CN106571831A - 一种基于深度学习的ldpc硬判决译码方法及译码器 - Google Patents
一种基于深度学习的ldpc硬判决译码方法及译码器 Download PDFInfo
- Publication number
- CN106571831A CN106571831A CN201610969631.3A CN201610969631A CN106571831A CN 106571831 A CN106571831 A CN 106571831A CN 201610969631 A CN201610969631 A CN 201610969631A CN 106571831 A CN106571831 A CN 106571831A
- Authority
- CN
- China
- Prior art keywords
- decoding
- deep learning
- model
- ldpc
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M13/00—Coding, decoding or code conversion, for error detection or error correction; Coding theory basic assumptions; Coding bounds; Error probability evaluation methods; Channel models; Simulation or testing of codes
- H03M13/03—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words
- H03M13/05—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words using block codes, i.e. a predetermined number of check bits joined to a predetermined number of information bits
- H03M13/11—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words using block codes, i.e. a predetermined number of check bits joined to a predetermined number of information bits using multiple parity bits
- H03M13/1102—Codes on graphs and decoding on graphs, e.g. low-density parity check [LDPC] codes
- H03M13/1105—Decoding
- H03M13/1108—Hard decision decoding, e.g. bit flipping, modified or weighted bit flipping
Landscapes
- Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Error Detection And Correction (AREA)
Abstract
本发明公开了一种基于深度学习的LDPC硬判决译码方法,包括如下步骤:1、将一组(X,Y)作为一组带标签数据;2、建立LDPC译码样本集;3、深度学习译码模型的建立;4、深度学习译码模型的预训练;5、深度学习译码模型译码并输出。本发明还公开了一种实现基于深度学习的LDPC硬判决译码方法的译码器,包括:输入单元、深度学习译码模型、输出单元和控制器。本发明在传统最大似然译码算法的基础上引入深度学习的硬判决译码方法,具有降低了译码计算量和复杂度以及提高了译码效率等优点。
Description
技术领域
本发明涉及电子通信技术领域,特别涉及一种基于深度学习的LDPC硬判决译码方法及译码器。
背景技术
低密度奇偶校验码(LDPC,Low Density Parity Check Code),是一种译码复杂度低且性能良好的线性分组纠错码。其误码性能逼近信息论中的Shannon限,由于具有优越的性能和易于并行实现的优点,广泛应用在现代通信各个领域中,如高速光纤通信、高清数字电视广播,并被各种现代通信标准所采用。
深度学习在Hinton教授于02年发表对比散度算法之后,大大推进了深度学习的的发展,同时也降低了深度学习网络模型的计算复杂度;实践证明,对比散度是一种成功的用于求解对数似然函数关于未知参数梯度的近似方法,将深度学习方法用于最大似然译码中可以大大降低译码计算量和复杂度。
LDPC码的硬判决译码方法通常是采用最大似然译码方法。基于深度学习的LDPC硬判决译码是建立在深度学习中深度置信网络模型DBN的一种硬判决译码方法。由于该译码方法具有最大似然特性,即输出的码字为最大似然码字,因此它在最大似然验证性以及性能分析方面比传统的硬判决译码方便。
传统的LDPC最大似然译码方法,实现非常困难,并且计算复杂度太大,特别是对长码长的码字。对(n,k)LDPC(其中n为码字长度,k为信息位长度),最差情况下需要对2k个码字计算相关比较,进行2k-1次比较才能产生最优解。对于k较大时,计算和比较的数值太大,实现非常困难,译码效率不高。
发明内容
本发明的首要目的在于克服现有技术的缺点和不足,提供了一种基于深度学习的LDPC硬判决译码方法,该LDPC硬判决译码方法采用深度学习方法,大大优化了传统最大似然方法译码的计算量和复杂度,从含噪声和干扰的序列中还原发送端的数据。
本发明的另一目的在于克服现有技术的缺点和不足,提供了一种实现基于深度学习的LDPC硬判决译码方法的译码器,该译码器可以应用于通信领域的接收机。
本发明的首要目的通过以下技术方案实现:一种基于深度学习的LDPC硬判决译码方法,包括如下步骤:
(1)将一组(X,Y)作为一组带标签数据,对于LDPC(n,k)码(其中n为码字长度,k为信息位长度),Y表示一组进入信道前的发送信息序列Y(Y的长度为k),X表示Y与LDPC生成矩阵G相乘后的码字序列,即X为Y经过编码后的码字序列X=YG(X的长度为n);
(2)建立LDPC译码样本集:根据步骤1)中,列出所有可能出现的信息序列Y及Y对应的经过编码后的信息比特序列X,获得多组带标签数据(X,Y),组成译码样本集;
(3)深度学习译码模型的建立:通过深度学习中的深度置信网络DBN模型建立正向传播模型,通过神经网络中反向传播算法BP算法建立反向传播模型,对于(n,k)LDPC(其中n为码字长度,k为信息位长度),该DBN模型的输入层大小为n,输出层大小为k,隐藏层需要根据具体码字来确定;
(4)深度学习译码模型的预训练:利用深度学习的自学习能力,由计算机提供所有的上述步骤(2)中译码样本集中的带标签数据进行自学习,对构建好的深度置信网络模型进行预训练,对同一组(X,Y),将X作为输入,Y作为目标输出,当模型输出与X的误差较低到0.0001时停止训练,使得深度置信网络获得良好的权值参数(Y为信息序列,X为Y经过编码后的码字序列);
(5)深度学习译码模型译码并输出:利用上述步骤(4)预训练好的深度置信网络模型,将进入信道后的码字序列经过硬判决作为深度置信网络模型的输入,输出为译码软信息序列,再将输出的软信息序列进行硬判决得到译码序列。
对所述步骤(4)中的深度学习译码模型的建立,对于LDPC(n,k)码,其中,n为码字长度,k为信息位长度,输入层节点数为n,输出层的节点数为k,隐藏层的节点数要根据具体的码字长度和码率来确定。
对所述步骤(4)中的深度学习译码模型的预训练,将对所述步骤(2)中的经过编码后的码字序列X作为深度置信网络模型的输入,对于LDPC(n,k)码,其中,n为码字长度,k为信息位长度,Y表示一组进入信道前的发送信息序列Y,Y的长度为k,X表示Y与LDPC生成矩阵G相乘后的码字序列,即X为Y经过编码后的码字序列X=YG,X的长度为n。
本发明的另一目的通过以下技术方案实现:一种实现基于深度学习的LDPC硬判决译码方法的译码器,包括:输入单元、深度学习译码模型、输出单元和控制器;
输入单元,用于对输入数据进行缓冲和同步;
深度学习译码模型,用于利用深度学习进行译码;
输出单元,用于对输出数据的缓冲和同步;
控制器用于译码器的信息控制,用于控制输入单元、深度学习译码模型、输出单元的工作;
所述输入单元、深度学习译码模型、输出单元按顺序连接,控制器分别于输入单元、深度学习译码模型、输出单元连接。
所述译码器还包括:硬判决单元,所述硬判决单元用于所述输出单元对输出软信息中的数值进行硬判决为0/1。
相对于现有技术,本发明具有如下的优点与有益效果:
本发明从最大似然译码角度进行译码,引入深度学习译码后,大大降低最大似然译码计算量和复杂度,使得译码具有更高的译码效率。
附图说明
图1是本发明的译码方法流程图。
图2是本发明的译码器的结构图。
具体实施方式
下面结合实施例及附图,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例
本发明以1/2码率的LDPC码为实施例,对本发明提供的一种基于深度学习的LDPC硬判决译码方法及译码器进行详细的说明。
对于码率为1/2的(16,32)LDPC码,Y表示正确的信息序列,总共有216组,X表示Y经过编码后的码字序列,共有216组。
如图1所示,一种基于深度学习的LDPC硬判决译码方法,包括如下步骤:
(1)建立LDPC译码样本集:在将一组(X,Y)作为一个带标签数据,获取大量的带标签样本(X,Y),组成译码样本集,对于码率为1/2的(16,32)LDPC码,Y表示正确的信息序列,总共有216组,X表示Y经过编码后的码字序列,共有216组;
(2)深度学习译码模型的建立:通过深度学习中的深度置信网络模型建立正向传播译码模型,其中输入层大小为32,输出层大小为16,隐藏层为1600,利用神经网络中反向传播算法BP算法建立反向传播过程;
(3)深度学习译码模型的预训练:利用深度学习的自学习能力,由计算机提供大量的上述步骤(1)中译码样本集中的带标签数据进行自学习,将同一组标签样本中的(X,Y),X作为输入,Y作为模型的目标输出(其中X为32位码长的码字序列,Y为16位码长的信息序列),对构建好的深度置信网络进行预训练,当模型输出与X的误差值小于0.0001时停止训练,使得深度置信网络获得良好的权值参数;达到训练条件后结束预训练,进入下一步;
(4)深度学习译码模型译码并输出:利用上述步骤(3)预训练好的深度置信网络,将进入信道后的码字序列(码长为32位)进行硬判决后,作为深度置信网络的输入,网络输出便为译码软信息序列,将译码软信息序列进行硬判决便得到正确的译码输出序列;
如图2所示,为本发明的译码器的结构图;
所述译码方法的译码器,包括输入单元、深度学习译码模型、输出单元和控制器;
所述输入单元,用于对输入数据进行缓冲和同步;
所述深度学习译码模型,用于利用深度学习中的深度置信网络进行译码;
所述输出单元,用于对输出数据的缓冲和同步;
所述控制器用于译码器的信息控制,用于控制输入单元、深度学习译码模型、输出单元的工作;
所述输入单元、深度学习译码模型、输出单元按顺序连接,控制器分别于输入单元、深度学习译码模型、输出单元连接。
本发明主要从深度学习角度降低译码计算量和译码误码率,利用深度学习模型求解最大似然译码,从对比散度是一种成功的用于求解对数似然函数关于未知参数梯度的近似方法的角度求解最大似然译码,大大降低了译码的复杂度。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质和原理下所做的改变、修饰、替代、简化、均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (5)
1.一种基于深度学习的LDPC硬判决译码方法,其特征在于,包括如下步骤:
(1)将一组(X,Y)作为一组带标签数据,对于LDPC(n,k)码,其中,n为码字长度,k为信息位长度,Y表示一组进入信道前的发送信息序列Y,Y的长度为k,X表示Y与LDPC生成矩阵G相乘后的码字序列,即X为Y经过编码后的码字序列X=YG,X的长度为n;
(2)建立LDPC译码样本集:根据步骤(1)中列出的所有可能出现的信息序列Y及Y对应的经过编码后的信息比特序列X,获得多组带标签数据(X,Y),组成译码样本集;
(3)深度学习译码模型的建立:通过深度学习中的深度置信网络DBN模型建立正向传播模型,通过神经网络中反向传播算法BP算法建立反向传播模型,对于(n,k)LDPC,其中,n为码字长度,k为信息位长度,该DBN模型的输入层大小为n,输出层大小为k,隐藏层需要根据具体码字来确定;
(4)深度学习译码模型的预训练:利用深度学习的自学习能力,由计算机提供所有的上述步骤(2)中的译码样本集中的带标签数据进行自学习,对构建好的深度置信网络模型进行预训练,对同一组(X,Y),将X作为输入,Y作为目标输出,当模型输出与X的误差较低到0.0001时停止训练,使得深度置信网络获得良好的权值参数,Y为信息序列,X为Y经过编码后的码字序列;
(5)深度学习译码模型译码并输出:利用上述步骤(4)中预训练好的深度置信网络模型,将进入信道后的码字序列经过硬判决作为深度置信网络模型的输入,输出为译码软信息序列,再将输出的软信息序列进行硬判决得到译码序列。
2.根据权利要求1所述的基于深度学习的LDPC硬判决译码方法,其特征在于,对所述步骤(4)中的深度学习译码模型的建立,对于LDPC(n,k)码,其中,n为码字长度,k为信息位长度,输入层节点数为n,输出层的节点数为k,隐藏层的节点数要根据具体的码字长度和码率来确定。
3.根据权利要求1所述的基于深度学习的LDPC硬判决译码方法,其特征在于,对所述步骤(4)中的深度学习译码模型的预训练,将对所述步骤(2)中的经过编码后的码字序列X作为深度置信网络模型的输入,对于LDPC(n,k)码,其中,n为码字长度,k为信息位长度,Y表示一组进入信道前的发送信息序列Y,Y的长度为k,X表示Y与LDPC生成矩阵G相乘后的码字序列,即X为Y经过编码后的码字序列X=YG,X的长度为n。
4.一种实现权利要求1所述的基于深度学习的LDPC硬判决译码方法的译码器,其特征在于,包括:输入单元、深度学习译码模型、输出单元和控制器;
所述输入单元,用于对输入数据进行缓冲和同步;
所述深度学习译码模型,用于利用深度学习进行译码;
所述输出单元,用于对输出数据的缓冲和同步;
所述控制器用于译码器的信息控制,控制输入单元、深度学习译码模型、输出单元的工作;
所述输入单元、深度学习译码模型和输出单元顺序连接,所述输入单元、深度学习译码模型和输出单元均与控制器连接。
5.根据权利要求4所述的译码器,其特征在于,所述译码器还包括:硬判决单元,所述硬判决单元用于所述深度学习译码模型的译码输出,进行数值硬判决为0/1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610969631.3A CN106571831B (zh) | 2016-10-28 | 2016-10-28 | 一种基于深度学习的ldpc硬判决译码方法及译码器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610969631.3A CN106571831B (zh) | 2016-10-28 | 2016-10-28 | 一种基于深度学习的ldpc硬判决译码方法及译码器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106571831A true CN106571831A (zh) | 2017-04-19 |
CN106571831B CN106571831B (zh) | 2019-12-10 |
Family
ID=58541342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610969631.3A Active CN106571831B (zh) | 2016-10-28 | 2016-10-28 | 一种基于深度学习的ldpc硬判决译码方法及译码器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106571831B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107241106A (zh) * | 2017-05-24 | 2017-10-10 | 东南大学 | 基于深度学习的极化码译码算法 |
CN108933602A (zh) * | 2017-05-26 | 2018-12-04 | 爱思开海力士有限公司 | 用于低密度奇偶校验解码的深度学习 |
CN109167600A (zh) * | 2018-10-12 | 2019-01-08 | 哈尔滨工业大学 | 基于深度置信网络的抗音调干扰ldpc码的译码方法 |
CN109347601A (zh) * | 2018-10-12 | 2019-02-15 | 哈尔滨工业大学 | 基于卷积神经网络的抗音调干扰ldpc码的译码方法 |
CN109361404A (zh) * | 2018-09-28 | 2019-02-19 | 华南理工大学 | 一种基于半监督深度学习网络的ldpc译码系统及译码方法 |
CN109428606A (zh) * | 2017-08-29 | 2019-03-05 | 爱思开海力士有限公司 | 具有ldpc解码器的存储器系统及其操作方法 |
CN109428673A (zh) * | 2017-08-28 | 2019-03-05 | 中国科学技术大学 | 用于解码信号的方法、设备以及存储设备 |
CN109450459A (zh) * | 2019-01-16 | 2019-03-08 | 中国计量大学 | 一种基于深度学习的极化码fnsc译码器 |
CN109525253A (zh) * | 2018-10-25 | 2019-03-26 | 华南理工大学 | 基于深度学习和集成方法的卷积码译码方法 |
CN109525254A (zh) * | 2018-10-25 | 2019-03-26 | 华南理工大学 | 基于深度学习的卷积码软判决译码方法 |
CN109547032A (zh) * | 2018-10-12 | 2019-03-29 | 华南理工大学 | 一种基于深度学习的置信度传播ldpc译码方法 |
CN109728824A (zh) * | 2018-12-06 | 2019-05-07 | 杭州电子科技大学 | 一种基于深度学习的ldpc码迭代译码方法 |
CN109995380A (zh) * | 2018-01-02 | 2019-07-09 | 华为技术有限公司 | 译码方法及设备 |
CN110444242A (zh) * | 2018-05-03 | 2019-11-12 | 爱思开海力士有限公司 | 有基于深度学习的干扰校正能力的存储器系统及操作方法 |
CN110730006A (zh) * | 2019-10-25 | 2020-01-24 | 华南理工大学 | 一种用于mcu的ldpc码纠错方法及纠错模块 |
CN112881812A (zh) * | 2021-01-11 | 2021-06-01 | 中国气象科学研究院 | 基于机器学习编码的全闪实时定位方法及装置 |
WO2021204163A1 (zh) * | 2020-04-10 | 2021-10-14 | 北京邮电大学 | 原模图低密度奇偶校验码的自学习译码方法及其相关设备 |
CN116192340A (zh) * | 2023-04-27 | 2023-05-30 | 济南安迅科技有限公司 | 光通信网络中的差错控制方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1158682A2 (en) * | 2000-05-26 | 2001-11-28 | Agere Systems Optoelectronics Guardian Corporation | Methods and apparatus for decoding of general codes on probability dependency graphs |
US20040148561A1 (en) * | 2003-01-23 | 2004-07-29 | Ba-Zhong Shen | Stopping and/or reducing oscillations in low density parity check (LDPC) decoding |
CN109361404A (zh) * | 2018-09-28 | 2019-02-19 | 华南理工大学 | 一种基于半监督深度学习网络的ldpc译码系统及译码方法 |
-
2016
- 2016-10-28 CN CN201610969631.3A patent/CN106571831B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1158682A2 (en) * | 2000-05-26 | 2001-11-28 | Agere Systems Optoelectronics Guardian Corporation | Methods and apparatus for decoding of general codes on probability dependency graphs |
US20040148561A1 (en) * | 2003-01-23 | 2004-07-29 | Ba-Zhong Shen | Stopping and/or reducing oscillations in low density parity check (LDPC) decoding |
CN109361404A (zh) * | 2018-09-28 | 2019-02-19 | 华南理工大学 | 一种基于半监督深度学习网络的ldpc译码系统及译码方法 |
Non-Patent Citations (2)
Title |
---|
李杰: "基于深度学习的LDPC译码算法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
贺双梅: "基于位翻转的LDPC混合译码算法的研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107241106B (zh) * | 2017-05-24 | 2020-07-14 | 东南大学 | 基于深度学习的极化码译码算法 |
CN107241106A (zh) * | 2017-05-24 | 2017-10-10 | 东南大学 | 基于深度学习的极化码译码算法 |
CN108933602A (zh) * | 2017-05-26 | 2018-12-04 | 爱思开海力士有限公司 | 用于低密度奇偶校验解码的深度学习 |
CN108933602B (zh) * | 2017-05-26 | 2021-09-10 | 爱思开海力士有限公司 | 用于低密度奇偶校验解码的深度学习 |
CN109428673A (zh) * | 2017-08-28 | 2019-03-05 | 中国科学技术大学 | 用于解码信号的方法、设备以及存储设备 |
CN109428606B (zh) * | 2017-08-29 | 2022-05-10 | 爱思开海力士有限公司 | 具有ldpc解码器的存储器系统及其操作方法 |
CN109428606A (zh) * | 2017-08-29 | 2019-03-05 | 爱思开海力士有限公司 | 具有ldpc解码器的存储器系统及其操作方法 |
CN109995380A (zh) * | 2018-01-02 | 2019-07-09 | 华为技术有限公司 | 译码方法及设备 |
CN110444242A (zh) * | 2018-05-03 | 2019-11-12 | 爱思开海力士有限公司 | 有基于深度学习的干扰校正能力的存储器系统及操作方法 |
CN110444242B (zh) * | 2018-05-03 | 2023-09-08 | 爱思开海力士有限公司 | 有基于深度学习的干扰校正能力的存储器系统及操作方法 |
CN109361404B (zh) * | 2018-09-28 | 2020-07-28 | 华南理工大学 | 一种基于半监督深度学习网络的ldpc译码系统及译码方法 |
CN109361404A (zh) * | 2018-09-28 | 2019-02-19 | 华南理工大学 | 一种基于半监督深度学习网络的ldpc译码系统及译码方法 |
CN109347601B (zh) * | 2018-10-12 | 2021-03-16 | 哈尔滨工业大学 | 基于卷积神经网络的抗音调干扰ldpc码的译码方法 |
CN109547032B (zh) * | 2018-10-12 | 2020-06-19 | 华南理工大学 | 一种基于深度学习的置信度传播ldpc译码方法 |
CN109347601A (zh) * | 2018-10-12 | 2019-02-15 | 哈尔滨工业大学 | 基于卷积神经网络的抗音调干扰ldpc码的译码方法 |
CN109547032A (zh) * | 2018-10-12 | 2019-03-29 | 华南理工大学 | 一种基于深度学习的置信度传播ldpc译码方法 |
CN109167600A (zh) * | 2018-10-12 | 2019-01-08 | 哈尔滨工业大学 | 基于深度置信网络的抗音调干扰ldpc码的译码方法 |
CN109525253B (zh) * | 2018-10-25 | 2020-10-27 | 华南理工大学 | 基于深度学习和集成方法的卷积码译码方法 |
CN109525254B (zh) * | 2018-10-25 | 2020-10-27 | 华南理工大学 | 基于深度学习的卷积码软判决译码方法 |
CN109525253A (zh) * | 2018-10-25 | 2019-03-26 | 华南理工大学 | 基于深度学习和集成方法的卷积码译码方法 |
CN109525254A (zh) * | 2018-10-25 | 2019-03-26 | 华南理工大学 | 基于深度学习的卷积码软判决译码方法 |
CN109728824A (zh) * | 2018-12-06 | 2019-05-07 | 杭州电子科技大学 | 一种基于深度学习的ldpc码迭代译码方法 |
CN109450459A (zh) * | 2019-01-16 | 2019-03-08 | 中国计量大学 | 一种基于深度学习的极化码fnsc译码器 |
CN109450459B (zh) * | 2019-01-16 | 2023-04-28 | 中国计量大学 | 一种基于深度学习的极化码fnsc译码器 |
CN110730006A (zh) * | 2019-10-25 | 2020-01-24 | 华南理工大学 | 一种用于mcu的ldpc码纠错方法及纠错模块 |
CN110730006B (zh) * | 2019-10-25 | 2023-06-16 | 华南理工大学 | 一种用于mcu的ldpc码纠错方法及纠错模块 |
WO2021204163A1 (zh) * | 2020-04-10 | 2021-10-14 | 北京邮电大学 | 原模图低密度奇偶校验码的自学习译码方法及其相关设备 |
CN112881812B (zh) * | 2021-01-11 | 2022-02-22 | 中国气象科学研究院 | 基于机器学习编码的全闪实时定位方法及装置 |
CN112881812A (zh) * | 2021-01-11 | 2021-06-01 | 中国气象科学研究院 | 基于机器学习编码的全闪实时定位方法及装置 |
CN116192340A (zh) * | 2023-04-27 | 2023-05-30 | 济南安迅科技有限公司 | 光通信网络中的差错控制方法和装置 |
CN116192340B (zh) * | 2023-04-27 | 2023-06-30 | 济南安迅科技有限公司 | 光通信网络中的差错控制方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106571831B (zh) | 2019-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106571831A (zh) | 一种基于深度学习的ldpc硬判决译码方法及译码器 | |
CN107395324B (zh) | 一种基于qup方法的低译码复杂度速率匹配极化码传输方法 | |
CN109361402B (zh) | 编码方法及编码设备 | |
CN109194443B (zh) | 基于apsk星座映射的编码调制方法、可读存储介质和终端 | |
CN106130687B (zh) | 衰落信道下基于译码比特可靠性的Polar码删余方法 | |
CN107026656A (zh) | 一种基于扰动的CRC辅助中短码长Polar码有效译码方法 | |
CN106888026A (zh) | 基于lsc‑crc译码的分段极化码编译码方法及系统 | |
CN107612560A (zh) | 基于部分信息比特似然比的极化码早期迭代停止方法 | |
CN110233628B (zh) | 极化码的自适应置信传播列表译码方法 | |
CN106941394B (zh) | 极化码编码的scma的联合检测译码方法及装置 | |
CN110784230A (zh) | 一种基于bp-led的多元sc-ldpc码滑窗译码方法 | |
CN109951190B (zh) | 一种自适应Polar码SCL译码方法及译码装置 | |
CN109547032A (zh) | 一种基于深度学习的置信度传播ldpc译码方法 | |
CN108809518A (zh) | 用于降低错误性能的级联Spinal码构建方法 | |
CN110061803B (zh) | 一种低复杂度的极化码比特交织编码调制方法 | |
CN106254030B (zh) | 无速率Spinal码的双向编译码方法 | |
CN111130646A (zh) | 一种抗时延抖动的高速率mppm星座映射方法 | |
CN110233698A (zh) | 极化码的编码及译码方法、发送设备、接收设备、介质 | |
CN114448446A (zh) | 水下光通信ldpc编码处理方法、装置及计算机可读存储介质 | |
CN102104444A (zh) | Lte系统中信道质量指示的快速编译码方法 | |
CN106656216A (zh) | 一种针对Turbo乘积码的修正的软入软出译码方法 | |
CN109194338A (zh) | 一种混合节点多比特处理的极化码译码方法 | |
CN102832954B (zh) | 一种基于软信息平均最小值的Turbo码译码迭代停止方法 | |
CN103220007B (zh) | 一种自适应调整子码不可靠位数的tpc迭代译码算法 | |
CN111130567B (zh) | 添加噪声扰动和比特翻转的极化码置信传播列表译码方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |