CN115037313B - Ldpc译码量化方法、装置、设备、ldpc译码方法及系统 - Google Patents

Ldpc译码量化方法、装置、设备、ldpc译码方法及系统 Download PDF

Info

Publication number
CN115037313B
CN115037313B CN202210968863.2A CN202210968863A CN115037313B CN 115037313 B CN115037313 B CN 115037313B CN 202210968863 A CN202210968863 A CN 202210968863A CN 115037313 B CN115037313 B CN 115037313B
Authority
CN
China
Prior art keywords
likelihood ratio
log
quantization
obtaining
preferred
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.)
Active
Application number
CN202210968863.2A
Other languages
English (en)
Other versions
CN115037313A (zh
Inventor
赵东艳
李晓雷
李德建
王磊
赵旭
甘杰
刘晗
李正浩
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.)
State Grid Corp of China SGCC
State Grid Shandong Electric Power Co Ltd
Beijing Smartchip Microelectronics Technology Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Shandong Electric Power Co Ltd
Beijing Smartchip Microelectronics Technology Co Ltd
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 State Grid Corp of China SGCC, State Grid Shandong Electric Power Co Ltd, Beijing Smartchip Microelectronics Technology Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210968863.2A priority Critical patent/CN115037313B/zh
Publication of CN115037313A publication Critical patent/CN115037313A/zh
Application granted granted Critical
Publication of CN115037313B publication Critical patent/CN115037313B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H03M13/1111—Soft-decision decoding, e.g. by means of message passing or belief propagation algorithms
    • H03M13/1125—Soft-decision decoding, e.g. by means of message passing or belief propagation algorithms using different domains for check node and bit node processing, wherein the different domains include probabilities, likelihood ratios, likelihood differences, log-likelihood ratios or log-likelihood difference pairs
    • 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
    • H04L1/0045—Arrangements at the receiver end
    • H04L1/0054—Maximum-likelihood or sequential decoding, e.g. Viterbi, Fano, ZJ algorithms
    • 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
    • H04L1/0061—Error detection codes

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Error Detection And Correction (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明涉及无线通信技术领域，其实施方式提供了一种LDPC译码量化方法、装置、设备、LDPC译码方法及系统。其中一种LDPC译码量化方法，包括：获取调制方式和编码方式的多种组合下的每一组合对应的对数似然比量化算法中的优选参数；根据多个优选参数得到调制方式与编码方式的组合与优选参数之间的映射关系或映射模型；采用根据所述映射关系或映射模型确定优选参数的对数似然比量化算法进行量化。本发明提供的实施方式以较小的性能损失代价，减少了存储比特。

Description

LDPC译码量化方法、装置、设备、LDPC译码方法及系统
技术领域
本发明涉及无线通信领域，具体地涉及一种LDPC译码量化方法、一种LDPC译码量化装置、一种LDPC译码方法、一种LDPC译码系统、一种LDPC译码量化设备以及一种计算机可读存储介质。
背景技术
目前主流的量化方法分为均匀量化和非均匀量化，然而不论对LLR直接进行均匀量化还是非均匀量化，译码器性能损失都很大。此外，虽然已经有一些改进的均匀量化或者非均匀量化方法在一定程度上降低了LLR的位宽并且保证译码器性能损失在一定范围内，但是在不同MCS（调制和编码方案）场景下，可能存在鲁棒性问题，即量化方法在某些场景下可能损失很大。
目前的一些方案中的门限阈值α值约为0.5，基本是固定的，但是实际场景复杂，不同信道，MCS下，该量化方案可能有损失大的场景。
目前的另外一些方案的主要思想为确定LLR数据第一范围和第二范围，第一范围的值采用均匀量化（或者线性量化），第二范围的值采用非均匀量化，但是实际场景复杂，不同信道及不同MCS下，区分第一范围和第二范围的门限难以确定。还有在不同场景下，LLR数据动态范围也不一样，现有技术中也仅笼统说明第一范围的值占多数，第二范围的值占少数，较好的做法是将数据先进行截断处理再进行量化，该方案并没有提供相关解决思路。
发明内容
本发明实施例的目的是提供一种LDPC译码量化方法、装置、设备、LDPC译码方法及系统，以解决以上部分问题。
为了实现上述目的，本发明的第一方面提供了一种LDPC译码量化方法，该方法包括：获取调制方式和编码方式的多种组合下的每一组合对应的对数似然比量化算法中的优选参数；根据多个优选参数得到调制方式与编码方式的组合与优选参数之间的映射关系或映射模型；采用根据所述映射关系或映射模型确定优选参数的对数似然比量化算法进行量化。
优选的，所述对数似然比量化算法中的优选参数包括截断阈值；获取调制方式和编码方式的多种组合下的每一组合对应的对数似然比量化算法中的优选参数，包括：确定截断阈值的搜索范围和优选量化评价指标；根据发射比特和译码比特计算优选量化评价指标；根据所述优选量化评价指标，从所述搜索范围确定最佳的截断阈值作为所述优选参数。
优选的，所述对数似然比量化算法中的优选参数包括压缩系数；获取调制方式和编码方式的多种组合下的每一组合对应的对数似然比量化算法中的优选参数，包括：根据发射比特和译码比特得到译码器性能指标；根据所述译码器性能指标得到最佳的压缩系数作为所述优选参数。
优选的，所述发射比特通过以下步骤得到所述译码比特：获取发射比特的对数似然比，对所述对数似然比取绝对值，得到第一软信息；对第一软信息采用截断阈值进行截断处理，得到第二软信息；将第一软信息的符号与第二软信息相乘，得到第三软信息；将第三软信息经量化后输入译码器，得到所述译码比特。
优选的，根据多个优选参数得到调制方式与编码方式的组合与优选参数之间的映射关系或映射模型，包括：根据所述多个优选参数得到对应表格，以所述表格作为所述映射关系；或者根据所述多个优选参数通过插值法得到对应表格，以所述表格作为所述映射关系；或者根据所述多个优选参数通过函数拟合得到对应函数，以得到的函数作为所述映射模型；或者以所述多个优选参数为训练样本，对机器学习模型进行训练，以训练后的机器学习模型为所述映射模型。
优选的，根据所述映射关系或映射模型确定优选参数，包括：将调制方式和编码方式输入映射模型，以所述映射模型的输出结果作为所述对数似然比量化算法中的优选参数；或者根据调制方式和编码方式在映射关系中查找，以查找结果作为所述对数似然比量化算法中的优选参数；或者以映射关系中欧式距离最近的计算结果作为所述对数似然比量化算法中的优选参数。
在本发明的第二方面，还提供了一种LDPC译码方法，包括：将解调后得到的对数似然比经前述LDPC译码量化方法进行量化后，输入LDPC译码器进行译码。
在本发明的第三方面，还提供了一种LDPC译码量化装置，所述装置包括：优选参数计算模块，获取调制方式和编码方式的多种组合下的每一组合对应的对数似然比量化算法中的优选参数；映射建立模块，用于根据多个优选参数得到调制方式与编码方式的组合与优选参数之间的映射关系或映射模型；以及量化计算模块，用于采用根据所述映射关系或映射模型确定优选参数的对数似然比量化算法进行量化。
优选的，所述对数似然比量化算法中的优选参数包括截断阈值；获取调制方式和编码方式的多种组合下的每一组合对应的对数似然比量化算法中的优选参数，包括：确定截断阈值的搜索范围和优选量化评价指标；根据发射比特和译码比特计算优选量化评价指标的值；根据所述优选量化评价指标的值，从所述截断阈值的搜索范围内确定最佳的截断阈值作为所述优选参数。
优选的，所述对数似然比量化算法中的优选参数包括压缩系数；获取调制方式和编码方式的多种组合下的每一组合对应的对数似然比量化算法中的优选参数，包括：根据发射比特和译码比特得到译码器性能指标的值；根据所述译码器性能指标的值得到最佳的压缩系数作为所述优选参数。
优选的，所述发射比特通过以下步骤得到所述译码比特：获取发射比特的对数似然比；对所述对数似然比取绝对值，得到第一软信息；对第一软信息采用截断阈值进行截断处理，得到第二软信息；将第一软信息的符号与第二软信息相乘，得到第三软信息；将第三软信息经量化后输入译码器，得到所述译码比特。
优选的，根据多个优选参数得到调制方式与编码方式的组合与优选参数之间的映射关系或映射模型，包括：根据所述多个优选参数得到对应表格，以所述表格作为所述映射关系；或者根据所述多个优选参数通过插值法得到对应表格，以所述表格作为所述映射关系；或者根据所述多个优选参数通过函数拟合得到对应函数，以得到的函数作为所述映射模型；或者以所述多个优选参数为训练样本，对机器学习模型进行训练，以训练后的机器学习模型为所述映射模型。
优选的，根据所述映射关系或映射模型确定优选参数，包括：将调制方式和编码方式输入映射模型，以所述映射模型的输出结果作为所述对数似然比量化算法中的优选参数；或者根据调制方式和编码方式在映射关系中查找，以查找结果作为所述对数似然比量化算法中的优选参数；或者以映射关系中欧式距离最近的计算结果作为所述对数似然比量化算法中的优选参数。
在本发明的第四方面，还提供了一种LDPC译码系统，包括：前述的LDPC译码量化装置，以及译码模块，用于将所述LDPC译码量化装置的量化结果输入LDPC译码器进行译码。
在本发明的第五方面，还提供了一种LDPC译码量化设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述的LDPC译码量化方法的步骤。
在本发明的第六方面，还提供了一种计算机可读存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行前述的LDPC译码量化方法的步骤。
本发明的第七方面提供一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现前述的LDPC译码量化方法。
上述技术方案至少具有以下有益效果：
（1）在译码器性能损失不超过0.2dB的前提下，可以实现译码器入口LLR比特数量从6bit减少到4bit，使存储器所需要的硅面积减少大约15%。
（2）解决在不同信道和MCS下，LLR数据动态范围大而导致直接均匀量化或者非均匀量化译码器性能损失大的问题。
（3）在不同MCS下，提升了译码器性能鲁棒性。在bler=10%处，信噪比最多损失不超过0.1dB。
（4）该量化方法优选应用于5G NR中，能显著提升信道译码的效率。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1示意性示出了根据本发明实施方式的LDPC译码量化方法的实施示意图；
图2示意性示出了LDPC译码过程的示意图；
图3示意性示出了根据本发明实施方式的搜索截断阈值的流程示意图；
图4示意性示出了根据本发明实施方式的搜索缩放系数的流程示意图；
图5示意性示出了根据本发明实施方式的量化处理的流程示意图；
图6示意性示出了根据本发明一种实施方式的仿真结果示意图；
图7示意性示出了根据本发明另一种实施方式的仿真结果示意图；
图8示意性示出了根据本发明实施方式LDPC译码量化装置的结构示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
图1示意性示出了根据本发明实施方式的LDPC译码量化方法的实施示意图。如图1所示，一种LDPC译码量化方法，该方法包括：
S01、获取调制方式和编码方式的多种组合下的每一组合对应的对数似然比量化算法中的优选参数；
调制方式包括QPSK，16QAM，64QAM和256QAM等，此处以q表示调制方式，前述调制方式的对应取值为2、4、6、8。以c表示编码码率，c为小于1的浮点值。由q和c可唯一映射一种调制和编码方案（以下简称为MCS）。此处的对数似然比量化算法（LLR量化算法）是通信中的一种常用的软解码算法，其参数需要根据前述的调制方式和编码方式进行对应选择或调整。
S02、根据多个优选参数得到调制方式与编码方式的组合与优选参数之间的映射关系或映射模型；
前述步骤中根据选择的调制方式和编码方式得到了每种组合下的优选参数，但是以上参数并不能包括现有调制方式和现有编码方式的所有可能组合。在实际使用场景中，调制方式和编码方式与对数似然比量化算法中的参数并不能适配，因此需要建立通用的映射关系或映射模型，以便在步骤S01中的调制方式和编码方式的组合之外的组合均能够计算得到对应的优选参数。
S03、采用根据所述映射关系或映射模型确定优选参数的对数似然比量化算法进行量化。
图2示意性示出了LDPC译码过程的示意图。如图2所示。图中输入LDPC编码器的消息，即后文中的发射比特。用于传输LDPC编码码字定义为c=c 0，c 1，… ，c N-1 。并将其送入调制模块，经过信道之后到达解调模块，即得到发射比特对应的对数似然比（LLR），将其输入LDPC译码器，定义为
Figure 680996DEST_PATH_IMAGE001
，最终通过LDPC译码器进行译码输出，其输出为译码比特。
通过以上实施方式，能够在多种调制方式和编码方式下得到最优的算法参数，以此提升译码器性能。
在本发明提供的一些实施方式中，所述对数似然比量化算法中的优选参数包括截断阈值；获取调制方式和编码方式的多种组合下的每一组合对应的对数似然比量化算法中的优选参数，包括：确定截断阈值的搜索范围和优选量化评价指标；根据发射比特和译码比特计算优选量化评价指标；根据所述优选量化评价指标，从所述搜索范围确定最佳的截断阈值作为所述优选参数。图3示意性示出了根据本发明实施方式的搜索截断阈值的流程示意图。如图3所示，具体包括：
1）根据解调后6bit的LLR获取第一软信息LLR i 1st 并计算均值LLR mean ，即：
Figure 66978DEST_PATH_IMAGE002
；
Figure 814092DEST_PATH_IMAGE003
；
其中，N表示对数似然比的个数。
2）计算截断阈值搜索范围，即：R L =max（7，LLR mean ），R H =31，以此确定搜索范围为[R L , R H ]。
3）在步骤2）计算的搜索范围下，以发射比特及译码比特交叉熵最小为目标确定最佳的β q，c 。此处的交叉熵最小即为优选量化评价指标，该优选量化评价指标译码比特和发射比特的交叉熵外，还可以为译码比特和发射比特的KL散度、互信息、MSE等。
首先，赋值β q，c =r k ，其中k=0, 1,⋯,K-1， r k ∈[R L , R H ]， K为待选截断阈值个数，计算得到截断后的第二软信息，即：
Figure 412564DEST_PATH_IMAGE004
其次，获取原LLR的符号与第二软信息相乘，得到第三软信息，如下：
Figure 492515DEST_PATH_IMAGE005
将第三软信息输入至译码器得到译码比特，记作
Figure 518240DEST_PATH_IMAGE006
，其中l表示slot索引，l=0,1,⋯,L-1，m表示比特索引，m=0,1,⋯,M-1而L，M分别表示slot个数和比特个数。
然后，计算发射比特和译码比特的交叉熵损失，即：
Figure 254115DEST_PATH_IMAGE007
其中，k=0， 1，⋯，K-1，表示截断阈值的索引。
最后，计算最优的截断阈值，即：
Figure 718594DEST_PATH_IMAGE008
；
Figure 856314DEST_PATH_IMAGE009
。
在本发明提供的一些实施方式中，所述对数似然比量化算法中的优选参数包括压缩系数；获取调制方式和编码方式的多种组合下的每一组合对应的对数似然比量化算法中的优选参数，包括：根据发射比特和译码比特得到译码器性能指标；根据所述译码器性能指标得到最佳的压缩系数作为所述优选参数。图4示意性示出了根据本发明实施方式的搜索缩放系数的流程示意图。如图4所示，具体包括：
在截断阈值β q，c 确定后，对压缩系数η q，c 进行二分法搜索，确定最优压缩系数，其中压缩系数为如下非均匀量化器的参数：
Figure 990624DEST_PATH_IMAGE010
第1步，对LLR取绝对值，得到第一软信息：
Figure 10532DEST_PATH_IMAGE011
；
第2步，对第一软信息进行截断处理，得到第二软信息：
Figure 717850DEST_PATH_IMAGE012
第3步，将第一软信息的符号与第二软信息相乘，得到第三软信息：
Figure 444498DEST_PATH_IMAGE013
；
第4步，赋值η q，c = z t ，t=0,1,⋯,T-1，其中z t ∈（1,10]，T为待选压缩系数的个数，搜索步长设为0.1。将第三软信息输入到如下量化器，得到第四软信息LLR i 4th ：
Figure 139922DEST_PATH_IMAGE014
；
Figure 850389DEST_PATH_IMAGE015
；
第5步，将第四软信息输入到译码器，得到译码器性能指标Bler，记作Bler t 。
第6步，计算最优的压缩系数，即：
Figure 594354DEST_PATH_IMAGE016
。
在本发明提供的一些实施方式中，所述发射比特通过以下步骤得到所述译码比特：获取发射比特的对数似然比；对所述对数似然比取绝对值，得到第一软信息；对第一软信息采用截断阈值进行截断处理，得到第二软信息；将第一软信息的符号与第二软信息相乘，得到第三软信息；将第三软信息经量化后得到第四软信息，将所述第四软信息输入译码器，得到所述译码比特。以上实施方式中已描述了该发射比特到译码比特的计算过程，此处不再重复。
以上实施方式提供的是一种MCS下的截断阈值及压缩系数，通过改变MCS中的调制方式和编码方式，并重复以上步骤，能够得到所有MCS组合下的截断阈值及压缩系数。
在本发明提供的一些实施方式中，根据多个优选参数得到调制方式与编码方式的组合与优选参数之间的映射关系或映射模型，包括：根据所述多个优选参数得到对应表格，以所述表格作为所述映射关系；或者根据所述多个优选参数通过插值法得到对应表格，以所述表格作为所述映射关系；或者根据所述多个优选参数通过函数拟合得到对应函数，以得到的函数作为所述映射模型；或者以所述多个优选参数为训练样本，对机器学习模型进行训练，以训练后的机器学习模型为所述映射模型。根据前述步骤得到的所有MCS组合下的截断阈值及压缩系数，可能通过多种方式得到映射关系或映射模型。
例如：将根据前述计算方式得到的多组优选参数写入与调制方式和码率有映射关系的表，记作β-η表。[βq,c，ηq,c]=TAB(q,c)。以该β-η表格的原始表作为映射关系，虽然粒度较粗，译码器性能会有损失，但是不会损失太多，并且可以存储更少的非均匀量化表格，具有较低的精度，但是具有较高的效率。粗粒度β-η表示例如下，其中Qm表示调制方式，CR表示码率。
Figure 441087DEST_PATH_IMAGE017
表1
还例如：还是预先得到粗粒度β-η表，然后通过线性插值得到细粒度β-η表。通过线性插值后得到表格能够具有更好的匹配性。细粒度β-η表示例如下：
Figure 245095DEST_PATH_IMAGE018
表2
还例如：以上的粗粒度β-η表和细粒度β-η表均具有离散性，还是会存在匹配不到的情况。因此可以将存储的表替换成映射函数。这个映射函数与β、η有映射关系，使输入的β、η均能映射到输出值。
还例如：通过机器学习模型训练后得到，此处的机器学习模型包括采用神经网络、长短期记忆网络、支持向量机、随机森林等。
在本发明提供的一些实施方式中，根据所述映射关系或映射模型确定优选参数，包括：将调制方式和编码方式输入映射模型，以所述映射模型的输出结果作为所述对数似然比量化算法中的优选参数；或者根据调制方式和编码方式在映射关系中查找，以查找结果作为所述对数似然比量化算法中的优选参数；或者以映射关系中欧式距离最近的计算结果作为所述对数似然比量化算法中的优选参数。本实施方式根据映射关系或映射模型进行优选参数的确定。由于采用表格映射方式具有离散性，所以存在在表格中无法完全匹配的情况，此时需要利用欧式距离得到最为接近的优选参数。具体的，根据当前MCS配置，查找β-η表，即：[β q,c ，η q,c ]=TAB(q,c)。
若当前MCS配置在表中不存在，则可采用如下方式处理：寻找实际MCS与表中MCS欧式距离最近的截断阈值，即：
Figure 442858DEST_PATH_IMAGE019
；
Figure 787252DEST_PATH_IMAGE020
；
其中，
Figure 754071DEST_PATH_IMAGE021
分别表示实际的调制方式和码率，EucDist(∙)表示欧式距离。
以下实施方式基于AWGN信道，QPSK调制方式译码器采用NMS算法，通过计算结果对本发明的有益效果进行验证。
当截断阈值β q,c =13时，有如下非均匀量化表：
Figure 227515DEST_PATH_IMAGE022
表3
图5示意性示出了根据本发明实施方式的量化处理的流程示意图，量化处理的流程图如图5所示。最后，将第四软信息送入译码器，进行译码操作，译码算法采用经典的NMS算法（归一化最小和算法）。
在本发明的实施方式中，还提供了一种LDPC译码方法，包括：将解调后得到的对数似然比经前述LDPC译码量化方法进行量化后，输入LDPC译码器进行译码。其中，译码器的译码算法采用NMS算法（归一化最小和算法），该NMS算法流程如下：
Figure 646995DEST_PATH_IMAGE023
其中，L(c n )为解调模块输出经过量化处理的对数似然比，即第四软信息，n∈[1，N]，N为码字长度，m∈M(j)，M(j)是连接到变量节点j的校验节点的集合，j∈N(m)，N(m)是连接到校验节点m的变量节点的集合。初次迭代时，R mj 初始化为0。α是归一化因子，通过仿真预先确定好的，α∈（0,1]。Ψ(·)定义如下：
Figure 795080DEST_PATH_IMAGE024
；
Figure 616405DEST_PATH_IMAGE025
；以此得到译码结果。
如下将不同的量化方式进行比较，参与比较的量化方式说明如下：
Figure 762216DEST_PATH_IMAGE026
表4
其中，4bit uniQ及4bit nonuniQ方法性能比较差，所以后面不在对比范围内。
图6示意性示出了根据本发明一种实施方式的仿真结果示意图，如图6所示。图中的NMS AWGN Qm=2 CR=0.3表示：译码器采用NMS算法，基于AWGN信道，调制方式为QPSK，码率为0.3。图7示意性示出了根据本发明另一种实施方式的仿真结果示意图，如图7所示。图中的NMS AWGN Qm=2 CR=0.44表示：译码器采用NMS算法，基于AWGN信道，调制方式为QPSK，码率为0.44。
由上面图6和图7能够发现：在两个码率下，本发明实施方式的非均匀量化（4bitβ-nonuniQ）性能是最好的，在Bler=10%工作点，信噪比损失小于0.1dB。
4bit α-nonuniQ方法α=0.5，先根据α门限对6bit LLR截断，再进行非均匀量化，量化表如下：
Figure 668992DEST_PATH_IMAGE027
表5
4bit β-uniQ方法采用截断阈值对6bit LLR先进行截断，然后再进行均匀量化，量化表如下：
Figure 558450DEST_PATH_IMAGE028
表6
基于同一发明构思，本发明还提供了一种LDPC译码量化装置。图8示意性示出了根据本发明实施方式LDPC译码量化装置的结构示意图，如图8所示。一种LDPC译码量化装置，所述装置包括：优选参数计算模块，获取调制方式和编码方式的多种组合下的每一组合对应的对数似然比量化算法中的优选参数；映射建立模块，用于根据多个优选参数得到调制方式与编码方式的组合与优选参数之间的映射关系或映射模型；以及量化计算模块，用于采用根据所述映射关系或映射模型确定优选参数的对数似然比量化算法进行量化。
在一些可选实施方式中，所述对数似然比量化算法中的优选参数包括截断阈值；获取调制方式和编码方式的多种组合下的每一组合对应的对数似然比量化算法中的优选参数，包括：确定截断阈值的搜索范围和优选量化评价指标；根据发射比特和译码比特计算优选量化评价指标；根据所述优选量化评价指标，从所述搜索范围确定最佳的截断阈值作为所述优选参数。
在一些可选实施方式中，所述对数似然比量化算法中的优选参数包括压缩系数；获取调制方式和编码方式的多种组合下的每一组合对应的对数似然比量化算法中的优选参数，包括：根据发射比特和译码比特得到译码器性能指标；根据所述译码器性能指标得到最佳的压缩系数作为所述优选参数。
在一些可选实施方式中，所述发射比特通过以下步骤得到所述译码比特：获取发射比特的对数似然比；对所述对数似然比取绝对值，得到第一软信息；对第一软信息采用截断阈值进行截断处理，得到第二软信息；将第一软信息的符号与第二软信息相乘，得到第三软信息；将第三软信息经量化后输入译码器，得到所述译码比特。
在一些可选实施方式中，根据多个优选参数得到调制方式与编码方式的组合与优选参数之间的映射关系或映射模型，包括：根据所述多个优选参数得到对应表格，以所述表格作为所述映射关系；或者根据所述多个优选参数通过插值法得到对应表格，以所述表格作为所述映射关系；或者根据所述多个优选参数通过函数拟合得到对应函数，以得到的函数作为所述映射模型；或者以所述多个优选参数为训练样本，对机器学习模型进行训练，以训练后的机器学习模型为所述映射模型。
在一些可选实施方式中，根据所述映射关系或映射模型确定优选参数，包括：将调制方式和编码方式输入映射模型，以所述映射模型的输出结果作为所述对数似然比量化算法中的优选参数；或者根据调制方式和编码方式在映射关系中查找，以查找结果作为所述对数似然比量化算法中的优选参数；或者以映射关系中欧式距离最近的计算结果作为所述对数似然比量化算法中的优选参数。
上述的LDPC译码量化装置中的各个功能模块的具体限定可以参见上文中对于LDPC译码量化方法的限定，在此不再赘述。上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在本发明提供的一些实施方式中，还提供了一种LDPC译码系统，包括：前述的LDPC译码量化装置，以及译码模块，用于将所述LDPC译码量化装置的量化结果输入LDPC译码器进行译码。
在本发明提供的一些实施方式中，还提供了一种LDPC译码量化设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述的LDPC译码量化方法的步骤。此处的处理器具有数值计算和逻辑运算的功能，其至少具有数据处理能力的中央处理器CPU、随机存储器RAM、只读存储器ROM、多种I/O口和中断系统等。处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现前述的方法。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
在本发明的一种实施方式中，还提供了一种计算机可读存储介质，所述存储介质中存储有指令，当其在计算机上运行时，该指令在被处理器执行时使得处理器被配置成执行上述的LDPC译码量化方法。
在本发明提供的一种实施方式中，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现上述的LDPC译码量化方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (12)

1.一种LDPC译码量化方法，其特征在于，该方法包括：
获取调制方式和编码方式的多种组合下的每一组合对应的对数似然比量化算法中的优选参数；所述优选参数包括截断阈值或压缩系数；
根据多个优选参数得到调制方式与编码方式的组合与优选参数之间的映射关系或映射模型；
采用根据所述映射关系或映射模型确定优选参数的对数似然比量化算法进行量化；
其中，所述对数似然比量化算法中的优选参数包括截断阈值时，获取调制方式和编码方式的多种组合下的每一组合对应的对数似然比量化算法中的优选参数，包括：确定截断阈值的搜索范围和优选量化评价指标；根据发射比特和译码比特计算优选量化评价指标的值；根据所述优选量化评价指标的值，从所述截断阈值的搜索范围内确定最佳的截断阈值作为所述优选参数；
所述对数似然比量化算法中的优选参数包括压缩系数时，获取调制方式和编码方式的多种组合下的每一组合对应的对数似然比量化算法中的优选参数，包括：根据发射比特和译码比特得到译码器性能指标的值；根据所述译码器性能指标的值得到最佳的压缩系数作为所述优选参数。
2.根据权利要求1所述的方法，其特征在于，通过以下步骤从所述发射比特得到所述译码比特：
获取发射比特的对数似然比；
对所述对数似然比取绝对值，得到第一软信息；
对第一软信息采用截断阈值进行截断处理，得到第二软信息；
将第一软信息的符号与第二软信息相乘，得到第三软信息；
将第三软信息量化后输入译码器，得到所述译码比特。
3.根据权利要求1所述的方法，其特征在于，根据多个优选参数得到调制方式与编码方式的组合与优选参数之间的映射关系或映射模型，包括：
根据所述多个优选参数得到对应表格，以得到的表格作为所述映射关系；或者
根据所述多个优选参数通过插值法得到对应表格，以得到的表格作为所述映射关系；或者
根据所述多个优选参数通过函数拟合得到对应函数，以得到的函数作为所述映射模型；或者
以所述多个优选参数作为训练样本，对机器学习模型进行训练，以训练后的机器学习模型作为所述映射模型。
4.根据权利要求3所述的方法，其特征在于，根据所述映射关系或映射模型确定优选参数，包括：
将调制方式和编码方式输入映射模型，以所述映射模型的输出结果作为所述对数似然比量化算法中的优选参数；或者
根据调制方式和编码方式在映射关系中查找，以查找结果作为所述对数似然比量化算法中的优选参数；或者
以映射关系中欧式距离最近的计算结果作为所述对数似然比量化算法中的优选参数。
5.一种LDPC译码方法，其特征在于，包括：
将解调后得到的对数似然比经权利要求1至4中任一项权利要求所述LDPC译码量化方法进行量化后，输入LDPC译码器进行译码。
6.一种LDPC译码量化装置，其特征在于，所述装置包括：
优选参数计算模块，用于获取调制方式和编码方式的多种组合下的每一组合对应的对数似然比量化算法中的优选参数，所述优选参数包括截断阈值或压缩系数；
其中，所述对数似然比量化算法中的优选参数包括截断阈值时，获取调制方式和编码方式的多种组合下的每一组合对应的对数似然比量化算法中的优选参数，包括：确定截断阈值的搜索范围和优选量化评价指标；根据发射比特和译码比特计算优选量化评价指标的值；根据所述优选量化评价指标的值，从所述截断阈值的搜索范围内确定最佳的截断阈值作为所述优选参数；
所述对数似然比量化算法中的优选参数包括压缩系数时，获取调制方式和编码方式的多种组合下的每一组合对应的对数似然比量化算法中的优选参数，包括：根据发射比特和译码比特得到译码器性能指标的值；根据所述译码器性能指标的值得到最佳的压缩系数作为所述优选参数；
映射建立模块，用于根据多个优选参数得到调制方式与编码方式的组合与优选参数之间的映射关系或映射模型；以及
量化计算模块，用于采用根据所述映射关系或映射模型确定优选参数的对数似然比量化算法进行量化。
7.根据权利要求6所述的装置，其特征在于，通过以下步骤从所述发射比特得到所述译码比特：
获取发射比特的对数似然比；
对所述对数似然比取绝对值，得到第一软信息；
对第一软信息采用截断阈值进行截断处理，得到第二软信息；
将第一软信息的符号与第二软信息相乘，得到第三软信息；
将第三软信息量化后输入译码器，得到所述译码比特。
8.根据权利要求6所述的装置，其特征在于，根据多个优选参数得到调制方式与编码方式的组合与优选参数之间的映射关系或映射模型，包括：
根据所述多个优选参数得到对应表格，以得到的表格作为所述映射关系；或者
根据所述多个优选参数通过插值法得到对应表格，以得到的表格作为所述映射关系；或者
根据所述多个优选参数通过函数拟合得到对应函数，以得到的函数作为所述映射模型；或者
以所述多个优选参数作为训练样本，对机器学习模型进行训练，以训练后的机器学习模型作为所述映射模型。
9.根据权利要求8所述的装置，其特征在于，根据所述映射关系或映射模型确定优选参数，包括：
将调制方式和编码方式输入映射模型，以所述映射模型的输出结果作为所述对数似然比量化算法中的优选参数；或者
根据调制方式和编码方式在映射关系中查找，以查找结果作为所述对数似然比量化算法中的优选参数；或者
以映射关系中欧式距离最近的计算结果作为所述对数似然比量化算法中的优选参数。
10.一种LDPC译码系统，其特征在于，包括：
权利要求6至9中任一项权利要求所述的LDPC译码量化装置，以及
译码模块，用于将所述LDPC译码量化装置的量化结果输入LDPC译码器进行译码。
11.一种LDPC译码量化设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项权利要求所述的LDPC译码量化方法的步骤。
12.一种计算机可读存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行权利要求1至4中任一项权利要求所述的LDPC译码量化方法的步骤。
CN202210968863.2A 2022-08-12 2022-08-12 Ldpc译码量化方法、装置、设备、ldpc译码方法及系统 Active CN115037313B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210968863.2A CN115037313B (zh) 2022-08-12 2022-08-12 Ldpc译码量化方法、装置、设备、ldpc译码方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210968863.2A CN115037313B (zh) 2022-08-12 2022-08-12 Ldpc译码量化方法、装置、设备、ldpc译码方法及系统

Publications (2)

Publication Number Publication Date
CN115037313A CN115037313A (zh) 2022-09-09
CN115037313B true CN115037313B (zh) 2023-01-24

Family

ID=83131238

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210968863.2A Active CN115037313B (zh) 2022-08-12 2022-08-12 Ldpc译码量化方法、装置、设备、ldpc译码方法及系统

Country Status (1)

Country Link
CN (1) CN115037313B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102412843A (zh) * 2011-07-28 2012-04-11 清华大学 自适应的归一化最小和ldpc译码方法及译码器
CN102739366A (zh) * 2012-07-04 2012-10-17 航天恒星科技有限公司 一种比特软信息截位处理装置和方法
CN113839684A (zh) * 2021-09-06 2021-12-24 哲库科技(北京)有限公司 一种信号处理方法及接收设备、存储介质
CN114244375A (zh) * 2021-12-22 2022-03-25 中山大学 基于神经网络的ldpc归一化最小和译码方法及装置
WO2022160847A1 (zh) * 2021-01-26 2022-08-04 福州大学 基于深度学习的MLC型NAND闪存Polar-RNNA量化器的优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102412843A (zh) * 2011-07-28 2012-04-11 清华大学 自适应的归一化最小和ldpc译码方法及译码器
CN102739366A (zh) * 2012-07-04 2012-10-17 航天恒星科技有限公司 一种比特软信息截位处理装置和方法
WO2022160847A1 (zh) * 2021-01-26 2022-08-04 福州大学 基于深度学习的MLC型NAND闪存Polar-RNNA量化器的优化方法
CN113839684A (zh) * 2021-09-06 2021-12-24 哲库科技(北京)有限公司 一种信号处理方法及接收设备、存储介质
CN114244375A (zh) * 2021-12-22 2022-03-25 中山大学 基于神经网络的ldpc归一化最小和译码方法及装置

Also Published As

Publication number Publication date
CN115037313A (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
US6122763A (en) Process for transmitting information bits with error correction coding and decoder for the implementation of this process
US10419132B2 (en) Adaptive symbol mapping modulation
US6504877B1 (en) Successively refinable Trellis-Based Scalar Vector quantizers
WO2020113945A1 (zh) 一种极化码构造方法、装置、电子设备及可读存储介质
Hussain et al. Design of LT codes with equal and unequal erasure protection over binary erasure channels
US20220263694A1 (en) Apparatus for multi-level encoding
US10790857B1 (en) Systems and methods for using decoders of different complexity in a hybrid decoder architecture
US20230179229A1 (en) List decoding of polarization-adjusted convolutional codes
CN114598331A (zh) Polar码的编码方法、编译码方法及装置
CN114285524B (zh) Llr矢量量化的计算方法、装置与通信系统
CN115037313B (zh) Ldpc译码量化方法、装置、设备、ldpc译码方法及系统
CN110491398B (zh) 编码方法、编码装置以及记录介质
CN115037312B (zh) Ldpc译码软信息的量化方法、装置及设备
US11658682B2 (en) Methods for encoding and decoding sparse code and orthogonal sparse superposition code
JP7176092B2 (ja) ポーラ符号の復号方法及びデバイス、記憶媒体、電子デバイス
JP2024507299A (ja) バイナリデータを送信する方法及びデバイス
CN114499544A (zh) 一种极化码的译码方法
CN111384974B (zh) 多进制ldpc码的置信度量化方法、装置及解码器
US6794999B1 (en) Resilient parameterized prefix codes for adaptive coding
RU2801163C1 (ru) Устройство для многоуровневого кодирования
KR102552282B1 (ko) 블록 직교 희소 중첩 코드 인코딩 및 디코딩 방법, 및 그 장치
CN112994842B (zh) 一种软比特的量化方法、装置、解调器及计算机存储介质
CN111404556A (zh) 编码方法、译码方法、设备及存储介质
US8705662B2 (en) Soft decision method and associated signal receiving system
WO2018053764A1 (zh) 一种确定信息集合的方法及装置

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