CN115021764A - 一种基于分组自适应归一化因子控制的ldpc译码方法 - Google Patents
一种基于分组自适应归一化因子控制的ldpc译码方法 Download PDFInfo
- Publication number
- CN115021764A CN115021764A CN202210562697.6A CN202210562697A CN115021764A CN 115021764 A CN115021764 A CN 115021764A CN 202210562697 A CN202210562697 A CN 202210562697A CN 115021764 A CN115021764 A CN 115021764A
- Authority
- CN
- China
- Prior art keywords
- normalization factor
- check
- decoding
- iteration process
- decoding algorithm
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 123
- 238000010606 normalization Methods 0.000 title claims abstract description 103
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 116
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 96
- 239000011159 matrix material Substances 0.000 claims description 48
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 abstract description 2
- 238000010295 mobile communication Methods 0.000 abstract description 2
- 238000012937 correction Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction 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
- H03M13/05—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
-
- 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
- H03M13/65—Purpose and implementation aspects
- H03M13/6577—Representation or format of variables, register sizes or word-lengths and quantization
- H03M13/6583—Normalization other than scaling, e.g. by subtraction
Landscapes
- Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Error Detection And Correction (AREA)
Abstract
本发明属于移动通信技术领域,针对5G数据共享信道中的QC‑LDPC码,为了进一步缩小MS算法和BP算法译码性能的差距,提高NMS算法的译码性能,提出了一种基于分组自适应归一化因子控制的LDPC译码方法。本发明是基于MS算法存在的高估问题,利用BP算法和MS算法校验节点LLR消息的比值特性,求其归一化因子。为了降低译码的复杂度,根据最优归一化因子的变化特征,对其采用加权平均处理;为了降低平均迭代次数,加快译码的收敛速度,本方法利用校验节点信息的残差特性进行分层处理,优先更新残差最大的一层,在不同迭代之间动态地重新排列层。仿真结果表明,所提出的方法能够实现更好的收敛速度和出色的译码性能。
Description
技术领域
本发明属于移动通信技术领域,主要涉及在5G数据共享信道中提高译码性能,更好地加快译码的收敛速率,以满足5G的高吞吐量和高可靠性的需求,提出了一种基于分组自适应归一化因子控制的LDPC译码方法。
背景技术
低密度奇偶校验(LDPC)码由Gallager于1963年提出,但由于计算复杂度过高而被忽略。后来由MacKay和Neal于20世纪90年代重新发现,并证明它们具有接近香农极限的优异性能,因而备受广泛关注。随着近年来的发展,它已广泛应用于不同的通信系统和标准,如Digital Video Broadcasting(DVB),WiMAX(IEEE 802.16e),ATSC3.0和5G New Radio(NR)。
置信传播(BP)算法是经典的LDPC码译码算法之一。虽然BP算法具有出色的译码性能,但其校验节点信息更新的计算复杂度很高,致使该算法难以硬件实现。为了降低BP算法的实现复杂度和提高解码吞吐量,Fossorier等人提出了最小和(MS)算法,使用最小值替换tanh函数的计算,与BP算法相比,复杂度得到了大大降低,但是这种近似操作带来了高估问题并大大降低了译码性能。为了缩小BP算法和MS算法之间的差距,研究人员提出了许多基于MS的改进算法,如偏移量最小和(OMS)和归一化最小和(NMS),这两种算法通过引入校正因子来减少MS的高估,与MS算法相比,这些基于MS的改进算法提高了译码性能,但复杂度的小幅度增加。现有MS算法与BP算法之间的性能差距为提高译码性能提供了空间。
而传统的MS和基于MS的改进算法均采用洪泛(Flooding)调度方式,检查节点和变量节点是并行处理的,所有变量节点的处理需要等待所有校验节点更新结束,所有校验节点的处理需要等待上一个迭代中所有变量节点的软信息更新完成。这种传统的调度方案会导致收敛速度的缓慢。并且在硬件实现中,总会有一组处理单元处于空闲状态,这使得提高吞吐量变得极其困难。近年来,提出了分层调度方案,检查节点和变量节点是串行处理的,在校验矩阵中,校验节点和变量节点之间的信息在各层之间进行传递,以更新软信息。在本次迭代中的软信息,下一层可以直接读取上一层变量节点信息,作为该层变量节点信息的初始值。在所有层都被更新之后,执行下一次迭代。相比于传统的洪泛调度,分层调度能够更快速灵活地利用更新后的消息,有助于减少迭代次数,加快收敛速度,同时也提高了译码性能。
但是这种分层调度方案仅仅采用了简单的分层处理,并没有考虑变量节点信息和校验节点信息的可靠性,在每次迭代过程中,如果使用不可靠的节点信息去更新新的节点信息,将会造成不可靠的节点信息在各层之间进行传递,在一定程度上会减缓译码收敛速度,译码性能也会有所降低。
发明内容
基于现有技术存在的问题,本发明旨在提供一种针对5G数据共享信道的LDPC码译码方法,以解决现有译码方法迭代次数多、时延大、不利于工程实现的问题。本发明提出了基于分组自适应归一化因子控制的LDPC译码方法。针对MS算法存在的高估问题,利用BP算法和MS算法校验节点LLR消息的比值特性,以求得每次迭代的归一化因子,归一化因子随着迭代次数的不同而不同。在一些优选实施例中,为降低其复杂度,根据归一化校正因子的变化特征,对其采用加权平均处理。在此基础上,为了进一步提升该算法的译码性能,加快收敛速度、有效的减少迭代次数,提出了基于残差的分层译码方案,利用校验节点的可靠性与残差之间的关系,按照残差从大到小进行分层,优先更新残差较大的一层,更新完所有层之后,进行下一次迭代,以此类推,直到译码正确或者达到最大译码迭代次数。
本发明的一种基于分组自适应归一化因子控制的LDPC译码方法,所述方法包括:
在每一轮正式迭代过程中,采用MS译码算法,对每一行校验矩阵中每个校验节点消息进行预更新;
分别计算预更新前后每个校验节点消息的残差值,并得出每一行校验矩阵中校验节点消息的残差值的最大残差;
对每一行校验矩阵按照最大残差进行从大到小排序,重组校验矩阵;
采用基于归一化因子的NMS译码算法,对每一行重组校验矩阵中每个校验节点消息进行更新;
采用NMS译码算法,对重组校验矩阵中每一列中的变量节点消息进行更新;
按照校验节点消息的更新结果和变量节点消息的更新结果,计算出判决信息;
按照计算出的判决信息,得出硬判决结果,当硬判决结果满足判决条件或者完成正式迭代过程,输出译码结果。
本发明的有益效果:
1、本发明利用MS译码算法对校验节点进行预更新,利用预更新前后的残差值,对校验矩阵重新分组,考虑变量节点信息和校验节点信息的可靠性,优先更新最不可靠的一层,能够让可靠的节点信息在各层之间进行传递,在一定程度上会加快译码的收敛速度,同时提升译码性能。
2、本发明利用BP译码算法和MS译码算法在校验节点传递到变量节点过程中的比值特性,计算得到每一轮试迭代过程所需的归一化因子,该归一化因子作为自适应的归一化因子来控制正式迭代的译码过程,进一步提升了译码性能。
3、本发明利用计算出的归一化因子,通过相应的控制方式,既大幅度提高了译码性能,又相对减少了运算的复杂度。
附图说明
图1是本发明实施例的基于分组自适应归一化因子控制的LDPC译码方法流程图;
图2是本发明实施例中归一化因子与迭代次数的关系仿真图;
图4是发明实施例与现有技术不同译码算法的平均迭代次数仿真图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
传统的对数似然比BP(LLR-BP)译码算法是基于校验节点和变量节点之间的信息传输的迭代算法,随着迭代次数的不断增加,译码的可靠度不断提高,其算法的译码过程主要包括五个过程,如下:
步骤1:初始化,初始化是按照给定的信道的一些特性来对变量节点进行初始化,设定最大迭代次数Imax,初始迭代次数i=1;将变量节点的消息初始化为从信道接收到的消息,而校验节点的消息全部初始化为0,定义如下:
式中,Zn→m (0)(xn)表示初始迭代过程中从变量节点vn传递给校验节点cm的消息xn;表示从变量节点vn的初始消息xn;σ2为加性高斯白噪声的方差;yi为接收到的序列;上标(0)表示初始化过程,此时还没有发生迭代。
步骤2:水平方向的校验节点更新(C2V):
式中,Lm→n (i)(xn)表示在第i次迭代过程中从校验节点cm传递给变量节点vn的消息xn;N(m)\n表示除变量节点vn外与校验节点cm相连的所有变量节点;Zn'→m (i-1)(xn')表示在第i-1次迭代过程中从变量节点vn'传递给校验节点cm的消息xn'。
步骤3:垂直方向的变量节点更新(V2C):
式中,Zn→m (i)(xn)表示在第i次迭代过程中从变量节点vn传递给校验节点cm的消息xn;M(n)\m表示除校验节点cm外与变量节点vn相连的所有校验节点;Lm'→n (i)(xn)表示在第i次迭代过程中从校验节点cm′传递给变量节点vn的消息xn。
步骤4:硬判决:
式中,Zn (i)(xn)表示在第i次迭代过程中变量节点vn的判决消息;M(n)表示与变量节点vn相连的所有校验节点;Lm→n (i)(xn)表示在第i次迭代过程中校验节点cm传递给变量节点vn的消息。
式中,Zn (i)(xn)表示在第i次迭代过程中变量节点vn的判决消息;xn (i)表示在第i次迭代过程中变量节点vn的硬判决结果。
上述BP算法虽然具有显著的译码性能,但其校验节点更新计算的复杂度极高,难以通过硬件实现,通过对BP算法的校验节点消息计算的简化,技术人员提出了MS译码算法,将步骤(2)中校验节点C2V消息更新计算变为式(6),其余步骤不变,表示为:
式中,Lm→n (i)(xn)表示在第i次迭代过程中从校验节点cm传递给变量节点vn的消息xn;N(m)\n表示除变量节点vn外与校验节点cm相连的所有变量节点;Zn'→m (i-1)(xn')表示在第i-1次迭代过程中从变量节点vn'传递给校验节点cm的消息xn'。
显然,MS译码算法降低了计算的复杂度,但存在高估问题导致译码性能的大大降低。为了减少译码性能的下降,技术人员进一步提出了NMS译码算法,引入一个乘法校正因子即归一化因子α,其校验节点C2V消息更新计算变为式(7),其余步骤不变,表示为:
式中,Lm→n (i)(xn)表示在第i次迭代过程中从校验节点cm传递给变量节点vn的消息xn;α表示归一化因子;N(m)\n表示除变量节点vn外与校验节点cm相连的所有变量节点;Zn'→m (i-1)(xn')表示在第i-1次迭代过程中从变量节点vn'传递给校验节点cm的消息xn'。
相比于BP算法,简化校验节点信息计算的MS算法存在高估问题,可以看出,不管是BP算法,还是MS算法都存在一些问题,BP算法复杂度较高,不利于硬件实现,MS算法准确度不高,存在高估问题;基于此,本发明提出了一种基于分组自适应归一化因子控制的LDPC译码方法;该方法将LDPC译码过程分为两个阶段,首先需要执行步骤1进行初始化,初始化完成后,在每轮正式迭代过程中,都需要先执行第一阶段,即采用MS译码算法执行步骤2,对每一行校验矩阵中每个校验节点消息进行预更新;步骤2执行完成后,不再直接执行步骤3~5,而是分别计算预更新前后每个校验节点消息的残差值,并得出每一行校验矩阵中校验节点消息的残差值的最大残差;对每一行校验矩阵按照最大残差进行从大到小排序,重组校验矩阵;再根据第一阶段的重组校验矩阵,执行第二阶段,在第二阶段中,重新执行步骤2,采用基于归一化因子的NMS译码算法,对每一行重组校验矩阵中每个校验节点消息进行更新;再执行步骤3~步骤5,输出译码结果。
图1是本发明实施例基于分组自适应归一化因子控制的LDPC译码方法流程图,如图1所示,所述方法包括:
101、在每一轮正式迭代过程中,采用MS译码算法,对每一行校验矩阵中每个校验节点消息进行预更新;
在本发明实施例中,将整个迭代过程分为正式迭代过程和试迭代过程,其中正式迭代过程是为了完成每一轮从第一阶段到第二阶段的迭代,而试迭代过程是为了计算出每一轮正式迭代过程中所使用的归一化因子,通过试迭代过程计算出的归一化因子来改进正式迭代过程中归一化因子,并完成NMS译码过程。
在本发明实施例中,校验矩阵为M行N列的矩阵,其中每一行代表校验节点,每一列代表变量节点;采用公式(6)对每一行校验矩阵中的每个校验节点信息进行预更新,这个预更新过程与传统的MS译码算法类似,但是本实施例只需要对校验节点信息进行预更新,得到预更新过程的校验节点信息结果,其余的变量节点信息的预更新过程等不再执行;通过对残差信息值的分析,在每次迭代之前需要预先计算出每条边的C2V消息,如果使用LLR-BP算法的校验节点信息更新来计算,会导致算法的复杂度大大增加。为了进一步降低算法的复杂度,由于预更新只需要安排层的顺序而不需要进行信息传播,因此不需要非常的精确,所以本实施例只是采用公式(6)来完成这个预更新过程;从而在提升准确度的前提下,尽可能的降低复杂度。
102、分别计算预更新前后每个校验节点消息的残差值,并得出每一行校验矩阵中校验节点消息的残差值的最大残差;
在本发明实施例中,利用MS译码算法对每个校验节点消息进行预更新前后的过程中,能够计算出预更新前后每个校验节点消息的残差值,对于每一行校验矩阵而言,每一行中都至少存在一个或多个最大残差值,就可以将该最大残差值作为该行校验矩阵的最大残差。
103、对每一行校验矩阵按照最大残差进行从大到小排序,重组校验矩阵;
在本发明实施例中,由于上述步骤中确定好每一行校验矩阵的最大残差,我们就以最大残差对校验矩阵重新排序,本实施例利用校验节点的稳定性与残差的关系,按照残差从大到小进行分层,优先更新残差较大的一层,更新完所有层之后,进入下一次迭代,以此类推。
104、采用基于归一化因子的NMS译码算法,对每一行重组校验矩阵中每个校验节点消息进行更新;
所述归一化因子的计算方式包括在每一轮试迭代过程中,利用BP译码算法的水平计算和MS译码算法的水平计算分别对每一行重组校验矩阵中每个校验节点消息进行试更新,利用BP译码算法的垂直计算和MS译码算法的垂直计算分别对重组校验矩阵中每一列中的变量节点消息进行试更新;按照校验节点消息和变量节点消息的试更新结果,得出在BP译码算法和MS译码算法下校验节点消息的比值特性,根据比值特性计算得出每一轮试迭代过程中的归一化因子也即正式迭代过程所需的归一化因子。
在本发明实施例中,考虑到相比于BP算法,简化校验节点信息计算的MS算法存在高估问题,故首先定量的分析其高估问题,定义,如式(8),然后根据归一化因子纠正的原理进行推导可得:
其中,表示第i轮试迭代过程中校验节点cm到变量节点vn的比值特性,表示利用MS译码算法从校验节点cm传递给变量节点vn的消息;表示利用BP译码算法从校验节点cm传递给变量节点vn的消息;表示变量节点vn'传递给校验节点cm的消息;N(m)\n表示除变量节点vn外与校验节点cm相连的所有变量节点。
在奇偶校验矩阵HM×N中的第m行,由式(8)可得:
其中,dc表示奇偶校验矩阵中每行校验节点的度,进一步根据式(9)可得:
根据式(10)可得,每次迭代的归一化因子可以调整为:
其中,α(i)表示第i轮试迭代过程中归一化因子,R(i)表示第i轮试迭代过程中校验节点到变量节点的比值特性。
其校正因子的值与LLR值高度相关,并且LLR值随着迭代的增加而增加。由公式(11)可以得出不同迭代次数下的归一化因子,如图2所示,绘制了在不同特定信噪比下校正因子与迭代次数的关系。可以清晰的发现,在相同信噪比条件下,α(i)随着迭代次数的增加而增加,但经过几次迭代之后收敛于一个常数。这说明随着迭代次数的增加,BP算法和MS算法之间的性能差距逐渐减小,其LLR值变得越来越可靠。
由上述分析可知,每次迭代过程中使用不同的归一化因子进行纠正,译码性能将会得到显著性提高,但是每次迭代中获得可变校正因子增加了算法的额外复杂度,基于此,本发明提出了三种归一化因子的使用方式。
在本发明一些实施例中,为了降低算法的复杂度,对前几轮试迭代过程中归一化因子进行加权平均处理;将加权平均后的归一化因子作为正式迭代过程中的归一化因子,采用NMS译码算法对每一行重组校验矩阵中每个校验节点消息进行更新。举个例子,可以仅对前5次迭代的归一化因子α(i)值采用加权平均处理,改进之后的归一化因子值由式(12)计算所得,称该算法为改进的归一化最小和算法,其中λk是加权平均系数,对前五次分别取值为λ1=0.25,λ2=0.25,λ3=0.2,λ4=0.2,λ5=0.1。
在本发明一些实施例中,为了提升译码性能,本实施例将每一轮试迭代过程中的归一化因子作为对应的每一轮正式迭代过程中的动态归一化因子,在每一轮正式迭代过程中,采用NMS译码算法对每一行重组校验矩阵中每个校验节点消息进行动态更新,也就是说本发明将试迭代过程中计算出的归一化因子,作为正式迭代过程中的归一化因子,这种情况下,每一轮试迭代就需要对应一轮正式迭代,这样的好处在于,每一轮正式迭代过程中的归一化因子都是通过试迭代过程中BP译码算法和MS译码算法的更新计算得出的改进归一化因子,使用这个改进的归一化因子能够大幅度提升LDPC译码性能。
在本发明的另一些实施例中,考虑到上述两个实施例的优缺点,即采用加权平均方式的归一化因子作为固定归一化因子来执行正式迭代过程,可能会导致正式迭代过程中的译码性能不足,采用每一轮试迭代过程的归一化因子作为正式迭代过程中的动态归一化因子,可能到大幅增加算法复杂度;基于此,本发明采用折中的思想,分析了归一化因子的动态曲线,通过双曲正切函数来模拟归一化因子的变化情况,该双曲正切函数是迭代次数i相关的函数,表示为tanh(i),当然还可以为迭代次数i设置相关的系数a和偏置量b来调整分段函数的曲线,表示为本发明优选的双曲正切函数可以表示为tanh|(1/3)×i+0.15|,将正式迭代过程按照tanh|(1/3)×i+0.15|函数划分为第一区段和第二区段;在第一区段内,将第一区段对应的每一轮试迭代过程中的归一化因子作为对应的每一轮正式迭代过程中的动态归一化因子,在每一轮正式迭代过程中,采用NMS译码算法对每一行重组校验矩阵中每个校验节点消息进行动态更新;在第二区段内,计算出当前试迭代过程中的归一化因子与前一轮试迭代过程中的归一化因子的残差,若残差等于或大于预设阈值,则将第二区段对应的当前试迭代过程中的归一化因子作为对应的当前正式迭代过程中的动态归一化因子,在每一轮正式迭代过程中,采用NMS译码算法对每一行重组校验矩阵中每个校验节点消息进行动态更新;若残差小于预设阈值,则不再计算后一轮试迭代过程中的归一化因子,并将当前试迭代过程中的归一化因子作为当前以及后续正式迭代过程中的归一化因子,在当前以及后续正式迭代过程中,采用NMS译码算法对每一行重组校验矩阵中每个校验节点消息进行更新;本实施例通过将归一化因子的迭代过程分为两个区段,在第一区段内,由于这个区段内的归一化因子波动较大,所以正式迭代过程所用的每个归一化因子都需要通过试迭代过程计算而得;而在第二区段内,这个区段内的归一化因子波动较小,所以正式迭代过程所用的归一化因子需要根据预设阈值来判断是否需要通过试迭代过程计算而得,这样的好处是,通过归一化因子的特性分为两个区段进行单独处理,既大幅度提高了译码性能,又相对减少了运算复杂度。
可以理解的是,上述试迭代过程是独立于本发明实施例中的正式迭代过程的迭代过程,为了与正式迭代过程进行区分,所以我们称之为试迭代过程,实际上,试迭代过程也可以参考步骤2~3采用BP译码算法和MS译码算法完成校验节点消息和变量节点消息的更新,利用BP译码算法即公式(2)和MS译码算法即公式(6)分别对每一行重组校验矩阵中每个校验节点消息进行试更新,利用BP译码算法和MS译码算法分别对重组校验矩阵中每一列中的变量节点消息进行试更新;利用校验节点消息和变量节点消息的试更新结果,得出在BP译码算法和MS译码算法下校验节点消息的比值特性,根据比值特性以及相关的计算得出每一轮试迭代过程中的归一化因子,这个归一化因子能够反映MS译码算法的高估性,改进后的归一化因子能够提高LDPC译码的准确性。
可以理解的是,在本发明实施例中,按照残差分组对校验矩阵进行重组,按照重新分组后的顺序来计算出相应的归一化因子,并根据相应的归一化因子来控制LDPC译码,达到自适应控制的效果。
105、采用NMS译码算法,对重组校验矩阵中每一列中的变量节点消息进行更新;
在本发明实施例中,这个过程中,可以直接采用公式(3)对重组校验矩阵中每一列中的变量节点消息进行更新,从而得到垂直方向的变量节点更新(V2C)结果。
106、按照校验节点消息的更新结果和变量节点消息的更新结果,计算出判决信息;
在本发明实施例中,这个过程中,可以直接采用公式(4)按照校验节点消息的更新结果和变量节点消息的更新结果,计算出判决信息。
107、按照计算出的判决信息,得出硬判决结果,当硬判决结果满足判决条件或者完成正式迭代过程,输出译码结果。
在本发明实施例中,这个过程中,可以直接采用公式(5)按照校验节点消息的更新结果和变量节点消息的更新结果,计算出判决信息。
可以理解的是,在本发明实施例中,步骤105~步骤107可以采用常规的译码算法完成,本领域技术人员应该知晓,通过BP译码算法、MS译码算法、NMS译码算法等算法完成后续译码过程;本发明对此不作具体的限定。
将该方法应用于5G NR标准的QC-LDPC码时,由图2产生的(8448,4224)一种码字,其码率分别为1/2,提升值Zc为192。如图3、图4所示,与传统的NMS译码算法相比,本发明方法虽然复杂度略有增加,其主要增加了比较运算,但是可以接受的,能够显著提高译码性能,有效的减少迭代次数、加快收敛速度。
在本发明的描述中,需要理解的是,术语“同轴”、“底部”、“一端”、“顶部”、“中部”、“另一端”、“上”、“一侧”、“顶部”、“内”、“外”、“前部”、“中央”、“两端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明中,除非另有明确的规定和限定,术语“安装”、“设置”、“连接”、“固定”、“旋转”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于分组自适应归一化因子控制的LDPC译码方法,其特征在于,所述方法包括:
在每一轮正式迭代过程中,采用MS译码算法,对每一行校验矩阵中每个校验节点消息进行预更新;
分别计算预更新前后每个校验节点消息的残差值,并得出每一行校验矩阵中校验节点消息的残差值的最大残差;
对每一行校验矩阵按照最大残差进行从大到小排序,重组校验矩阵;
采用基于归一化因子的NMS译码算法,对每一行重组校验矩阵中每个校验节点消息进行更新;
采用NMS译码算法,对重组校验矩阵中每一列中的变量节点消息进行更新;
按照校验节点消息的更新结果和变量节点消息的更新结果,计算出判决信息;
按照计算出的判决信息,得出硬判决结果,当硬判决结果满足判决条件或者完成正式迭代过程,输出译码结果。
2.根据权利要求1所述的一种基于分组自适应归一化因子控制的LDPC译码方法,其特征在于,所述归一化因子的计算方式包括在每一轮试迭代过程中,利用BP译码算法的水平计算和MS译码算法的水平计算分别对每一行重组校验矩阵中每个校验节点消息进行试更新,利用BP译码算法的垂直计算和MS译码算法的垂直计算分别对重组校验矩阵中每一列中的变量节点消息进行试更新;按照校验节点消息和变量节点消息的试更新结果,得出在BP译码算法和MS译码算法下校验节点消息的比值特性,根据比值特性计算得出每一轮试迭代过程中的归一化因子。
5.根据权利要求4所述的一种基于分组自适应归一化因子控制的LDPC译码方法,其特征在于,所述采用基于归一化因子的NMS译码算法,对每一行重组校验矩阵中每个校验节点消息进行更新包括对前几轮试迭代过程中归一化因子进行加权平均处理;将加权平均后的归一化因子作为正式迭代过程中的归一化因子,采用NMS译码算法对每一行重组校验矩阵中每个校验节点消息进行更新。
6.根据权利要求4所述的一种基于分组自适应归一化因子控制的LDPC译码方法,其特征在于,所述采用基于归一化因子的NMS译码算法,对每一行重组校验矩阵中每个校验节点消息进行更新还包括将每一轮试迭代过程中的归一化因子作为对应的每一轮正式迭代过程中的动态归一化因子,在每一轮正式迭代过程中,采用NMS译码算法对每一行重组校验矩阵中每个校验节点消息进行动态更新。
7.根据权利要求4所述的一种基于分组自适应归一化因子控制的LDPC译码方法,其特征在于,所述采用基于归一化因子的NMS译码算法,对每一行重组校验矩阵中每个校验节点消息进行更新还包括将正式迭代过程按照双曲正切函数划分为第一区段和第二区段;在第一区段内,将第一区段对应的每一轮试迭代过程中的归一化因子作为对应的每一轮正式迭代过程中的动态归一化因子,在每一轮正式迭代过程中,采用NMS译码算法对每一行重组校验矩阵中每个校验节点消息进行动态更新;在第二区段内,计算出当前试迭代过程中的归一化因子与前一轮试迭代过程中的归一化因子的残差,若残差等于或大于预设阈值,则将第二区段对应的当前试迭代过程中的归一化因子作为对应的当前正式迭代过程中的动态归一化因子,在每一轮正式迭代过程中,采用NMS译码算法对每一行重组校验矩阵中每个校验节点消息进行动态更新;若残差小于预设阈值,则不再计算后一轮试迭代过程中的归一化因子,并将当前试迭代过程中的归一化因子作为当前以及后续正式迭代过程中的归一化因子,在当前以及后续正式迭代过程中,采用NMS译码算法对每一行重组校验矩阵中每个校验节点消息进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210562697.6A CN115021764A (zh) | 2022-05-23 | 2022-05-23 | 一种基于分组自适应归一化因子控制的ldpc译码方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210562697.6A CN115021764A (zh) | 2022-05-23 | 2022-05-23 | 一种基于分组自适应归一化因子控制的ldpc译码方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115021764A true CN115021764A (zh) | 2022-09-06 |
Family
ID=83068186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210562697.6A Pending CN115021764A (zh) | 2022-05-23 | 2022-05-23 | 一种基于分组自适应归一化因子控制的ldpc译码方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115021764A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130297993A1 (en) * | 2011-01-21 | 2013-11-07 | Panasonic Corporation | Encoding method, and decoding method |
US9813080B1 (en) * | 2013-03-05 | 2017-11-07 | Microsemi Solutions (U.S.), Inc. | Layer specific LDPC decoder |
CN108768409A (zh) * | 2018-06-06 | 2018-11-06 | 重庆邮电大学 | 一种优化的基于归一化最小值的ldpc译码方法 |
CN110535475A (zh) * | 2019-08-30 | 2019-12-03 | 哈尔滨工程大学 | 一种分层自适应归一化最小和译码算法 |
CN110830049A (zh) * | 2019-11-21 | 2020-02-21 | 重庆邮电大学 | 一种基于密度进化改进偏移最小和的ldpc译码方法 |
WO2020077596A1 (zh) * | 2018-10-18 | 2020-04-23 | 华为技术有限公司 | Ldpc码的译码方法和装置 |
CN112953554A (zh) * | 2021-01-27 | 2021-06-11 | 武汉梦芯科技有限公司 | 一种基于分层置信度传播的ldpc译码方法、系统和介质 |
-
2022
- 2022-05-23 CN CN202210562697.6A patent/CN115021764A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130297993A1 (en) * | 2011-01-21 | 2013-11-07 | Panasonic Corporation | Encoding method, and decoding method |
US9813080B1 (en) * | 2013-03-05 | 2017-11-07 | Microsemi Solutions (U.S.), Inc. | Layer specific LDPC decoder |
CN108768409A (zh) * | 2018-06-06 | 2018-11-06 | 重庆邮电大学 | 一种优化的基于归一化最小值的ldpc译码方法 |
WO2020077596A1 (zh) * | 2018-10-18 | 2020-04-23 | 华为技术有限公司 | Ldpc码的译码方法和装置 |
CN110535475A (zh) * | 2019-08-30 | 2019-12-03 | 哈尔滨工程大学 | 一种分层自适应归一化最小和译码算法 |
CN110830049A (zh) * | 2019-11-21 | 2020-02-21 | 重庆邮电大学 | 一种基于密度进化改进偏移最小和的ldpc译码方法 |
CN112953554A (zh) * | 2021-01-27 | 2021-06-11 | 武汉梦芯科技有限公司 | 一种基于分层置信度传播的ldpc译码方法、系统和介质 |
Non-Patent Citations (3)
Title |
---|
HONGHAO SHI等: "Low Complexity Neural Network-Aided NMS LDPC Decoder", 《2021 COMPUTING, COMMUNICATIONS AND IOT APPLICATIONS (COMCOMAP)》, 30 December 2021 (2021-12-30), pages 227 - 231 * |
王冰冰: "空间通信中LDPC译码算法研究与译码器设计", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, 15 January 2022 (2022-01-15), pages 031 - 688 * |
陈发堂 等: "多归一化因子的LDPC译码算法", 《重庆邮电大学学报(自然科学版)》, vol. 34, no. 1, 18 March 2022 (2022-03-18), pages 59 - 64 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5138221B2 (ja) | 誤り訂正符号をmin−sum復号化する方法 | |
CN107565978B (zh) | 基于Tanner图边调度策略的BP译码方法 | |
CN110830049B (zh) | 一种基于密度进化改进偏移最小和的ldpc译码方法 | |
KR100804793B1 (ko) | 저밀도 패러티 검사 복호기에서의 검사 노드 갱신 방법 | |
CN110535475B (zh) | 一种分层自适应归一化最小和译码算法 | |
CN108964669B (zh) | 基于度分解和交替乘子法的ldpc码二次规划译码方法 | |
CN107968657B (zh) | 一种适用于低密度奇偶校验码的混合译码方法 | |
CN110830050A (zh) | 一种ldpc译码方法、系统、电子设备及存储介质 | |
Habib et al. | Belief propagation decoding of short graph-based channel codes via reinforcement learning | |
Habib et al. | Learning to decode: Reinforcement learning for decoding of sparse graph-based channel codes | |
CN107919875B (zh) | LDPC码Tanner图环结构的评估方法及其所应用的两种优化方法 | |
KR20210099388A (ko) | Ldpc 복호 방법 및 ldpc 복호 장치 | |
CN108566211B (zh) | 基于H矩阵层处理顺序动态变化的layered LDPC译码方法 | |
CN115021764A (zh) | 一种基于分组自适应归一化因子控制的ldpc译码方法 | |
CN111669184B (zh) | 一种应用于ldpc编码协作的联合边动态调度迭代译码方法 | |
CN111010196B (zh) | 一种极化码BP List译码方法 | |
CN114285416A (zh) | 一种非规则qc-ldpc码的低错误平层构造方法 | |
JP5493602B2 (ja) | 復号化装置及び復号化方法 | |
CN113098531B (zh) | 一种基于最小和译码框架的动态偏移补偿方法 | |
CN111030705A (zh) | 基于ap与消除ets的一种qc-ldpc码构造方案 | |
CN114401016B (zh) | 速率兼容缩短极化码的两阶段构造方法 | |
Cheng et al. | An decoding parameter optimization method for LDPC codes in 5G NR based on 3D EXIT chart | |
Lu et al. | An Improved 5G NR LDPC Decoding Algorithm Based On Box-Plus Operation | |
Wang et al. | LLR Distribution Characteristics Based Hybrid Decoding Algorithm for LDPC Codes | |
CN111628786B (zh) | Ldpc码的自适应最小和译码方法 |
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 |