CN112332866A - 一种基于dvb-s与dvb-s2信号的级联码参数识别方法 - Google Patents
一种基于dvb-s与dvb-s2信号的级联码参数识别方法 Download PDFInfo
- Publication number
- CN112332866A CN112332866A CN202011171114.4A CN202011171114A CN112332866A CN 112332866 A CN112332866 A CN 112332866A CN 202011171114 A CN202011171114 A CN 202011171114A CN 112332866 A CN112332866 A CN 112332866A
- Authority
- CN
- China
- Prior art keywords
- dvb
- code
- cascade
- residual
- convolution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 238000010348 incorporation Methods 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 2
- 108091026890 Coding region Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
Images
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
- H03M13/23—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words using convolutional codes, e.g. unit memory codes
-
- 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
- H04L1/0064—Concatenated codes
Abstract
本发明公开了一种基于DVB‑S与DVB‑S2信号的级联码参数识别方法,包括以下步骤:S1、生成固定长度的DVB‑S和DVB‑S2信号的待识别级联码数据,并分为训练集和测试集;S2、构建残差Inception卷积神经网络;S3、设置网络超参数,采用训练集训练残差Inception卷积神经网络,得到用于级联码识别的残差Inception模型;S4、采用训练完成的用于级联码识别的残差Inception模型识别测试集中的级联码数据,完成级联码的识别。本发明可以同时对不同的级联码结构和参数同时进行识别,而不需要采用新的识别算法且不会增加额外的计算量。对高误码率的数据也可以达到很好的识别效果。
Description
技术领域
本发明属于数字通信领域,具体涉及无线通信技术领域中的一种基于残差Inception的数字电视信号的级联码识别方法。本发明可用于在接收端接收到无线信号并解调的情况下,直接实现解调序列的级联码识别。
背景技术
在无线通信系统中,由于传输过程受到衰落、噪声和干扰等因素的影响,导致接收端的信号产生严重的畸变。因此采用信道编码技术来提高信道的可靠性。级联码对随机错误和突发错误都具有很强的纠错能力,因此被广泛应用于各种通信系统中。级联码是存在多次编码的系统,对各级纠错码,交织和加扰看作一个整体的编码结构。目前,现有的级联码识别方法大多采用分级识别的级联码识别算法。在识别的过程中,首先估计出内码编码参数之后进行译码,再对译码后的数据进一步识别外码编码参数。基于分级识别的级联码识别算法需要对接收的编码序列进行译码,算法复杂度很大且不适用于复杂电磁环境下的通信系统。此外,该方法仅能识别单一的级联码结构,如RS码和卷积码的级联,并不能适用于多种纠错码级联的级联码结构及参数,并且不能区分出编码结构中的交织参数和是否存在加扰。
申请号为201410747946.4,名称为“一种RS码与删余卷积码级联码参数盲识别方法”的专利申请中提出了一种RS码与删余卷积码级联码参数盲识别方法。该方法首先采用基于Walsh-Hadamard算法的删余卷积码参数盲识别方法识别删余卷积码的码长、起点、删余模式以及生成矩阵,然后使用维特比译码算法进行译码;再根据译码后的序列采用矩阵分析法识别交织宽度和交织长度,并根据交织参数进行解交织;最后根据解交织后的序列采用遍历法和伽罗华域的快速傅里叶变换方法识别RS码的参数。该方法的不足之处是,由于这种方法是通过对级联码的分级识别实现,在识别的过程中需要对每种编码方式进行译码,并且不同的级联码方式需要采用不同的识别算法进行参数识别,因此该方法的算法复杂度较大,且局限性较大,仅能适用于单一的级联码结构识别。
申请号为201811264785.8,名称为“一种RS码与卷积码的级联码参数识别方法”的专利申请提出了一种RS码与卷积码的级联码的参数识别方法。该方法首先获取待识别的编码数据,并获取RS码与卷积码的所有级联校验矩阵,然后获取待识别编码数据与每个级联校验矩阵的正交概率值,最后将正交概率值最大的级联校验矩阵所对应的级联码参数作为待识别编码数据的级联码参数。这种级联码识别方法存在的不足之处在于:该方法使用级联码的分级编码原理计算级联校验矩阵,需要对每一种级联码组合生成一个级联码校验矩阵并且求逆矩阵,因此计算量大且实现复杂。且在误码率较高的数据中识别效果不好。
发明内容
本发明的目的在于克服现有技术的不足,提供一种可以同时对不同的级联码结构和参数同时进行识别,而不需要采用新的识别算法且不会增加额外的计算量,对高误码率的数据也可以达到很好的识别效果的基于DVB-S与DVB-S2信号的级联码参数识别方法。
本发明的目的是通过以下技术方案来实现的:一种基于DVB-S与DVB-S2信号的级联码参数识别方法,包括以下步骤:
S1、生成固定长度的DVB-S和DVB-S2信号的待识别级联码数据,并将生成的待识别级联码数据划分为训练集和测试集;
S2、构建主干卷积神经网络和一维残差Inception结构,并融合主干网络和残差Inception结构得到残差Inception卷积神经网络;
S3、设置网络超参数,采用训练集训练残差Inception卷积神经网络,得到用于级联码识别的残差Inception模型;
S4、采用训练完成的用于级联码识别的残差Inception模型识别测试集中的级联码数据,完成级联码的识别。
进一步地,所述步骤S1具体包括以下子步骤:
S11、根据不同的级联码结构和参数组成级联码候选集C={c1,c2,…,cn},其中,n为候选级联码的个数,ci表示第i种级联码,i=1,…,n;
S12、对于候选集的每一种级联码,根据DVB-S和DVB-S2通信系统的一般结构和参数生成不同的编码数据集;每种级联码在[5dB,20dB]的信噪比范围内,每隔1dB生成1000样本,单个样本的长度为64800;
S13、将生产的级联码数据集按9:1的比例划分为训练集和测试集。
进一步地,所述步骤S1具体包括以下子步骤:
S11、根据不同的级联码结构和参数组成级联码候选集C={c1,c2,…,cn},其中,n为候选级联码的个数;
S12、对于候选集的每一种级联码,根据DVB-S和DVB-S2通信系统的一般结构和参数生成不同的编码数据集;每种级联码在[5dB,20dB]的信噪比范围内,每隔1dB生成1000样本,单个样本的长度为64800;
S13、将生产的级联码数据集按9:1的比例划分为训练集和测试集。
进一步地,所述步骤S2具体包括以下子步骤:
S21、搭建主干卷积神经网络,该网络由输入层、卷积层、最大池化层组成;定义输入层输入长度为62800*1,输入层之后接3个卷积核大小为3*1,个数分别为32、32、64的卷积层,然后通过一个2倍下采样的最大池化层,最后再连接3个卷积核大小为3*1,个数分别为128、128、256的卷积层;
S22、搭建3个不同尺度的一维残差Inception结构:残差Inception_1、残差Inception_2和残差Inception_3;
3种残差Inception结构都包含4个支路:
残差Inception_1结构的第一个支路直接连接输出,即残差连接;第二个支路包含一个卷积核大小为1*1,个数为96的卷积层;第三个支路包含一个卷积核大小为1*1,个数为64的卷积层和一个卷积核大小为1*3,个数为96的卷积层,第四个支路包含三个卷积层,分别是一个卷积核大小为1*1,个数为64卷积层和两个卷积核大小为1*3,个数为96的卷积层;
残差Inception_2结构的第一个支路直接连接输出,即残差连接;第二个支路包含一个卷积核大小为1*1,个数为384的卷积层;第三个支路包含一个卷积核大小为1*1,个数为192的卷积层和一个卷积核大小为1*7,个数为224的卷积层;第四个支路包含三个卷积层,分别是一个卷积核大小为1*1,个数为192卷积层和两个卷积核大小为1*7,个数为224的卷积层;
残差Inception_3结构的第一个支路直接连接输出,即残差连接;第二个支路包含一个卷积核大小为1*1,个数为256的卷积层;第三个支路包含一个卷积核大小为1*1,个数为384的卷积层和一个卷积核大小为1*3,个数为256的卷积层;第四个支路包含三个卷积层,分别是一个卷积核大小为1*1,个数为384卷积层和两个卷积核大小为1*3,个数为256的卷积层;
S23、融合主干网络和残差Inception结构得到级联码识别网络结构,将主干网络作为先导网络,然后在之后连接4个残差Inception_1,5个残差Inception_2,3个残差Inception_3,最后再添加全局平均池化层和分类层;其中,分类层采用Softmax作为激活函数,实现级联码的识别。
进一步地,所述步骤S3具体包括以下子步骤:
S31、设置网络训练超参数,设置批处理样本个数为32,训练周期为100,每个周期训练3000批样本;采用Adam作为网络的训练的优化函数,并设置初始学习率为0.002;在训练过程中,若Loss在8个周期内都不下降,则将学习率降低5倍;
S32、采用编码数据训练残差Inception卷积神经网络,将编码数据按照批处理的大小输入进网络进行训练,在每个训练周期之后比较Loss值的大小,若Loss值降低,则存储当前的模型;在训练过程中,若Loss值在8个周期内都不下降,则将学习率降低5倍;到100个周期的时候停止训练;
S33、保存Loss值最小的残差Inception模型用于级联码的识别。
进一步地,所述步骤S4具体包括以下子步骤:
S41、读入测试集中的级联码数据集,输入训练完成的级联码识别模型;
S42、模型输出不同级联码类型的识别概率;
S43、选取概率最大值作为级联码识别的结果,完成级联码的识别。
本发明的有益效果是:本发明的基于残差Inception网络提出一种基于DVB-S与DVB-S2信号的级联码识别方法,将深度学习思想引入级联码识别任务中,利用残差Inception网络强大的特征提取能力,自动的从编码数据中提取特征,避免了人工提取特征的复杂性,并在一定程度上减小了计算复杂度。本发明提出的级联码识别方法可以同时对不同的级联码结构和参数同时进行识别,而不需要采用新的识别算法且不会增加额外的计算量。如DVB-S(RS码和卷积码的级联码)和DVB-S2(BCH码和LDPC的级联码)不同结构级联码的识别。对高误码率的数据也可以达到很好的识别效果,可以有效的识别级联码中各级纠错码的类型及参数,交织参数与是否加扰。该方法解决了现有级联码识别算法局限于单一级联码结构识别,算法复杂度大及鲁棒性差等缺点。对DVB-S和DVB-S2的级联码在误码率大于10-3时,可以达到95%的识别准确率。
附图说明
图1为本发明基于DVB-S与DVB-S2信号的级联码参数识别方法的流程图;
图2为本发明实施例训练的准确率和Loss曲线;
图3为本发明实施例测试准确率图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
如图1所示,本发明的一种基于DVB-S与DVB-S2信号的级联码参数识别方法,包括以下步骤:
S1、生成固定长度的DVB-S和DVB-S2信号的待识别级联码数据,并将生成的待识别级联码数据划分为训练集和测试集;
具体包括以下子步骤:
S11、根据不同的级联码结构和参数组成级联码候选集C={c1,c2,…,cn},其中,n为候选级联码的个数,ci表示第i种级联码,i=1,…,n;其中,加扰的有无,级联码的结构以及交织参数的变化都为一种级联码类型;
S12、对于候选集的每一种级联码,根据DVB-S和DVB-S2通信系统的一般结构和参数生成不同的编码数据集;每种级联码在[5dB,20dB]的信噪比范围内,每隔1dB生成1000样本,单个样本的长度为64800;
S13、将生产的级联码数据集按9:1的比例划分为训练集和测试集。
本实施方式中,以DVB-S和DVB-S2中的级联码类型为例,DVB-S的级联码结构是首先对信息序列加扰,然后采用前向纠错编码(FEC)进行编码,主要由里德-索罗门编码(RS编码)和卷积码组成。其中RS编码为外码,卷积编码为内码。外码格式为RS(204,188),它只能纠正与本组相关的误码,对纠正突发性误码效果明显。内码的码率有1/2,2/3,3/4,5/6和7/8。在RS码与卷积码之间有一个卷积交织器。DVB-S2的编码模块由BCH编码模块、低密度奇偶校验(Low Density Parity Check,LDPC)编码模块和比特交织模块联合组成。在DVB-S2中,针对四种不同的调制方式:QPSK,8PSK,16APSK和32APSK,分别定义了十一种编码速率:1/4,1/3,2/5,1/2,3/5,2/3,3/4,4/5,5/6,8/9和9/10。当采用8PSK,16APSK和32APSK调制时需要额外对编码后的数据进行比特交织处理。
DVB-S协议的主要流程为加扰,RS编码,卷积交织,卷积编码。其中,RS编码,卷积交织的参数固定,只有卷积编码存在不同的码率(1/2、2/3、3/4,5/6,7/8)。因此,将每一种卷积码的码率作为一类,总共5类生成数据集。DVB-S2协议的生成流程为BCH编码,LDPC编码,分组交织(若为QPSK调制,则没有交织,若8PSK调制,16APSK和32APSK调制,则采用不同参数的分组交织)。分组交织方式为列入行出,若为8PSK调制,则将编码序列排成3列,然后按行读出。16APSK和32APSK则为4列和5列。生成DVB-S2协议29类的编码交织类型,QPSK有11类,8PSK有7类,16APSK有6类,32APSK有5类。
S2、构建主干卷积神经网络和一维残差Inception结构,并融合主干网络和残差Inception结构得到残差Inception卷积神经网络;
具体包括以下子步骤:
S21、搭建主干卷积神经网络,该网络由输入层、卷积层、最大池化层组成;定义输入层输入长度为62800*1,输入层之后接3个卷积核大小为3*1,个数分别为32、32、64的卷积层,然后通过一个2倍下采样的最大池化层,最后再连接3个卷积核大小为3*1,个数分别为128、128、256的卷积层;
S22、搭建3个不同尺度的一维残差Inception结构:残差Inception_1、残差Inception_2和残差Inception_3;
3种残差Inception结构都包含4个支路,但是不同给的Inception结构中各个支路的卷积核参数不同:
残差Inception_1结构的第一个支路直接连接输出,即残差连接;第二个支路包含一个卷积核大小为1*1,个数为96的卷积层;第三个支路包含一个卷积核大小为1*1,个数为64的卷积层和一个卷积核大小为1*3,个数为96的卷积层,第四个支路包含三个卷积层,分别是一个卷积核大小为1*1,个数为64卷积层和两个卷积核大小为1*3,个数为96的卷积层;
残差Inception_2结构的第一个支路直接连接输出,即残差连接;第二个支路包含一个卷积核大小为1*1,个数为384的卷积层;第三个支路包含一个卷积核大小为1*1,个数为192的卷积层和一个卷积核大小为1*7,个数为224的卷积层;第四个支路包含三个卷积层,分别是一个卷积核大小为1*1,个数为192卷积层和两个卷积核大小为1*7,个数为224的卷积层;
残差Inception_3结构的第一个支路直接连接输出,即残差连接;第二个支路包含一个卷积核大小为1*1,个数为256的卷积层;第三个支路包含一个卷积核大小为1*1,个数为384的卷积层和一个卷积核大小为1*3,个数为256的卷积层;第四个支路包含三个卷积层,分别是一个卷积核大小为1*1,个数为384卷积层和两个卷积核大小为1*3,个数为256的卷积层;
S23、融合主干网络和残差Inception结构得到级联码识别网络结构,将主干网络作为先导网络,然后在之后连接4个残差Inception_1,5个残差Inception_2,3个残差Inception_3,最后再添加全局平均池化层和分类层;其中,分类层采用Softmax作为激活函数,实现级联码的识别。
S3、设置网络超参数,采用训练集训练残差Inception卷积神经网络,得到用于级联码识别的残差Inception模型;
具体包括以下子步骤:
S31、设置网络训练超参数,设置批处理样本个数为32,训练周期为100,每个周期训练3000批样本;采用Adam作为网络的训练的优化函数,并设置初始学习率为0.002;在训练过程中,若Loss在8个周期内都不下降,则将学习率降低5倍;
S32、采用编码数据训练残差Inception卷积神经网络,将编码数据按照批处理的大小输入进网络进行训练,在每个训练周期之后比较Loss值的大小,若Loss值降低,则存储当前的模型;在训练过程中,若Loss值在8个周期内都不下降,则将学习率降低5倍;到100个周期的时候停止训练;绘制训练曲线如图2所示,图中横坐标Epoch代表模型训练的周期,左纵坐标Accuracy代表识别准确率,右纵坐标Loss代表模型训练的优化值。图中总共包含4条曲线,train acc和test acc分别代表模型训练集和验证集的准确率,而train loss和testloss分别代表训练集和验证集的loss值大小;
S33、保存最优(即Loss值最小)的残差Inception模型用于级联码的识别。
S4、采用训练完成的用于级联码识别的残差Inception模型识别测试集中的级联码数据,完成级联码的识别;
具体包括以下子步骤:
S41、读入测试集中的级联码数据集,输入训练完成的级联码识别模型;
S42、模型输出不同级联码类型的识别概率;
S43、选取概率最大值作为级联码识别的结果,完成级联码的识别。
本实施例得到的不同级联码的识别结果如图3所示,本发明的识别结果可得到99%左右的识别准确率。
本发明提出的级联码识别方法可以同时对不同的级联码结构和参数同时进行识别,而不需要采用新的识别算法且不会增加额外的计算量。如DVB-S(RS码和卷积码的级联码)和DVB-S2(BCH码和LDPC的级联码)不同结构级联码的识别。对高误码率的数据也可以达到很好的识别效果,对DVB-S和DVB-S2的级联码在误码率大于10-3时,可以达到95%的识别准确率。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (5)
1.一种基于DVB-S与DVB-S2信号的级联码参数识别方法,其特征在于,包括以下步骤:
S1、生成固定长度的DVB-S和DVB-S2信号的待识别级联码数据,并将生成的待识别级联码数据划分为训练集和测试集;
S2、构建主干卷积神经网络和一维残差Inception结构,并融合主干网络和残差Inception结构得到残差Inception卷积神经网络;
S3、设置网络超参数,采用训练集训练残差Inception卷积神经网络,得到用于级联码识别的残差Inception模型;
S4、采用训练完成的用于级联码识别的残差Inception模型识别测试集中的级联码数据,完成级联码的识别。
2.根据权利要求1所述的一种基于DVB-S与DVB-S2信号的级联码参数识别方法,其特征在于,所述步骤S1具体包括以下子步骤:
S11、根据不同的级联码结构和参数组成级联码候选集C={c1,c2,…,cn},其中,n为候选级联码的个数,ci表示第i种级联码,i=1,…,n;
S12、对于候选集的每一种级联码,根据DVB-S和DVB-S2通信系统的一般结构和参数生成不同的编码数据集;每种级联码在[5dB,20dB]的信噪比范围内,每隔1dB生成1000样本,单个样本的长度为64800;
S13、将生产的级联码数据集按9:1的比例划分为训练集和测试集。
3.根据权利要求1所述的一种基于DVB-S与DVB-S2信号的级联码参数识别方法,其特征在于,所述步骤S2具体包括以下子步骤:
S21、搭建主干卷积神经网络,该网络由输入层、卷积层、最大池化层组成;定义输入层输入长度为62800*1,输入层之后接3个卷积核大小为3*1,个数分别为32、32、64的卷积层,然后通过一个2倍下采样的最大池化层,最后再连接3个卷积核大小为3*1,个数分别为128、128、256的卷积层;
S22、搭建3个不同尺度的一维残差Inception结构:残差Inception_1、残差Inception_2和残差Inception_3;
3种残差Inception结构都包含4个支路:
残差Inception_1结构的第一个支路直接连接输出,即残差连接;第二个支路包含一个卷积核大小为1*1,个数为96的卷积层;第三个支路包含一个卷积核大小为1*1,个数为64的卷积层和一个卷积核大小为1*3,个数为96的卷积层,第四个支路包含三个卷积层,分别是一个卷积核大小为1*1,个数为64卷积层和两个卷积核大小为1*3,个数为96的卷积层;
残差Inception_2结构的第一个支路直接连接输出,即残差连接;第二个支路包含一个卷积核大小为1*1,个数为384的卷积层;第三个支路包含一个卷积核大小为1*1,个数为192的卷积层和一个卷积核大小为1*7,个数为224的卷积层;第四个支路包含三个卷积层,分别是一个卷积核大小为1*1,个数为192卷积层和两个卷积核大小为1*7,个数为224的卷积层;
残差Inception_3结构的第一个支路直接连接输出,即残差连接;第二个支路包含一个卷积核大小为1*1,个数为256的卷积层;第三个支路包含一个卷积核大小为1*1,个数为384的卷积层和一个卷积核大小为1*3,个数为256的卷积层;第四个支路包含三个卷积层,分别是一个卷积核大小为1*1,个数为384卷积层和两个卷积核大小为1*3,个数为256的卷积层;
S23、融合主干网络和残差Inception结构得到级联码识别网络结构,将主干网络作为先导网络,然后在之后连接4个残差Inception_1,5个残差Inception_2,3个残差Inception_3,最后再添加全局平均池化层和分类层;其中,分类层采用Softmax作为激活函数,实现级联码的识别。
4.根据权利要求1所述的一种基于DVB-S与DVB-S2信号的级联码参数识别方法,其特征在于,所述步骤S3具体包括以下子步骤:
S31、设置网络训练超参数,设置批处理样本个数为32,训练周期为100,每个周期训练3000批样本;采用Adam作为网络的训练的优化函数,并设置初始学习率为0.002;在训练过程中,若Loss在8个周期内都不下降,则将学习率降低5倍;
S32、采用编码数据训练残差Inception卷积神经网络,将编码数据按照批处理的大小输入进网络进行训练,在每个训练周期之后比较Loss值的大小,若Loss值降低,则存储当前的模型;在训练过程中,若Loss值在8个周期内都不下降,则将学习率降低5倍;到100个周期的时候停止训练;
S33、保存Loss值最小的残差Inception模型用于级联码的识别。
5.根据权利要求1所述的一种基于DVB-S与DVB-S2信号的级联码参数识别方法,其特征在于,所述步骤S4具体包括以下子步骤:
S41、读入测试集中的级联码数据集,输入训练完成的级联码识别模型;
S42、模型输出不同级联码类型的识别概率;
S43、选取概率最大值作为级联码识别的结果,完成级联码的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011171114.4A CN112332866B (zh) | 2020-10-28 | 一种基于dvb-s与dvb-s2信号的级联码参数识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011171114.4A CN112332866B (zh) | 2020-10-28 | 一种基于dvb-s与dvb-s2信号的级联码参数识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112332866A true CN112332866A (zh) | 2021-02-05 |
CN112332866B CN112332866B (zh) | 2024-04-30 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113132058A (zh) * | 2021-02-23 | 2021-07-16 | 龙文华丰(北京)科技有限公司 | 一种基于高斯约当消元的改进卷积交织盲识别算法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101132243A (zh) * | 2006-07-17 | 2008-02-27 | 北京新岸线移动多媒体技术有限公司 | 兼容dab的t-mmb系统中fic新增配置的设计方法 |
US7388541B1 (en) * | 2005-07-25 | 2008-06-17 | Chun Yang | Self-calibrating position location using periodic codes in broadcast digital transmissions |
CN101557476A (zh) * | 2008-04-11 | 2009-10-14 | 上海锐协微电子科技有限公司 | 单芯片多模式数字电视调谐器 |
CN104467875A (zh) * | 2014-12-09 | 2015-03-25 | 山东大学 | 一种rs码与删余卷积码级联码的参数盲识别方法 |
US20160148079A1 (en) * | 2014-11-21 | 2016-05-26 | Adobe Systems Incorporated | Object detection using cascaded convolutional neural networks |
CN108509911A (zh) * | 2018-04-03 | 2018-09-07 | 电子科技大学 | 基于卷积神经网络的干扰信号识别方法 |
CN109450460A (zh) * | 2018-10-29 | 2019-03-08 | 电子科技大学 | 一种rs码与卷积码的级联码的参数识别方法 |
CN109495214A (zh) * | 2018-11-26 | 2019-03-19 | 电子科技大学 | 基于一维Inception结构的信道编码类型识别方法 |
WO2019108251A1 (en) * | 2017-12-03 | 2019-06-06 | Facebook, Inc. | Optimizations for dynamic object instance detection, segmentation, and structure mapping |
CN110223266A (zh) * | 2019-03-08 | 2019-09-10 | 湖南工业大学 | 一种基于深度卷积神经网络的列车轮对踏面损伤故障诊断方法 |
CN110276445A (zh) * | 2019-06-19 | 2019-09-24 | 长安大学 | 基于Inception卷积模块的国内交通标志分类方法 |
CN110399916A (zh) * | 2019-07-24 | 2019-11-01 | 淮阴工学院 | 一种基于图像增强和Inception网络的皮肤癌图像分类方法 |
US20190356516A1 (en) * | 2018-05-18 | 2019-11-21 | Parallel Wireless, Inc. | Machine Learning for Channel Estimation |
CN111046936A (zh) * | 2019-12-05 | 2020-04-21 | 湖北民族大学 | 基于级联宽度神经网络桥梁裂缝分类识别方法 |
US20200210839A1 (en) * | 2018-12-31 | 2020-07-02 | Microsoft Technology Licensing, Llc | Neural network activation compression with outlier block floating-point |
CN111429947A (zh) * | 2020-03-26 | 2020-07-17 | 重庆邮电大学 | 一种基于多级残差卷积神经网络的语音情感识别方法 |
CN111490853A (zh) * | 2020-04-15 | 2020-08-04 | 成都海擎科技有限公司 | 一种基于深度卷积神经网络的信道编码参数识别方法 |
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7388541B1 (en) * | 2005-07-25 | 2008-06-17 | Chun Yang | Self-calibrating position location using periodic codes in broadcast digital transmissions |
CN101132243A (zh) * | 2006-07-17 | 2008-02-27 | 北京新岸线移动多媒体技术有限公司 | 兼容dab的t-mmb系统中fic新增配置的设计方法 |
CN101557476A (zh) * | 2008-04-11 | 2009-10-14 | 上海锐协微电子科技有限公司 | 单芯片多模式数字电视调谐器 |
US20160148079A1 (en) * | 2014-11-21 | 2016-05-26 | Adobe Systems Incorporated | Object detection using cascaded convolutional neural networks |
CN104467875A (zh) * | 2014-12-09 | 2015-03-25 | 山东大学 | 一种rs码与删余卷积码级联码的参数盲识别方法 |
WO2019108251A1 (en) * | 2017-12-03 | 2019-06-06 | Facebook, Inc. | Optimizations for dynamic object instance detection, segmentation, and structure mapping |
CN108509911A (zh) * | 2018-04-03 | 2018-09-07 | 电子科技大学 | 基于卷积神经网络的干扰信号识别方法 |
US20190356516A1 (en) * | 2018-05-18 | 2019-11-21 | Parallel Wireless, Inc. | Machine Learning for Channel Estimation |
CN109450460A (zh) * | 2018-10-29 | 2019-03-08 | 电子科技大学 | 一种rs码与卷积码的级联码的参数识别方法 |
CN109495214A (zh) * | 2018-11-26 | 2019-03-19 | 电子科技大学 | 基于一维Inception结构的信道编码类型识别方法 |
US20200210839A1 (en) * | 2018-12-31 | 2020-07-02 | Microsoft Technology Licensing, Llc | Neural network activation compression with outlier block floating-point |
CN110223266A (zh) * | 2019-03-08 | 2019-09-10 | 湖南工业大学 | 一种基于深度卷积神经网络的列车轮对踏面损伤故障诊断方法 |
CN110276445A (zh) * | 2019-06-19 | 2019-09-24 | 长安大学 | 基于Inception卷积模块的国内交通标志分类方法 |
CN110399916A (zh) * | 2019-07-24 | 2019-11-01 | 淮阴工学院 | 一种基于图像增强和Inception网络的皮肤癌图像分类方法 |
CN111046936A (zh) * | 2019-12-05 | 2020-04-21 | 湖北民族大学 | 基于级联宽度神经网络桥梁裂缝分类识别方法 |
CN111429947A (zh) * | 2020-03-26 | 2020-07-17 | 重庆邮电大学 | 一种基于多级残差卷积神经网络的语音情感识别方法 |
CN111490853A (zh) * | 2020-04-15 | 2020-08-04 | 成都海擎科技有限公司 | 一种基于深度卷积神经网络的信道编码参数识别方法 |
Non-Patent Citations (2)
Title |
---|
FRANC¸OIS CHOLLET: "Deep Learning with Depthwise Separable Convolutions", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》, pages 1800 - 1807 * |
张乐豪: "基于Inception网络的好奇号火星车地面标样LIBS光谱定量建模", 《光子学报》, pages 1 - 8 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113132058A (zh) * | 2021-02-23 | 2021-07-16 | 龙文华丰(北京)科技有限公司 | 一种基于高斯约当消元的改进卷积交织盲识别算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108650057B (zh) | 一种编译码的方法、装置及系统 | |
CN1132320C (zh) | 截尾格子码的软输出译码器 | |
CN101156321B (zh) | Ldpc编码码字、特别是dvb-s2 ldpc编码码字的解码控制方法和设备 | |
CN101039119B (zh) | 编码与解码的方法及系统 | |
EP1901437A2 (en) | Bit mapping scheme for an LDPC coded 32APSK system | |
US20050078765A1 (en) | Method and apparatus for space-time coding using lifting low density parity check codes in a wireless communication system | |
CN100539446C (zh) | 提早终止迭代的涡轮解码器 | |
CN101707485A (zh) | 混合比特翻转和大数逻辑的ldpc译码方法 | |
CN1802796B (zh) | 用于多用户检测的通信方法和设备 | |
CN107231158B (zh) | 一种极化码迭代接收机、系统和极化码迭代译码方法 | |
CN101494462A (zh) | Rs乘积码级联卷积码系统的迭代译码方法 | |
CN109921803B (zh) | 基于神经网络的高密度线性分组码译码方法 | |
CN110995278A (zh) | 一种改进极性码串行消除列表比特翻转译码方法及系统 | |
Ramabadran et al. | Blind recognition of LDPC code parameters over erroneous channel conditions | |
CN103236900B (zh) | 一种串行级联Turbo码交织器参数盲估计方法 | |
CN109981112A (zh) | 一种部分循环冗余校验辅助的排序统计译码方法 | |
US7716554B2 (en) | System and method for blind transport format detection with cyclic redundancy check | |
CN108712233B (zh) | 一种基于两边类低密度奇偶校验码的物理层网络编码方法 | |
CN111313908B (zh) | 一种纠正非二进制插入/删节的非规则水印编译码方法 | |
CN112491422A (zh) | 基于高斯优化的比特翻转串行消除列表译码方法和系统 | |
US8019020B1 (en) | Binary decoding for correlated input information | |
CN103457612B (zh) | 针对里德所罗门-卷积级联码的迭代软判决译码方法 | |
CN112332866B (zh) | 一种基于dvb-s与dvb-s2信号的级联码参数识别方法 | |
RU2699833C1 (ru) | Способ ускоренного декодирования линейного кода | |
CN103746772A (zh) | Ldpc编码调制系统的解调器输出软信息的优化方法 |
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 |