CN117220689A - 一种基于模型驱动深度学习的非二进制ldpc译码方法 - Google Patents
一种基于模型驱动深度学习的非二进制ldpc译码方法 Download PDFInfo
- Publication number
- CN117220689A CN117220689A CN202311357467.7A CN202311357467A CN117220689A CN 117220689 A CN117220689 A CN 117220689A CN 202311357467 A CN202311357467 A CN 202311357467A CN 117220689 A CN117220689 A CN 117220689A
- Authority
- CN
- China
- Prior art keywords
- decoding
- algorithm
- binary ldpc
- ems
- ldpc code
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 113
- 101100460147 Sarcophaga bullata NEMS gene Proteins 0.000 abstract 4
- 238000004891 communication Methods 0.000 description 9
- 230000001537 neural effect Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 208000011580 syndromic disease Diseases 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 244000104985 savin Species 0.000 description 1
- 235000001520 savin Nutrition 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Error Detection And Correction (AREA)
Abstract
本发明公开了一种基于模型驱动深度学习的非二进制LDPC译码方法，在EMS算法的基础上，提出了一种基于模型驱动深度学习的EMS算法，称为NEMS算法，并将NEMS算法应用到NB‑LDPC解码中。NEMS算法可以看作是EMS算法的扩展，在变量节点和校验节点上增加了可训练的学习权重。与传统EMS算法相比，NEMS算法对于中短NB‑LDPC码具有更好的译码性能。
Description
技术领域
本发明涉及一种基于模型驱动深度学习的非二进制LDPC译码方法。
背景技术
在光通信、深空通信和存储领域得到了广泛的应用。深度学习在通信物理层的应用已经有了很多的研究，包括基于数据驱动的端到端通信系统，基于模型驱动的信道估计，信号检测、信道编译码和CSI信息反馈技术。基于模型驱动深度学习的算法因为利用了传统通信数学解析模型和深度学习网络的双重优势，具有非常好的应用前景。针对非二进制LDPC码，目前最常用的译码算法有扩展最小和(EMS)译码算法，MIN-MAX译码算法，BRB译码算法等。目前仅有基于模型驱动深度学习的比特可靠度(BRB)译码算法，但是比特可靠度(BRB)的译码算法译码性能差，抗突发能力弱。目前期待设计出基于模型驱动深度学习的EMS译码算法，以提高非二进制LDPC码的性能、设计的灵活性和抗突发能力。
在文献[M.C.Davey and D.J.MacKay,“Low density parity check codes overGF(q),”in1998Information Theory Workshop(Cat.No.98EX131),Killarney,Ireland,1998,pp.70–71.]中，Davey和Mackay首先提出了一种基于有限域的非二进制低密度奇偶校验(NB-LDPC)码，并提出了NB-LDPC的Q元和积算法(QSPA)译码算法。在中等或短码长度下，NB-LDPC的性能优于二进制LDPC和Turbo码。但这种译码算法复杂度较高，限制了NB-LDPC在资源受限的通信系统中的应用。文献[D.J.MacKay and M.C.Davey,“Evaluation ofGallager codes for short block length and high rate applications,”inProc.Codes,Systems,and Graphical Models,Minneapolis,MN,USA,2001,pp.113–130.]和[L.Barnault and D.Declercq,“Fast decoding algorithm for LDPC over GF(2/supq/),”in Proceedings 2003IEEE Information Theory Workshop(Cat.No.03EX674),Paris,France,2003,pp.70–73.]的作者提出了一种基于快速傅里叶变换的QSPA算法(FFT-QSPA)，其复杂度比QSPA解码算法低。
为了进一步降低复杂度，文献[V.Savin,“Min-max decoding for non binaryLDPC codes,”in Proc.2008IEEE International Symposium on Information Theory,Toronto,ON,Canada,2008,pp.960–964.]中的作者提出了min-max解码算法，这是NB-LDPC码的简化解码算法。Declercq和Fossorier在文献[D.Declercq and M.Fossorier,“Decoding algorithms for nonbinary LDPC codes over GF(q),”IEEE Trans.Commun.,vol.55,no.4,pp.633–643,2007.]中将二进制LDPC码的最小和译码算法扩展到NB-LDPC码，提出了扩展最小和(EMS)算法，进一步降低了复杂度。在文献[X.Ma,K.Zhang,H.Chen,andB.Bai,“Low complexity x-ems algorithms for nonbinary LDPC codes,”IEEETrans.Commun.,vol.60,no.1,pp.9–13,2011.]中，作者将原始EMS算法重新描述为网格上的简化搜索算法，仅保留每个网格部分具有M个最大度量的分支，称为M-EMS算法。EMS算法及其变体是目前最有前途的NB-LDPC解码算法。
近年来，基于模型驱动的深度学习的信道解码算法得到了广泛的研究。文献[T.Gruber,S.Cammerer,J.Hoydis,and S.ten Brink,“On deep learning-based channeldecoding,”in Proc.201751st Annual Conference on Information Sciences andSystems(CISS),Baltimore,MD,USA,2017,pp.1–6.]提出了一种基于深度学习的Polar码译码算法。文献[E.Nachmani,E.Marciano,L.Lugosch,W.J.Gross,D.Burshtein,and Y.Be’ery,“Deep learning methods for improved decoding of linear codes,”IEEEJ.Sel.Topics Signal Process.,vol.12,no.1,pp.119–131,2018.]的作者将置信传播(BP)算法展开为神经网络的形式，并在Tanner图的每条边上添加了训练权重系数。仿真结果表明，其在高密度奇偶校验(HDPC)中的译码性能超过了传统BP算法。然而，基于深度学习的BP算法较为复杂，难以用硬件实现。在[L.Lugosch and W.J.Gross,“Neural offsetmin-sum decoding,”in Proc.2017IEEE International Symposium on InformationTheory(ISIT),Aachen,Germany,2017,pp.1361–1365.]中，作者提出了一种神经偏移最小和解码(NOMS)解码算法，该算法减少了大量乘法运算，使其在硬件中实现更加高效。文献[Q.Wang,S.Wang,H.Fang,L.Chen,L.Chen,and Y.Guo,“A model-driven deep learningmethod for normalized min-sum LDPC decoding,”in 2020IEEE InternationalConference on Communications Workshops(ICC Workshops),2020,pp.1–6.]将LDPC解码的BP展开方法扩展到长码，提出了神经归一化最小和(NNMS)解码算法，提高了NMS算法的性能。神经解码算法一般采用交叉熵损失函数进行参数优化。在文献[L.Lugosch andW.J.Gross,“Learning from the syndrome,”in Proc.2018 52nd Asilomar Conferenceon Signals,Systems,and Computers,Pacific Grove,CA,USA,2018,pp.594–598.]中，作者提出了基于伴随式损失的神经纠错解码器，在BCH码中取得了比交叉熵损失函数更好的解码性能。基于伴随式损失的解码算法可以被认为是一种无监督学习算法。损失函数的计算不需要码字的传输，也可以应用于在线训练解码算法。在文献[F.Liang,C.Shen,andF.Wu,“An iterative bp-cnn architecture for channel decoding,”IEEEJ.Sel.Topics Signal Process.,vol.12,no.1,pp.144–159,2018.]中，提出了一种迭代置信传播卷积神经网络(BP-CNN)算法来提取噪声相关特征并提高解码性能。在文献[T.Watanabe,T.Ohseki,and K.Yamazaki,“Deep learning-based bit reliabilitybased decoding for non-binary LDPC codes,”in Proc.2021IEEE InternationalSymposium on Information Theory(ISIT),Mel-bourne,Australia,2021,pp.1451–1456.]中，作者提出了基于神经比特可靠性(NBRB)和基于神经加权比特可靠性(NwBRB)的解码算法。与其他常用的NB-LDPC译码算法相比，BRB算法虽然复杂度较低，但译码性能却大大恶化，与EMS算法存在性能差距。EMS算法考虑了性能和计算复杂度之间的平衡，目前业界广泛用于NB-LDPC解码，还没有基于模型驱动的深度学习的EMS解码算法。
发明内容
本发明旨在解决上述模型驱动深度学习的BRB译码算法的不足，提供一种基于模型驱动深度学习的非二进制LDPC译码方法。该方法在EMS算法的基础上，提出了一种模型驱动的基于深度学习的EMS算法，称为NEMS算法。与传统EMS算法相比，NEMS算法对于中短NB-LDPC码具有更好的译码性能。
本发明为解决上述技术问题采用以下技术方案：
一种基于模型驱动深度学习的非二进制LDPC译码方法，所述方法包括：
(1)把非二进制LDPC码的EMS迭代译码结构中的每一次迭代看作一个独立的单元，这样原来M次迭代的EMS译码流程展开为M个独立的单元，将这M个独立的单元串行连接形成一个“平铺”式结构；
(2)把非二进制LDPC码的EMS迭代译码结构中每一次迭代中由检验节点到变量节点传递信息计算看作校验节点CN层，由变量节点到校验节点传递信息计算看作变量节点VN层，这样每一个独立的单元中就包含两层神经网络计算；
(3)把非二进制LDPC码的EMS迭代译码结构中的输出判决计算展开，并加上一个交叉熵损失计算函数构成“平铺”式结构的输出层；
(4)经过(1)至(3)的处理，将非二进制LDPC码的EMS迭代译码结构展开形成用于非二进制LDPC码的译码网络EMSNet；
(5)对EMSNet进行训练；
(6)对训练完成的EMSNet输出的信息比特后验概率对数似然比估计值用Sigmoid函数进行归一化，并对归一化的结果进行硬判决，得到真实信息比特序列的估计值，从而实现对非二进制LDPC码的译码。
进一步地，EMSNet的输入为信道接收到的消息的LLR值，经过输入层的排序和归一化处理后，得到排序和归一化的LLR值Ls。
进一步地，该方法还包括在CN层和VN层分别添加一个可训练的学习权重向量。
本发明还提供一种基于模型驱动深度学习的非二进制LDPC译码系统，包括：
结构展开单元，用于将非二进制LDPC码的EMS迭代译码结构展开形成用于非二进制LDPC码的译码网络EMSNet；
训练单元，用于对EMSNet进行训练；
译码单元，用于对训练完成的EMSNet输出的信息比特后验概率对数似然比估计值用Sigmoid函数进行归一化，并对归一化的结果进行硬判决，得到真实信息比特序列的估计值，从而实现对非二进制LDPC码的译码。
本发明还提供一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如上所述的方法。
本发明还提供一种电子设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行如上方法的指令。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
本发明提出了一种基于模型驱动深度学习的新型NB-LDPC解码算法，称为NEMS算法，它是通过EMS算法展开得到的。与传统EMS算法相比，NEMS算法对于中短NB-LDPC码具有更好的译码性能。与传统的标准EMS算法类似，本文发明的NEMS算法也采用了消息截断机制。当不同长度的消息被截断时，算法的性能会受到不同程度的影响。最后，我们验证了NEMS算法对于不同训练机制的性能，发现它在遍历所有SNR区域进行训练时具有最佳性能。
附图说明
图1是本发明的算法步骤图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解的是，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
下面结合附图对本发明的技术方案做进一步的详细说明：
扩展最小和(EMS)算法是最常用的非二进制低密度奇偶校验(NB-LDPC)解码算法之一，具有优异的解码性能和适中的复杂度。本发明提出了一种基于模型驱动的深度学习的EMS算法，称为神经EMS(NEMS)算法，它是通过EMS算法展开得到的。NEMS算法可以看作是EMS算法的扩展，在变量节点和校验节点上增加了可训练的权值。当添加的学习权重均为1时，NEMS算法退化为EMS算法。与传统EMS算法相比，NEMS算法对于中短NB-LDPC码具有更好的译码性能。
本发明提出了一种基于模型驱动深度学习的新型NB-LDPC解码算法，称为NEMS算法，它是通过EMS算法展开得到的。与传统EMS算法相比，NEMS算法对于中短NB-LDPC码具有更好的译码性能。与传统的标准EMS算法类似，本发明提出的NEMS算法也采用了消息截断机制。当不同长度的消息被截断时，算法的性能会受到不同程度的影响。最后，我们验证了NEMS算法对于不同训练机制的性能，发现它在遍历所有SNR区域进行训练时具有最佳性能。
现有基于模型驱动深度学习的BRB译码算法误码率性能差，抗突发能力弱，致使难以应用在光通信、深空通信、大容量存储等领域。本发明旨在解决上述模型驱动深度学习的BRB译码算法的不足，提供一种基于模型驱动深度学习的非二进制LDPC译码方法，包括以下步骤：
(1)将非二进制LDPC码的EMS迭代译码结构展开为一个“平铺”式的结构：把非二进制LDPC码的EMS算法迭代译码流程中的每一次迭代看作一个独立的单元，这样原来M次迭代的EMS译码流程可以展开为M个独立的单元，将这M个独立的单元串行连接形成一个“平铺”式的结构；
(2)将步骤1中EMS译码算法中每次迭代中检验节点到变量节点传递信息计算看作校验节点层，由变量节点到校验节点传递信息计算看作变量节点层。这样每一个独立的单元中就包含两层神经网络计算。将EMS译码迭代算法中输出判决计算展开，并加上一个交叉熵损失计算函数构成“平铺”结构的输出层。这样由EMS译码算法展开构成用于非二进制LDPC码译码网络EMSNet。
(3)在加校验节点层和变量节点层分别添加可训练的权值参数；
(4)对EMSNet进行训练，在完成给定次数的训练后，获得EMSNet的参数；
(5)对训练完成后的EMSNet输出的信息比特后验概率对数似然比估计值用Sigmoid函数归一化，并对归一化的结果进行硬判决，得到真实信息比特序列的估计值，从而实现对非二进制LDPC码的译码。
本发明提出的一种基于EMS算法的新型神经NB-LDPC解码算法，称为NEMS算法。NEMS解码网络由输入层、多个隐藏层和输出层组成，每个隐藏层都有一个CN层和一个VN层。输入层的输入是接收到的消息的LLR，CN层完成NEMS算法中CN的更新，VN层完成NEMS算法中VN的更新。
VN层的输入是排序和归一化的LLR值Ls，Ls的好坏直接影响整个解码算法的性能，因此在VN层的计算中添加一个可训练的学习权重向量，如下：
其中Wv是用于VN层更新的添加的可训练学习权重向量。
V2C向量中的最小LLR值可以确定如下：
然后根据所得最小值对V2C进行归一化，如下所示：
除了VN层的计算之外，另一个对解码性能起着重要作用的因素是CN层的更新，因此还在CN层的计算中添加了一个可训练的权重向量：
其中，Wc是添加的可训练学习权重向量，是伽罗华域的加法。
在NEMS解码算法中，我们使用交叉熵损失函数来训练添加的学习权重，交叉熵损失衡量NEMS网络的输出o和传输的码字x之间的误差，定义为：
其中，oi是输出码字的第i个比特，xi是信源码字的第i个比特。
本发明中，NEMS算法使用的sigmoid函数σ(x)＝(1+e-x)-1作为激活函数。
本发明所提出的NEMS算法用于NB-LDPC解码的详细步骤如图1所示。与EMS算法相比，NEMS算法在VNs更新和CNs更新的计算中增加了可训练的学习权重，导致存储略有增加NEMS算法所需的空间和计算复杂度。然而，NEMS算法的计算复杂度可以通过基于张量分解的压缩算法来降低。
本发明将NEMS算法应用到NB-LDPC解码中，实验结果表明NEMS算法比EMS算法具有更好的BER性能；此外，使用不同的方法训练NEMS算法，实验结果表明，不同的训练方法对NEMS算法的BER性能有很大影响，间隔SNR训练获得的解码性能远远超过单次SNR训练。
本发明还设计了一种基于模型驱动深度学习的非二进制LDPC译码系统，包括：
结构展开单元，用于将非二进制LDPC码的EMS迭代译码结构展开形成用于非二进制LDPC码的译码网络EMSNet；
训练单元，用于对EMSNet进行训练；
译码单元，用于对训练完成的EMSNet输出的信息比特后验概率对数似然比估计值用Sigmoid函数进行归一化，并对归一化的结果进行硬判决，得到真实信息比特序列的估计值，从而实现对非二进制LDPC码的译码。
上述基于模型驱动深度学习的非二进制LDPC译码系统的技术方案与前述方法类似，这里不再赘述。
基于相同的技术方案，本发明还公开了一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如上所述的基于模型驱动深度学习的非二进制LDPC译码方法。
基于相同的技术方案，本发明还公开了一种电子设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行如上基于模型驱动深度学习的非二进制LDPC译码方法的指令。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。
Claims (6)
1.一种基于模型驱动深度学习的非二进制LDPC译码方法，其特征在于，所述方法包括：
(1)把非二进制LDPC码的EMS迭代译码结构中的每一次迭代看作一个独立的单元，这样原来M次迭代的EMS译码流程展开为M个独立的单元，将这M个独立的单元串行连接形成一个“平铺”式结构；
(2)把非二进制LDPC码的EMS迭代译码结构中每一次迭代中由检验节点到变量节点传递信息计算看作校验节点CN层，由变量节点到校验节点传递信息计算看作变量节点VN层，这样每一个独立的单元中就包含两层神经网络计算；
(3)把非二进制LDPC码的EMS迭代译码结构中的输出判决计算展开，并加上一个交叉熵损失计算函数构成“平铺”式结构的输出层；
(4)经过(1)至(3)的处理，将非二进制LDPC码的EMS迭代译码结构展开形成用于非二进制LDPC码的译码网络EMSNet；
(5)对EMSNet进行训练；
(6)对训练完成的EMSNet输出的信息比特后验概率对数似然比估计值用Sigmoid函数进行归一化，并对归一化的结果进行硬判决，得到真实信息比特序列的估计值，从而实现对非二进制LDPC码的译码。
2.根据权利要求1所述的一种基于模型驱动深度学习的非二进制LDPC译码方法，其特征在于，EMSNet的输入为信道接收到的消息的LLR值，经过输入层的排序和归一化处理后，得到排序和归一化的LLR值。
3.根据权利要求1所述的一种基于模型驱动深度学习的非二进制LDPC译码方法，其特征在于，该方法还包括在CN层和VN层分别添加一个可训练的学习权重向量。
4.一种基于模型驱动深度学习的非二进制LDPC译码系统，其特征在于，包括：
结构展开单元，用于将非二进制LDPC码的EMS迭代译码结构展开形成用于非二进制LDPC码的译码网络EMSNet；
训练单元，用于对EMSNet进行训练；
译码单元，用于对训练完成的EMSNet输出的信息比特后验概率对数似然比估计值用Sigmoid函数进行归一化，并对归一化的结果进行硬判决，得到真实信息比特序列的估计值，从而实现对非二进制LDPC码的译码。
5.一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，其特征在于，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至3中任一所述的方法。
6.一种电子设备，其特征在于，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至3中任一所述方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311357467.7A CN117220689A (zh) | 2023-10-19 | 2023-10-19 | 一种基于模型驱动深度学习的非二进制ldpc译码方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311357467.7A CN117220689A (zh) | 2023-10-19 | 2023-10-19 | 一种基于模型驱动深度学习的非二进制ldpc译码方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117220689A true CN117220689A (zh) | 2023-12-12 |
Family
ID=89048321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311357467.7A Pending CN117220689A (zh) | 2023-10-19 | 2023-10-19 | 一种基于模型驱动深度学习的非二进制ldpc译码方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117220689A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112290954A (zh) * | 2020-09-15 | 2021-01-29 | 华南理工大学 | 一种基于深度学习后处理的ldpc码的译码算法 |
| CN112953557A (zh) * | 2021-03-23 | 2021-06-11 | 西南大学 | 基于扩展最小和算法的nb-ldpc码加权因子优化译码器和方法 |
| CN113661667A (zh) * | 2019-04-04 | 2021-11-16 | 苹果公司 | 用于确定重传的内容的装置和方法 |
| CN113890543A (zh) * | 2021-10-09 | 2022-01-04 | 吉林大学 | 基于多层感知神经网络的多进制ldpc码的译码方法 |
-
2023
- 2023-10-19 CN CN202311357467.7A patent/CN117220689A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113661667A (zh) * | 2019-04-04 | 2021-11-16 | 苹果公司 | 用于确定重传的内容的装置和方法 |
| CN112290954A (zh) * | 2020-09-15 | 2021-01-29 | 华南理工大学 | 一种基于深度学习后处理的ldpc码的译码算法 |
| CN112953557A (zh) * | 2021-03-23 | 2021-06-11 | 西南大学 | 基于扩展最小和算法的nb-ldpc码加权因子优化译码器和方法 |
| CN113890543A (zh) * | 2021-10-09 | 2022-01-04 | 吉林大学 | 基于多层感知神经网络的多进制ldpc码的译码方法 |
Non-Patent Citations (1)
| Title |
|---|
| TAISHI WATANABE: "Deep Learning-Based Bit Reliability Based Decoding for Non-binary LDPC Codes", 《2021 IEEE INTERNATIONAL SYMPOSIUM ON INFORMATION THEORY (ISIT)》, 20 July 2021 (2021-07-20) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lugosch et al. | Neural offset min-sum decoding | |
| Nachmani et al. | Learning to decode linear codes using deep learning | |
| Lian et al. | Learned belief-propagation decoding with simple scaling and SNR adaptation | |
| Nachmani et al. | Hyper-graph-network decoders for block codes | |
| Doan et al. | Neural successive cancellation decoding of polar codes | |
| KR100891782B1 (ko) | 고속 데이터 전송 시스템에서 순방향 오류 정정 장치 및방법 | |
| CN105763203B (zh) | 一种基于硬可靠度信息的多元ldpc码译码方法 | |
| CN107204780B (zh) | polar-LDPC级联码的合并BP解码算法及装置 | |
| Lugosch et al. | Learning from the syndrome | |
| Jayasooriya et al. | A new density evolution approximation for LDPC and multi-edge type LDPC codes | |
| CN110730008B (zh) | 一种基于深度学习的rs码置信传播译码方法 | |
| Yuan et al. | Construction and decoding algorithms for polar codes based on 2× 2 non-binary kernels | |
| Yang et al. | Nonlinear programming approaches to decoding low-density parity-check codes | |
| Dai et al. | New min-sum decoders based on deep learning for polar codes | |
| Arli et al. | A survey on belief propagation decoding of polar codes | |
| Li et al. | Enhanced belief propagation decoding of polar codes by adapting the parity-check matrix | |
| Deng et al. | Reduced-complexity deep neural network-aided channel code decoder: A case study for BCH decoder | |
| Habib et al. | Belief propagation decoding of short graph-based channel codes via reinforcement learning | |
| Shrinidhi et al. | Modified min sum decoding algorithm for low density parity check codes | |
| Liao et al. | Doubly residual neural decoder: Towards low-complexity high-performance channel decoding | |
| Habib et al. | Learned scheduling of LDPC decoders based on multi-armed bandits | |
| Shi et al. | Low complexity neural network-aided nms LDPC decoder | |
| Qingle et al. | A low complexity model-driven deep learning ldpc decoding algorithm | |
| Watanabe et al. | Deep learning-based bit reliability based decoding for non-binary LDPC codes | |
| CN117220689A (zh) | 一种基于模型驱动深度学习的非二进制ldpc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 |