CN109347601A - 基于卷积神经网络的抗音调干扰ldpc码的译码方法 - Google Patents

基于卷积神经网络的抗音调干扰ldpc码的译码方法 Download PDF

Info

Publication number
CN109347601A
CN109347601A CN201811189786.0A CN201811189786A CN109347601A CN 109347601 A CN109347601 A CN 109347601A CN 201811189786 A CN201811189786 A CN 201811189786A CN 109347601 A CN109347601 A CN 109347601A
Authority
CN
China
Prior art keywords
convolutional neural
neural networks
signal
tone interference
communication
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
Application number
CN201811189786.0A
Other languages
English (en)
Other versions
CN109347601B (zh
Inventor
胡翰智
尹振东
吴芝路
赵延龙
刘庆之
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201811189786.0A priority Critical patent/CN109347601B/zh
Publication of CN109347601A publication Critical patent/CN109347601A/zh
Application granted granted Critical
Publication of CN109347601B publication Critical patent/CN109347601B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0056—Systems characterized by the type of code used
    • H04L1/0057—Block codes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Noise Elimination (AREA)
  • Error Detection And Correction (AREA)

Abstract

基于卷积神经网络的抗音调干扰LDPC码的译码方法，本发明涉及LDPC码的译码方法。本发明的目的是为了解决现有神经网络译码模型在受到音调干扰的时候，译码性能准确率低的问题。过程为：1、建立用于LDPC码译码的卷积神经网络；2、确定卷积神经网络的初始参数；3、基于通信信号获得卷积神经网络的训练样本和测试样本；4、将训练样本输入到卷积神经网络中进行训练，得到训练好的卷积神经网络；5、将测试样本输入训练好的卷积神经网络进行测试，得到最终训练好的卷积神经网络；6、利用最终训练好的卷积神经网络对受到音调干扰的LDPC码进行译码。本发明属于通信技术领域。

Description

基于卷积神经网络的抗音调干扰LDPC码的译码方法
技术领域
本发明涉及LDPC码的译码方法。本发明属于通信技术领域。
背景技术
随着对高效可靠的数字传输和存储系统需求的日益增长，在信息传输过程中，译码工作量成为制约通信速度的瓶颈，如何提高译码速度成为研究重点。LDPC码为5G通信编码标准，是运用最广的线性分组码，它具有逼近香农限的纠错性能、低复杂度的译码算法和易于硬件实现的特点成为编码界的研究热点，并在通信等领域得到广泛的应用。基于一般线性分组码的神经网络译码模型在受到音调干扰的时候，译码性能准确率低。
发明内容
本发明的目的是为了解决现有神经网络译码模型在受到音调干扰的时候，译码性能准确率低的问题，而提出基于卷积神经网络的抗音调干扰LDPC码的译码方法。
基于卷积神经网络的抗音调干扰LDPC码的译码方法具体过程为：
步骤1、建立用于LDPC码译码的卷积神经网络；
卷积神经网络设置为11层拓扑结构，卷积神经网络的网络结构包括1层输入层、3层卷积层、3层池化层、2层全连接、1层分类层、1层输出层；
步骤2、确定卷积神经网络的初始参数，即确定卷积神经网络输入层、卷积层、池化层、全连接、分类层、输出层、学习率、连接权重和偏置的初始参数；
对于(16，8)的LDPC码，输入层大小为16，输出层大小为8，学习率为0.08，偏置为0；连接权重取均值为0，方差为0.01的高斯分布；
卷积层卷积核大小均为3*1，*代表乘号，卷积核个数均为30；
步骤3、基于通信信号获得卷积神经网络的训练样本和测试样本；
步骤4、将训练样本输入到步骤2确定完初始参数的卷积神经网络中进行训练，得到训练好的卷积神经网络；
步骤5、将测试样本输入训练好的卷积神经网络进行测试，达到测试精度，得到最终训练好的卷积神经网络，如果没有达到测试精度，重复执行步骤4，直至满足测试精度，得到最终训练好的卷积神经网络；
步骤6、利用最终训练好的卷积神经网络对受到音调干扰的LDPC码进行译码。
本发明的有益效果为：
本发明将卷积神经网络和LDPC码的译码进行相结合对受到音调干扰的信号进行译码，卷积神经网络译码模型具有通用性，对于不同的码只需要调整网络的大小和深度；训练速度快，卷积神经网络译码模型通过无监督预训练能够使得模型参数快速接近全局最优，避免局部最优。卷积神经网络译码模型具有更强的纠错能力。降低LDPC译码的复杂度。在信噪比较小时，提高LDPC的译码性能，并且在受到音调干扰后抗干扰性能也比较好，在受到音调干扰的时候，提高了译码性能准确率，转确率达到92％以上。
附图说明
图1为本发明基于卷积神经网络模型的LDPC码的译码结构图；
图2为本发明卷积神经网络模型图，CNN为卷积神经网络，softmax分类器为最大分类器；
图3为本发明样本数据的生成流程图；
图4为单音干扰的时域波形示意图；
图5为单音干扰的频域波形示意图；
图6为多音干扰的时域波形示意图；
图7为多音干扰的频域波形示意图。
具体实施方式
具体实施方式一：本实施方式的基于卷积神经网络的抗音调干扰LDPC码的译码方法具体过程为：
步骤1、建立用于LDPC码译码的卷积神经网络，如图1所示，图2是所用卷积神经网络的结构；
卷积神经网络设置为11层拓扑结构，卷积神经网络的网络结构包括1层输入层、3层卷积层、3层池化层、2层全连接、1层分类层、1层输出层；
步骤2、确定卷积神经网络的初始参数，即确定卷积神经网络输入层、卷积层、池化层、全连接、分类层、输出层、学习率、连接权重和偏置等的初始参数，
对于(16，8)的LDPC码，输入层大小为16，输出层大小为8，学习率为0.08，偏置为0；连接权重取均值为0，方差为0.01的高斯分布；
卷积层卷积核大小均为3*1，*代表乘号，卷积核个数均为30；
步骤3、基于通信信号获得卷积神经网络的训练样本和测试样本；如图3所示；
步骤4、将10万个训练样本输入到步骤2确定完初始参数的卷积神经网络中进行训练，得到训练好的卷积神经网络；
步骤5、将10万个测试样本输入训练好的卷积神经网络进行测试，达到测试精度，得到最终训练好的卷积神经网络，如果没有达到测试精度，重复执行步骤4，直至满足测试精度，得到最终训练好的卷积神经网络；
步骤6、利用最终训练好的卷积神经网络对受到音调干扰的LDPC码进行译码。
具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤3中基于通信信号获得卷积神经网络的训练样本和测试样本；如图3所示，具体过程为：
由Matlab建模生成20万个不同信噪比的随机序列，经过LDPC编码，BPSK调制，进入高斯白噪声信道接受音调干扰，受音调干扰的通信信号经过BPSK解调，生成10万个训练样本和10万个测试样本。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤4中将10万个训练样本输入到卷积神经网络中进行训练，得到训练好的卷积神经网络；具体过程为：
将10万个训练样本输入到卷积神经网络中进行训练，设置迭代次数和训练精度，迭代次数为300次，训练精度为90％，训练精度达到90％时或迭代次数达到300次，停止训练，得到训练好的卷积神经网络。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述受音调干扰的通信信号生成过程为：
受音调干扰的通信信号建模为N个(复)正弦信号之和的形式，数学表达式如下(1)至(3)所示：
式中，ζ(n)为受音调干扰的通信信号，j为复数，pi为第i个受音调干扰的通信信号正弦波的功率，f为归一化频率，n为正整数，θi为[0,2π]上均匀分布的随机变量，M为受音调干扰的通信信号正弦波总数，取值为正整数，i＝1,2,...,M；N＝1,2,3,...,100；
根据受音调干扰的通信信号ζ(n)计算受音调干扰的通信信号的自相关函数：
式中，δζ(m)为受音调干扰的通信信号的自相关函数，m为正整数；E{·}为能量函数，N为受音调干扰的通信信号正弦波总数，取值为正整数，k＝1,2,...,N；Pk为第k个受音调干扰的通信信号正弦波的功率，θk为[0,2π]上均匀分布的随机变量，fk为第k个正弦波的归一化频率，fk(n-m)为第k个正弦波平移m个正弦波后的归一化频率；*为卷积；
根据受音调干扰的通信信号的自相关函数，得到受音调干扰的通信信号的功率谱为：
式中，S(W)为受音调干扰的通信信号的功率谱，δ(·)为受音调干扰的通信信号的自相关函数，w为受音调干扰的通信信号的角度，fi为第i个正弦波的归一化频率。
音调干扰信号的功率谱为线谱，图4与图5分别给出了单音干扰的时域频域波形图，单音干扰信号参数为：采样频率5GHz，信号频率2GHz。
图6与图7分别给出了多音干扰信号的时域频域波形图，多音干扰是三个单音干扰的线性叠加，其参数为：采样频率6GHz，三个信号频率分别为2GHz、2.3GHz和2.5GHz。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤5中测试精度为90％。
其它步骤及参数与具体实施方式一至四之一相同。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (5)

1.基于卷积神经网络的抗音调干扰LDPC码的译码方法，其特征在于：所述方法为：
步骤1、建立用于LDPC码译码的卷积神经网络；
卷积神经网络设置为11层拓扑结构，卷积神经网络的网络结构包括1层输入层、3层卷积层、3层池化层、2层全连接、1层分类层、1层输出层；
步骤2、确定卷积神经网络的初始参数，即确定卷积神经网络输入层、卷积层、池化层、全连接、分类层、输出层、学习率、连接权重和偏置的初始参数；
对于(16，8)的LDPC码，输入层大小为16，输出层大小为8，学习率为0.08，偏置为0；连接权重取均值为0，方差为0.01的高斯分布；
卷积层卷积核大小均为3*1，*代表乘号，卷积核个数均为30；
步骤3、基于通信信号获得卷积神经网络的训练样本和测试样本；
步骤4、将训练样本输入到步骤2确定完初始参数的卷积神经网络中进行训练，得到训练好的卷积神经网络；
步骤5、将测试样本输入训练好的卷积神经网络进行测试，达到测试精度，得到最终训练好的卷积神经网络，如果没有达到测试精度，重复执行步骤4，直至满足测试精度，得到最终训练好的卷积神经网络；步骤6、利用最终训练好的卷积神经网络对受到音调干扰的LDPC码进行译码。
2.根据权利要求1所述基于卷积神经网络的抗音调干扰LDPC码的译码方法，其特征在于：所述步骤3中基于通信信号获得卷积神经网络的训练样本和测试样本；具体过程为：
由Matlab建模生成不同信噪比的随机序列，经过LDPC编码，BPSK调制，进入高斯白噪声信道接受音调干扰，受音调干扰的通信信号经过BPSK解调，生成训练样本和测试样本。
3.根据权利要求1或2所述基于卷积神经网络的抗音调干扰LDPC码的译码方法，其特征在于：所述步骤4中将训练样本输入到卷积神经网络中进行训练，得到训练好的卷积神经网络；具体过程为：
将训练样本输入到卷积神经网络中进行训练，设置迭代次数和训练精度，迭代次数为300次，训练精度为90％，训练精度达到90％时或迭代次数达到300次，停止训练，得到训练好的卷积神经网络。
4.根据权利要求3所述基于卷积神经网络的抗音调干扰LDPC码的译码方法，其特征在于：所述受音调干扰的通信信号生成过程为：
受音调干扰的通信信号建模为N个正弦信号之和的形式：
式中，ζ(n)为受音调干扰的通信信号，j为复数，pi为第i个受音调干扰的通信信号正弦波的功率，f为归一化频率，n为正整数，θi为[0,2π]上均匀分布的随机变量，M为受音调干扰的通信信号正弦波总数，取值为正整数，i＝1,2,...,M；N＝1,2,3,...,100；
根据受音调干扰的通信信号ζ(n)计算受音调干扰的通信信号的自相关函数：
式中，δζ(m)为受音调干扰的通信信号的自相关函数，m为正整数；E{·}为能量函数，N为受音调干扰的通信信号正弦波总数，取值为正整数，k＝1,2,...,N；Pk为第k个受音调干扰的通信信号正弦波的功率，θk为[0,2π]上均匀分布的随机变量，fk为第k个正弦波的归一化频率，fk(n-m)为第k个正弦波平移m个正弦波后的归一化频率；*为卷积；
根据受音调干扰的通信信号的自相关函数，得到受音调干扰的通信信号的功率谱为：
式中，S(W)为受音调干扰的通信信号的功率谱，δ(·)为受音调干扰的通信信号的自相关函数，w为受音调干扰的通信信号的角度，fi为第i个正弦波的归一化频率。
5.根据权利要求4所述基于卷积神经网络的抗音调干扰LDPC码的译码方法，其特征在于：所述步骤5中测试精度为90％。
CN201811189786.0A 2018-10-12 2018-10-12 基于卷积神经网络的抗音调干扰ldpc码的译码方法 Active CN109347601B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811189786.0A CN109347601B (zh) 2018-10-12 2018-10-12 基于卷积神经网络的抗音调干扰ldpc码的译码方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811189786.0A CN109347601B (zh) 2018-10-12 2018-10-12 基于卷积神经网络的抗音调干扰ldpc码的译码方法

Publications (2)

Publication Number Publication Date
CN109347601A true CN109347601A (zh) 2019-02-15
CN109347601B CN109347601B (zh) 2021-03-16

Family

ID=65309406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811189786.0A Active CN109347601B (zh) 2018-10-12 2018-10-12 基于卷积神经网络的抗音调干扰ldpc码的译码方法

Country Status (1)

Country Link
CN (1) CN109347601B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110752894A (zh) * 2019-10-17 2020-02-04 网络通信与安全紫金山实验室 一种基于cnn的ldpc码盲信道译码方法及译码器
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
CN114268413A (zh) * 2021-11-19 2022-04-01 中国联合网络通信集团有限公司 通用译码方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170017305A1 (en) * 2015-07-15 2017-01-19 Samsung Electronics Co., Ltd. Electronic device and method for controlling the same
CN106571831A (zh) * 2016-10-28 2017-04-19 华南理工大学 一种基于深度学习的ldpc硬判决译码方法及译码器
CN106571832A (zh) * 2016-11-04 2017-04-19 华南理工大学 一种多进制ldpc码级联神经网络解码方法及装置
CN107067077A (zh) * 2017-04-18 2017-08-18 武汉大学 一种卷积神经网络的加权算法
CN107967695A (zh) * 2017-12-25 2018-04-27 北京航空航天大学 一种基于深度光流和形态学方法的运动目标检测方法
CN107979554A (zh) * 2017-11-17 2018-05-01 西安电子科技大学 基于多尺度卷积神经网络的无线电信号调制识别方法
CN108282426A (zh) * 2017-12-08 2018-07-13 西安电子科技大学 基于轻量级深度网络的无线电信号认知识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170017305A1 (en) * 2015-07-15 2017-01-19 Samsung Electronics Co., Ltd. Electronic device and method for controlling the same
CN106571831A (zh) * 2016-10-28 2017-04-19 华南理工大学 一种基于深度学习的ldpc硬判决译码方法及译码器
CN106571832A (zh) * 2016-11-04 2017-04-19 华南理工大学 一种多进制ldpc码级联神经网络解码方法及装置
CN107067077A (zh) * 2017-04-18 2017-08-18 武汉大学 一种卷积神经网络的加权算法
CN107979554A (zh) * 2017-11-17 2018-05-01 西安电子科技大学 基于多尺度卷积神经网络的无线电信号调制识别方法
CN108282426A (zh) * 2017-12-08 2018-07-13 西安电子科技大学 基于轻量级深度网络的无线电信号认知识别方法
CN107967695A (zh) * 2017-12-25 2018-04-27 北京航空航天大学 一种基于深度光流和形态学方法的运动目标检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A.R.KARAMI: ""Multi layer perceptron neural networks decoder for LDPC codes"", 《IEEE》 *
SIQIN TAO: ""Bearing fault diagnosis method on stacked autoencoder and softmax regression"", 《IEEE》 *
薛飞: ""基于神经网络的LDPC译码算法研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110752894A (zh) * 2019-10-17 2020-02-04 网络通信与安全紫金山实验室 一种基于cnn的ldpc码盲信道译码方法及译码器
CN110752894B (zh) * 2019-10-17 2022-04-29 网络通信与安全紫金山实验室 一种基于cnn的ldpc码盲信道译码方法及译码器
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
CN114268413A (zh) * 2021-11-19 2022-04-01 中国联合网络通信集团有限公司 通用译码方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN109347601B (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN109347601A (zh) 基于卷积神经网络的抗音调干扰ldpc码的译码方法
CN106230489B (zh) 适用于任意高阶调制的极化码编码调制方法
Li et al. Robust automated VHF modulation recognition based on deep convolutional neural networks
CN102132271B (zh) 信号创新的稀疏取样
CN103531205B (zh) 基于深层神经网络特征映射的非对称语音转换方法
Gabor Communication theory and cybernetics
Qiao et al. Sparse Bayesian learning for channel estimation in time-varying underwater acoustic OFDM communication
CN112464837A (zh) 基于小数据样本的浅海水声通信信号调制识别方法及系统
CN104969290A (zh) 用于对音频帧丢失隐藏进行控制的方法和设备
CN111239692B (zh) 基于深度学习的pri联合脉内信息辐射源信号识别方法
CN109361404A (zh) 一种基于半监督深度学习网络的ldpc译码系统及译码方法
CN109167600A (zh) 基于深度置信网络的抗音调干扰ldpc码的译码方法
CN109787715A (zh) Scma系统的dnn解码方法及解码通信设备
CN109889462A (zh) 一种适用于高速可见光通信的神经网络辅助的迭代接收方法
Dong et al. Time-frequency sparse reconstruction of non-uniform sampling for non-stationary signal
CN106707279A (zh) 一种随机跳频微波关联成像波形设计方法
CN108417220B (zh) 基于代理模型Volterra建模的语音信号编码和解码方法
CN110211568A (zh) 一种语音识别方法及装置
CN109586728A (zh) 基于稀疏贝叶斯的调制宽带转换器框架下信号盲重构方法
Xu et al. Blind modulation recognition of UWA signals with semi-supervised learning
CN103427917A (zh) 扩频通信仿真系统
Deng et al. Signal periodic decomposition with conjugate subspaces
Wang et al. Blind identification of convolutional codes based on deep learning
CN112731327B (zh) 一种基于cn-lsgan、stft和cnn的hrrp雷达目标识别方法
CN116471154A (zh) 基于多域混合注意力的调制信号识别方法

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