欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2026100249144
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 基本电子电路
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于神经网络优化的QC-LDPC码双支路交叉分层最小和译码方法,其特征在于,方法包括以下步骤:

S101、针对输入的QC-LDPC码、最大迭代次数,以及分层最小和译码器的两种具体层排序、,构建上、下支路分层最小和译码器、;

所述步骤S101具体包括:

所输入的QC-LDPC码是通过一个尺寸为的母矩阵进行准循环扩展得到尺寸为的校验矩阵,m表示母矩阵行数,n表示母矩阵列数,M表示校验矩阵行数,N表示校验矩阵列数,其中,,,表示扩展因子大小,校验矩阵从上至下每行构成一层,共m层;

输入分层最小和译码器的两种具体层排序、,分层最小和译码器的一种具体层排序定义为输入QC-LDPC母矩阵的行置换排序,该行置换排序是的一个置换,给定层排序下的分层最小和译码器是给定矩阵下的分层最小和译码器,表示对母矩阵根据层排序执行的行置换矩阵,即矩阵的第,行取自矩阵的第,行;

给定母矩阵下的分层最小和译码器的一次迭代计算是由接收信号输入层与个Z-行译码单元组成,单个Z-行译码单元由一层校验节点层与一层变量节点层构成,单个Z-行译码单元执行矩阵的行校验所对应的次最小和置信度传播译码消息传递,单个Z-行译码单元所处理矩阵的行校验是由母矩阵的一行扩展所成;将给定母矩阵下的分层最小和译码器中的个-行译码单元记为,将其按重新排序得到,的一次迭代计算由接收信号输入层与组成,共层,次迭代计算由接收信号输入层与个连接组成;

S102、基于校验节点运算的乘性加权与加性修正机制参数化上、下支路分层最小和译码器、的各层乘性加权因子、与加性修正因子、,得到上、下支路神经网络分层最小和译码器、;初始化上、下支路神经网络分层最小和译码器的各层乘性加权因子、为1,加性修正因子、为0;

所述步骤S102中基于校验节点运算的乘性加权与加性修正机制参数化分层最小和译码器的各层乘性加权因子与加性修正因子得到的具体方法为;在校验节点层的消息更新公式中使用乘性加权与加性修正机制,并将中的各层乘性加权因子与加性修正因子设置为可学习参数得到,表示个校验节点层使用的乘性加权因子集合,即,表示个校验节点层使用的加性修正因子集合,即,其中,,;中校验节点层的消息更新公式表示为:;

式中,,,,表示在矩阵中与校验节点相连的所有变量节点的集合,表示校验矩阵根据层排序重排序后的矩阵,表示在中除去变量节点的变量节点集合,表示变量节点的消息,表示第次迭代计算时第层校验节点层的可学习乘性加权因子,表示第次迭代计算时第层校验节点层的可学习加性修正因子;

S103、在目标工作信噪比条件下针对QC-LDPC编码经BPSK调制、加性高斯白噪声信道的发送接收Monte-Carlo过程生成QC-LDPC码字的接收信号矢量-发送码字数据集,并通过交叉熵损失函数以及神经网络的反向传播算法对上、下支路神经网络分层最小和译码器、进行独立训练,以得到上、下支路神经网络分层最小和译码器、中的最佳乘性加权因子、与最佳加性修正因子、;通过最佳乘性加权因子、与最佳加性修正因子、对上、下支路译码器进行例化,从而建立神经网络参数优化后的上、下支路神经网络分层最小和译码器、;

S104、译码时,将接收信号同时输入上、下支路神经网络分层最小和译码器、,如果任一支路译码成功则输出译码结果,否则将原始LLR序列值与二路译码器首次译码输出的后验LLR序列值加权相关后并行交叉输入下、上支路神经网络分层最小和译码器再次译码;

所述步骤S104具体包括:

译码时,接收信号的译码采用双支路并行译码机制,为此接收信号需同时接入上、下支路神经网络分层最小和译码器、,记上、下支路的输入层接收到个信道原始LLR序列值为;记上支路迭代次译码后的后验LLR序列值为,记下支路迭代T次译码后的后验LLR序列值为,其中上标表示输出层;接收信号通过并行输入上、下支路同时启动各自支路的首次分层最小和译码,如果上、下支路译码结果至少存在一支路能通过目标QC-LDPC码校验矩阵的校验,则译码终止,选择任一通过译码校验的支路输出作为最终译码结果;否则启动双支路二次译码,通过原始信道输入LLR序列与二路译码器首次译码输出的后验LLR序列,,进行加权相关得到加权LLR序列,,然后并行交叉输入至下、上支路神经网络分层最小和译码器、译码;针对两路译码输出,选择与信道接收信号矢量欧式距离最小的译码结果作为最终译码输出。

2.根据权利要求1所述的基于神经网络优化的QC-LDPC码双支路交叉分层最小和译码方法,其特征在于,所述步骤S104还包括:与在[0,1]内基于验证数据集性能进行搜索,选择在验证集上性能表现最佳的值。

3.根据权利要求2所述的基于神经网络优化的QC-LDPC码双支路交叉分层最小和译码方法,其特征在于,所述分层最小和译码器的两种具体层排序、的获得方法如下:将母矩阵映射为Tanner图,则母矩阵的行、列分别对应Tanner图中的校验节点、变量节点;首先对母矩阵Tanner图中的所有校验节点按照所连接的变量节点度数之和升序排列;对于具有相同优先级的校验节点,计算各校验节点相连的所有变量节点与更高优先级的校验节点连接的次数之和,和越大优先级越高,排序越靠前;从母矩阵校验节点的排序得到母矩阵行的目标排序;

计算母矩阵中每行的行重,将母矩阵的行按行重降序排列,行重越大排序越靠前,得到。