CN110555283A - 一种高效的lt码度分布的设计方法及系统 - Google Patents

Abstract

本发明属于信道编码技术领域，公开了一种高效的LT码度分布的设计方法及系统，将二进制指数分布和固定度分布的度进行修正；将修正的二进制指数分布和固定度分布的度通过一个比例系数进行联合，形成一种联合的度分布；运用蝙蝠优化算法再结合蒙特拉罗模拟实验求得比例系数的最优值。本发明对已知的度分布进行优化改进，相较于业界广泛使用的经典度分布如鲁棒孤子分布、固定度分布等，在译码性能上有大的提高；本发明将多种不同的度分布进行联合使用，运用本方法能设计出多种不同的高效的联合度分布，通过将特定的某些度分布进行改进和联合，能保证在不同情境下也有优良的性能；本发明实施简单，不需要复杂的操作，原理通俗易懂。

Description

一种高效的LT码度分布的设计方法及系统

技术领域

本发明属于信道编码技术领域，尤其涉及一种高效的LT码度分布的设计方法及系统。

背景技术

目前，最接近的现有技术：

互联网和通信技术的飞速发展，使得客户数量增多的同时对多媒体业务的要求也更加苛刻，大规模可靠地数据传输一直是亟待解决的难题之一。当下最常见的做法是通过TCP/IP协议来保证数据传输的可靠性，但是在很多情况下这些协议并不适用，比如多播和广播业务，或者是在质量很差的信道上进行数据传输，如高丢包率、时延抖动干扰严重的大气信道、卫星链路等。TCP协议是通过反馈重传机制来保证传输的可靠性，当传输距离太远时等待反馈确认信息的时间就会很长，而且大量的反馈信息会浪费带宽资源，造成网络拥堵，而数字喷泉码可以解决上述问题。

数字喷泉码是一种高效的信道编码技术，具有很强的鲁棒性，可以在一定程度上解决上述问题。LT码是一类通用的数字喷泉码，度分布是影响LT码性能表现的关键因素之一，如今业界已知的度分布如鲁棒孤子分布、二进制指数分布等性能不足，难以支持可靠快捷的多媒体业务，因此发明一种高效的LT码度分布迫在眉睫。

数字喷泉码是由Luby等人于1998年提出的，它是有一种针对大规模数据分发和可靠广播的理想的解决方案。2002年诞生了第一种数字喷泉码LT码，之后又诞生了另一种数字喷泉码Raptor码。目前数字喷泉码主要应用于广域网、国际互联网、卫星网上的高速大文件传输，无线网、移动网上的流媒体点播或广播等。

综上所述，现有技术存在的问题是：

现有技术使用单一度分布，使得LT码的译码性能普遍较低。

现有技术在码长较长时有较好的效果，在码长较短时性能不足。

现有技术是在经典度分布上进行改进的，设计原理相似，创新性不够。

现有技术不能保证在不同情境下具有优良的性能。

现有技术操作较繁琐，应用性差。

解决上述技术问题的难度：

1)如何将两种及以上的度分布有规律的进行联合，相互取长补短是一个难点，即如何选择合适的要联合的度分布；

2)联合度分布之间是通过比例系数进行连接的，如何确定比例系数的值是一个难点，比例系数值过大或过小都会影响到联合度分布的性能。

3)如何将各种优化算法恰当地运用到寻找联合度分布的比例系数过程中是一个难点，即目标函数的选择上，优化模型的建立等。

解决上述技术问题的意义：

打破了常规的LT码度分布的设计，为LT码度分布的设计提供了一个崭新的设计思路，该方法即高效又迅捷，而且适用于多个应用场景，在大幅提高LT码度分布性能的同时，也拓宽了LT的运用范围。

发明内容

针对现有技术存在的问题，本发明提供了一种高效的LT码度分布的设计方法及系统。

本发明是这样实现的，一种高效的LT码度分布的设计方法，所述高效的LT码度分布的设计方法包括：

步骤一，将二进制指数分布和固定度分布的度进行修正。

步骤二，将修正的二进制指数分布和固定度分布的度通过一个比例系数进行联合，形成一种联合的度分布。

步骤三，运用蝙蝠优化算法再结合蒙特拉罗模拟实验求得步骤二中联合的度分布式比例系数的最优值。

进一步，步骤一，所述将二进制指数分布度和固定度分布的度进行修正的方法包括：

改进后的二进制指数分布如式：

改进后的固定度分布如下式：

进一步，步骤二联合的度分布式为：

θ(d)＝αb'(d)+(1-α)S'(d)。

进一步，步骤三运用蝙蝠优化算法再结合蒙特拉罗模拟实验求得联合的度分布式比例系数数α的最优值的方法包括：

第1步：初始化度分布的分组数k及其它相关参数。

第2步：设定目标函数，建立优化模型，将联合度分布进行一定程度的离散化。

第3步：初始化种群中所有个体的位置X_i、速度V_i、脉冲频率f_i、脉冲响度r_i、脉冲频度A_i、以及全局最优位置Pbest_i，开始迭代t＝1。

第4步：调节频率、更新速度。

第5步：若Rand 1>r_i，则在当前最优个体附近重新扰动更新位置。否则，接受上述的重新分类，记录分类结果。

第6步：若Rand 2<A_i，则保存产生的新解，增大r_i，同时减小A_i。否则，更新最优位置。

第7步：判断是否达到最大迭代次数，若达到最大迭代数，则输出全局最优位置即最优度分布，结束算法。否则，返回第3步。

进一步，所述高效的LT码度分布的设计方法，包括以下步骤：

第一步：经典度分布函数的优化。首先调整度分布函数中的度1值、度2值以及最大度值的选择概率，使其满足度1值的概率尽量大，度2值的概率接近0.5，同时具有一定的最大度值概率。

第二步：将经过步骤1优化后的两种及两种以上的度分布通过若干个比例系数进行联合。其形式如下

θ(d)＝aA(d)+bB(d)+cC(d)+,…,+mM(d)+(1-a-b-c-,…,-m)N(d) (1)

其中，A(d)、B(d)、C(d)、…、N(d)均是不同的度分布。a、b、c、…、m等均为比例系数，其值为[0,1]。θ(d)即为提出的高效的LT码度分布。

第三步：确定比例系数a、b、…、m的最优值。以译码开销、平均度值、译码成功率等其中的一种作为性能指标，运用各种优化算法结合蒙特卡洛模拟实验来找出最优的比例系数值，从而得出性能最优的度分布θ(d)的函数表达式。

进一步，所述第一步中，经典度分布可以是鲁棒孤子分布、二进制指数分布、固定度分布、泊松分布等业界常用的度分布。对它们的度分布函数中的度1值，度2值以及做大度值作一定程度的修正，使其更符合一个性能优异的度分布的设计标准。

进一步，所述第二步中，联合度分布的1个比例系数的形式如下

θ(d)＝aA(d)+(1-a)B(d) (2)

当将两种度分布进行结合时，则为(2)所示的高效度分布θ(d)。当将三种度分布进行联合时，则有两个比例系数，如式(3)。

θ(d)＝aA(d)+bB(d)+(1-a-b)C(d) (3)

因此将N个度分布通过(N-1)个值为[0,1]的比例系数进行联合形成一种度分布，这就是本发明提出的联合的度分布的一般形式。本发明的设计思路就是将两种及两种以上的度分布进行联合，目的是为了结合各种度分布的优势，然后通过比例系数来权衡比重，从而实现最优的度分布。一般来说联合的度分布不要超过三个，否则会导致最优化过程较复杂，确定比例系数较困难。

进一步，所述第三步中提到的各种优化算法，可以是群智能仿生算法，如粒子群算法、蚁群算法、人工鱼群算法、鸡群算法、鸟群算法，或者黄金分割算法、差分进化算法等，通过这些算法再结合蒙特拉罗模拟实验来寻找联合度分布中的最优比例系数。

本发明另一目的在于提供一种实施所述高效的LT码度分布的设计方法的高效的LT码度分布控制系统。

综上所述，本发明的优点及积极效果为：

本发明将经典的度分布进行了优化改进。同时结合了多种度分布的从而形成一种联合的度分布。

本发明利用各种优化算法和蒙特卡洛模拟实验来找寻比例系数最优值，从而确定出性能最佳的联合的度分布。

本发明首先阐述了一种度分布改进思路，应用该思路对已知的度分布进行优化改进，相较于业界广泛使用的经典度分布如鲁棒孤子分布、固定度分布等，在译码性能上有较大的提高。

本发明有提供了一种设计度分布的思路，即联合度分布的设计。将多种不同的度分布进行联合使用，运用本方法可以设计出多种不同的高效的联合度分布，通过将特定的某些度分布进行改进和联合，能保证在不同情境下也有优良的性能，比如长码长或短码长情况下。

本发明实施起来较简单，不需要复杂的操作，原理通俗易懂，本发明涉及到的优化算法和蒙特卡罗模拟都是业界比较成熟的技术。下面是仿真结果及分析，用来证明提出方法的有效性。

仿真结果表明：从图3可以看出，在码长k＝200和k＝500这两种情况下，随着α值的增大译码成功率均呈先上升后下降的趋势，在α＝0.6时两种码长情况下的译码成功率均达到最大，因此通过此轮仿真我们确定出了α的最优值为0.6，即联合的度分布的函数表达式为

θ(d)＝0.6μ(d)+0.4S'(d) (12)

其中，k表示输入符号(源数据分组)的个数；θ(d)代表联合的度分布；μ(d)代表Moved-RSD和S’(d)代表改进的固定度分布。

译码性能的分析比较中，测试了联合的度分布的译码性能，将译码成功率作为性能指标，译码开销作为横坐标，基本参数设置如表2。固定度分布SD、鲁棒孤子分布RSD以及联合度分布的译码性能比较结果如下图4。

表2重要参数设定

从图4(a)可以看出，当k＝200时在初始译码成功率上固定度分布SD比联合度分布和RSD要高，随着译码开销的增加，联合度分布和RSD的译码成功率相较SD上升的更快。RSD因为缺少小度包导致初始译码成功率低，在译码开销达到40％以后，RSD的译码成功率反超SD。从图4(b)可以看出，当k＝500时SD的初始译码成功率要高于联合度分布和RSD，但是相差不大。当译码开销达到25％以后，提出的联合度分布，RSD的译码成功率在要高于SD。从图4(c)可以看出，当k＝1000时，和前两种码长的情况一样，当译码开销达到20％以后，提出的联合度分布，RSD的译码成功率在要高于SD。

从总体上来看，随着码长k的增加联合度分布以及RSD的初始译码成功率在不断靠近SD，也就是说码长k越大，提出的联合度分布以及RSD的性能越好。在>75％的译码开销区间内，提出的联合度分布的译码成功率要远远高于RSD和SD，而且始终是高于RSD的，因此其译码性能更加优良。

附图说明

图1是本发明实施例提供的高效的LT码度分布的设计方法流程图。

图2是本发明实施例提供的蝙蝠算法BA的寻优过程图。

图3是本发明实施例提供的译码成功率与α值的关系图。

图4是本发明实施例提供的三种度分布的译码开销与译码成功率的关系图。图中：(a)k＝200时译码成功率与译码开销的关系；(b)k＝500时译码成功率与译码开销的关系；(c)k＝1000时译码成功率与译码开销的关系。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

现有技术使用单一度分布，造成的LT码的译码性能低。现有技术没有找寻出比例系数最优值，从而不能确定出性能最佳的联合的度分布。

现有技术没有通过将特定的某些度分布进行改进和联合，不能保证在不同情境下具有优良的性能。

现有技术操作繁琐，应用性差。

针对现有技术存在的问题，本发明提供了一种高效的LT码度分布的设计方法及系统。

下面首先对本发明所提到的一些概念进行详细描述。

Agha等提出了二进制指数分布(Binary Exponential Distribution,BED)，其表达式如下

和鲁棒孤子分布比较，BED增加了小度值编码数据包出现的概率，能产生更多的小度值的编码数据包，但是产生的小度值编码包的数量过多而忽略了大度值编码数据包的作用，导致对源数据得不到良好的覆盖，容易出现源数据丢失的情况。而固定度分布是一种具有很强实用性的度分布(Stationary Distribution,SD)。其平均度值固定为5.8703，不会随着源数据k的大小的变化而变化，其表达式如下

本发明，将二进制指数分布和固定度分布先进行改进，改进后的二进制指数分布如式(6)，改进后的固定度分布如式(7)，然后将两者结合到一起形成一种联合的度分布，其表达式如式(8)

θ(d)＝αb'(d)+(1-α)S'(d) (8)。

接下来，采用蝙蝠算法来寻找α值。蝙蝠算法(Bat Algorithm,BA)是Yang于2010年提出的一种群智能仿生算法，它模拟了蝙蝠的回声定位捕食特性，该算法是一种基于迭代的优化技术，初始化为一组随机解，然后通过迭代搜寻最优解,且在最优解周围通过随机飞行产生局部新解，加强了局部搜索来达到全局最优的目的。BA算法具有模型简单、控制参数少、收敛速度快、鲁棒性好等优点。

以下结合附图对本发明做进一步的说明。

如图1所示，本发明实施例提供的高效的LT码度分布的设计方法包括：

S101，对已知的经典度分布进行优化改进。

S102，通过比例系数将改进后的度分布进行结合，运用优化算法和蒙特卡洛模拟来找寻比例系数的最优值，从而确定出性能最佳的联合度分布的结构。

如图2所示，本发明提供对的蝙蝠算法BA的寻优过程。本发明运用蝙蝠算法来群定式(8)中比例系数α的最优值。其具体步骤如下:

第一步：初始化度分布的分组数k及其它相关参数。

第二步：设定目标函数，建立优化模型，将联合度分布进行一定程度的离散化。

第三步：初始化种群中所有个体的位置X_i、速度V_i、脉冲频率f_i、脉冲响度r_i、脉冲频度A_i、以及全局最优位置Pbest_i，开始迭代t＝1。

第四步：调节频率、更新速度。

第五步：若Rand 1>r_i，则在当前最优个体附近重新扰动更新位置；否则，接受上述的重新分类，记录分类结果。

第六步：若Rand 2<A_i，则保存产生的新解，增大r_i，同时减小A_i；否则，更新最优位置。

第七步：判断是否达到最大迭代次数，若达到最大迭代数，则输出全局最优位置即最优度分布，结束算法；否则，返回第三步。

在本发明实施例中，所述高效的LT码度分布的设计方法，包括以下步骤：

第一步：经典度分布函数的优化。首先调整度分布函数中的度1值、度2值以及最大度值的选择概率，使其满足度1值的概率尽量大，度2值的概率接近0.5，同时具有一定的最大度值概率。

第二步：将经过步骤1优化后的两种及两种以上的度分布通过若干个比例系数进行联合。其形式如下

θ(d)＝aA(d)+bB(d)+cC(d)+,…,+mM(d)+(1-a-b-c-,…,-m)N(d) (1)

其中，A(d)、B(d)、C(d)、…、N(d)均是不同的度分布。a、b、c、…、m等均为比例系数，其值为[0,1]。θ(d)即为提出的高效的LT码度分布。

第三步：确定比例系数a、b、…、m的最优值。以译码开销、平均度值、译码成功率等其中的一种作为性能指标，运用各种优化算法结合蒙特卡洛模拟实验来找出最优的比例系数值，从而得出性能最优的度分布θ(d)的函数表达式。

所述第一步中，经典度分布可以是鲁棒孤子分布、二进制指数分布、固定度分布、泊松分布等业界常用的度分布。对它们的度分布函数中的度1值，度2值以及做大度值作一定程度的修正，使其更符合一个性能优异的度分布的设计标准。

所述第二步中，联合度分布的1个比例系数的形式如下

θ(d)＝aA(d)+(1-a)B(d) (2)

当将两种度分布进行结合时，则为(2)所示的高效度分布θ(d)。当将三种度分布进行联合时，则有两个比例系数，如式(3)。

θ(d)＝aA(d)+bB(d)+(1-a-b)C(d) (3)

因此将N个度分布通过(N-1)个值为[0,1]的比例系数进行联合形成一种度分布，这就是本发明提出的联合的度分布的一般形式。本发明的设计思路就是将两种及两种以上的度分布进行联合，目的是为了结合各种度分布的优势，然后通过比例系数来权衡比重，从而实现最优的度分布。一般来说联合的度分布不要超过三个，否则会导致最优化过程较复杂，确定比例系数较困难。

所述第三步中提到的各种优化算法，可以是群智能仿生算法，如粒子群算法、蚁群算法、人工鱼群算法、鸡群算法、鸟群算法，或者黄金分割算法、差分进化算法等，通过这些算法再结合蒙特拉罗模拟实验来寻找联合度分布中的最优比例系数。

下面结合仿真对本发明作进一步描述。

联合度分布的α值的确定：

首先需要确定联合的度分布中的比例系数α的最优值，α值很难用理论公式推导，因此采用蒙特卡罗模拟来近似寻找。在k＝200和k＝500的情况下统计译码开销为0.15时译码成功率与α值的关系，结果如下图3译码成功率与α值的关系。

从图3可以看出，在码长k＝200和k＝500这两种情况下，随着α值的增大译码成功率均呈先上升后下降的趋势，在α＝0.6时两种码长情况下的译码成功率均达到最大，因此通过此轮仿真我们确定出了α的最优值为0.6，即联合的度分布的函数表达式为

θ(d)＝0.6μ(d)+0.4S'(d) (12)

其中，k表示输入符号(源数据分组)的个数；θ(d)代表联合的度分布；μ(d)代表Moved-RSD和S’(d)代表改进的固定度分布。

译码性能的分析比较:

接下来测试了联合的度分布的译码性能，将译码成功率作为性能指标，译码开销作为横坐标，基本参数设置如表2。固定度分布SD、鲁棒孤子分布RSD以及联合度分布的译码性能比较结果如下图4。

表2重要参数设定

从图4(a)可以看出，当k＝200时在初始译码成功率上固定度分布SD比联合度分布和RSD要高，随着译码开销的增加，联合度分布和RSD的译码成功率相较SD上升的更快。RSD因为缺少小度包导致初始译码成功率低，在译码开销达到40％以后，RSD的译码成功率反超SD。从图4(b)可以看出，当k＝500时SD的初始译码成功率要高于联合度分布和RSD，但是相差不大。当译码开销达到25％以后，提出的联合度分布，RSD的译码成功率在要高于SD。从图4(c)可以看出，当k＝1000时，和前两种码长的情况一样，当译码开销达到20％以后，提出的联合度分布，RSD的译码成功率在要高于SD。

从总体上来看，随着码长k的增加联合度分布以及RSD的初始译码成功率在不断靠近SD，也就是说码长k越大，提出的联合度分布以及RSD的性能越好。在>75％的译码开销区间内，提出的联合度分布的译码成功率要远远高于RSD和SD，而且始终是高于RSD的，因此其译码性能更加优良。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种高效的LT码度分布的设计方法，其特征在于，所述高效的LT码度分布的设计方法包括：

步骤一，将二进制指数分布和固定度分布的度进行修正；

步骤二，将修正的二进制指数分布和固定度分布的度通过比例系数进行联合，形成联合的度分布；

步骤三，运用蝙蝠优化算法再结合蒙特拉罗模拟实验求得步骤二中联合的度分布式比例系数的最优值。

2.如权利要求1所述的高效的LT码度分布的设计方法，其特征在于，步骤一，所述将二进制指数分布度和固定度分布的度进行修正的方法包括：

改进后的二进制指数分布如式：

改进后的固定度分布如下式：

3.如权利要求1所述的高效的LT码度分布的设计方法，其特征在于，步骤二联合的度分布的公式为：

θ(d)＝αb'(d)+(1-α)S'(d)。

4.如权利要求1所述的高效的LT码度分布的设计方法，其特征在于，步骤三运用蝙蝠优化算法再结合蒙特拉罗模拟实验求得联合的度分布式比例系数数α的最优值的方法包括：

第1步：初始化度分布的分组数k及其它相关参数；

第2步：设定目标函数，建立优化模型，将联合度分布进行一定程度的离散化；

第3步：初始化种群中所有个体的位置X_i、速度V_i、脉冲频率f_i、脉冲响度r_i、脉冲频度A_i、以及全局最优位置Pbest_i，开始迭代t＝1；

第4步：调节频率、更新速度；

第5步：若Rand 1>r_i，则在当前最优个体附近重新扰动更新位置；否则，接受上述的重新分类，记录分类结果；

第6步：若Rand 2<A_i，则保存产生的新解，增大r_i，同时减小A_i；否则，更新最优位置；

第7步：判断是否达到最大迭代次数，若达到最大迭代数，则输出全局最优位置即最优度分布，结束算法；否则，返回第3步。

5.如权利要求1所述的高效的LT码度分布的设计方法，其特征在于，所述高效的LT码度分布的设计方法进一步包括：

第一步，经典度分布函数的优化，调整度分布函数中的度1值、度2值以及最大度值的选择概率，使选择概率满足度1值的概率尽量大，度2值的概率接近0.5，同时具有一定的最大度值概率；

第二步，将经过第一步优化后的两种及两种以上的度分布通过若干个比例系数进行联合；形式如下：

θ(d)＝aA(d)+bB(d)+cC(d)+,…,+mM(d)+(1-a-b-c-,…,-m)N(d)；

其中，A(d)、B(d)、C(d)、…、N(d)均是不同的度分布；a、b、c、…、m均为比例系数，值为[0,1]；θ(d)为高效的LT码度分布；

第三步，确定比例系数a、b、…、m的最优值，以译码开销、平均度值、译码成功率中的一种作为性能指标，运用各种优化算法结合蒙特卡洛模拟实验来找出最优的比例系数值，得出性能最优的度分布θ(d)的函数表达式。

6.如权利要求5所述的高效的LT码度分布的设计方法，其特征在于，所述第一步中，经典度分布为鲁棒孤子分布、二进制指数分布、固定度分布、泊松分布的度分布。

7.如权利要求5所述的高效的LT码度分布的设计方法，其特征在于，所述第二步中，联合度分布的比例系数的形式如下：

θ(d)＝aA(d)+(1-a)B(d)。

8.如权利要求7所述的高效的LT码度分布的设计方法，其特征在于，

两种度分布进行结合时，则为上式所示的高效度分布θ(d)；

三种度分布进行联合时，则有两个比例系数，如下式：

θ(d)＝aA(d)+bB(d)+(1-a-b)C(d)。

9.如权利要求5所述的高效的LT码度分布的设计方法，其特征在于，

所述第三步中的优化算法包括：蝙蝠优化算法、粒子群算法、蚁群算法、人工鱼群算法、鸡群算法、鸟群算法，或者黄金分割算法、差分进化算法，通过上述算法再结合蒙特拉罗模拟实验来寻找联合度分布中的最优比例系数。

10.一种实施权利要求1～9任意一项所述高效的LT码度分布的设计方法的高效的LT码度分布控制系统。