量节点对应的神经网络译码结果。
3.根据权利要求1所述的LDPC码神经网络训练方法,其特征在于,所述根据所述神经网络译码结果和所述数据集的误差优化网络具体包括:使用交叉熵损失函数计算所述神经网络译码结果和传输的所述数据集的误差,得到输出误差;
针对所述输出误差,使用小批量梯度下降算法和Adam优化方法搜索训练网络,得到训练好的神经网络译码模型。
4.一种LDPC码神经网络译码方法,其特征在于,利用执行如权利要求1-3任一项LDPC码神经网络训练方法所得到的训练好的神经网络译码模型对LDPC码数据进行译码,具体包括:获取经过AWGN信道传输的输出信号解调为比特对数似然比数据集;
将所述比特对数似然比数据集输入所述训练好的神经网络译码模型;
依次对隐藏层中每一组对应的校验节点层和变量节点层进行信息更新,迭代次数为隐藏层层数的一半;
针对其中一组对应的校验节点层和变量节点层进行信息更新包括:在校验节点层将校验节点传递到变量节点的消息乘以校正因子进行信息更新;
在变量节点层将变量节点传递到下一层校验节点的消息乘以校正因子进行信息更新;
根据所述更新后的变量节点信息,输出对应的变量节点的神经网络译码结果,直至完成对隐藏层中的所有节点层的信息更新。
5.一种LDPC码神经网络训练系统,其特征在于,所述系统被处理器运行时执行如权利要求1-3任一项所述LDPC码神经网络训练方法的步骤。
6.一种LDPC码神经网络译码系统,其特征在于,所述系统被处理器运行时执行如权利要求4所述LDPC码神经网络译码方法的步骤。