一种基于深度学习的LDPC码的译码算法专利检索-深度学习机器学习人工智能人工智能专利检索查询-专利查询网

积极推动地理标志专门立法

2022-03-10 地理标志，立法，知识产权
保护知识产权是对创新最大的激励

2022-03-10 保护知识产权，创新，激励
谢商华：加快制定知识产权基本法

2022-03-10 知识产权基本法
擦亮“双奥之城”品牌

2022-03-10 双奥，知识产权
让冰雪运动“热”力全开

2022-03-10 冰雪运动，知识产权
携手共奋进　走好强国路

2022-03-10 强国，知识产权
坚持创新引领　方能稳中求进

2022-03-10 创新，稳中求进，知识产权
答好“两张卷” 奋进新征程

2022-03-10 知识产权
专家解读政府工作报告中的创新和知识产权相关部署

2022-03-10 政府工作报告，创新，知识产权
今年政府工作报告指出：加强知识产权保护和运用

2022-03-10 政府工作报告，知识产权保护

一种基于深度学习的LDPC码的译码算法

阅读：1031发布：2020-10-22

IPRDB可以提供一种基于深度学习的LDPC码的译码算法专利检索，专利查询，专利分析的服务。并且本发明公开了一种基于深度学习的LDPC码的译码算法，结合深度学习技术，分别对大围长随机LDPC码和结构化LDPC码的构造、有环Tanner图上的改进置信传播译码及其低复杂简化译码算法进行了研究，采用最优思想，校验矩阵中每个非零元素所在的短环数分布情况，将优化当前列的短环数目分布与每列短环数组成的标准差分布相结合，构造出具有良好特性的随机LDPC码，研究了环消除算法，仿真了换消除法构造的QC-LDPC码的性能，通过改进，构造出了具有更优大围长的QC-LDPC码，改进BP译码算法，提出了一种改进最小和译码算法，本发明基于深度学习技术和Tanner图的环统计特性，先构造出了有着良好特性的随机LDPC码，再通过仿真构造出了更优大围长的QC-LDPC码，其算法更加优异，纠错性能更好。，下面是一种基于深度学习的LDPC码的译码算法专利的具体信息内容。

权利要求

1.一种基于深度学习的LDPC码的译码算法，其特征在于，包括：

步骤1、采用逐步最优思想，将校验矩阵中的每个非零元素所在的短环数分布作为最优设计准则，提出了一种基于改进环数分布构造的LDPC码算法，在同等码长码率条件下，与PEG算法构造的码相比，获得了更好的性能；步骤2、基于Tanner图中的环统计特性，将逐列优化当前的短环数目分布与整体优化所有列中每列的短环数标准差分布相结合，构造出了一种基于改进环统计特性的LDPC码构造算法，与同等码长码率的PEG码相比，获得了优异的性能；步骤3、研究了大围长准循环LDPC码的一种构造方法-环消除算法，仿真证实了环消除算法构造的QC-LDPC码的性能，仿真结果表明构造的QC-LDPC码存在不能消去的短环，将基矩阵中的环扩展约束条件推广到了基矩阵中的闭合路径扩展约束条件，作出了一种改进环消除算法，构造出了一种更大大围长的QC-LDPC码，获得了更好的性能；步骤4、针对有环Tanner图上的调度译码算法，提出改进的BP译码算法，对调度算法进行优化，设计出两种优化方案，利用优化后的消息继续辅助译码，获得了比调度译码算法优异的性能；步骤5、将最小和译码算法与置信传播译码算法进行对比分析，针对最小和译码算法校验节点消息可靠度过估计，提出了一种补偿最小和译码校验节点消息可靠度过估计的改进的最小和译码算法。

2.根据权利要求1所述的一种基于深度学习的LDPC码的译码算法，其特征在于：所述步骤1中PEG算法是给定校验矩阵H的大小m×n以及变量节点度序列D＝{Dv1,Dv2,...Dvn}，运用PEG算法，校验矩阵对应的Tanner图构造步骤如下，一、初始化：设置v1为当前变量节点且令k＝0；二、连接当前变量节点与Dvj个校验节点，连接第一个校验节点：选取当前校验矩阵中行重最小的行放置非零元k＝k+1；连接其余校验节点：以vj为根节点扩展树图，选取校验度数最小的校验节点与vj相连，k＝k+1；若k＝Dvj，则令j＝j+1且k＝0并设置vj为当前变量节点，转入步骤三，否则转入步骤二；三、若j＝n+1，结束构造，否则转入步骤二，所述步骤一中的一种基于改进环数分布构造的LDPC码算法是给定校验矩阵H的大小m×n以及变量节点度序列D＝{Dv1,Dv2,...Dvn}，基于改进环数分布的LDPC码构造算法总结如下，一、初始化；

对所有i,j(1≤i≤m,1≤i≤n)，令hij＝0，设置第j＝1列为当前列并令k＝0；二、当前列放置Dvj个非零元，放置第一个非零元：选取当前校验矩阵中行重最小的行放置非零元，k＝k+

1；放置其余非零元；统计每一个备选的行位置包括的四环、六环和八环的数目，按环长从小到大的优先级别顺序，逐级筛选出具有最少环数的备选位置放置非零元，k＝k+1；若k＝Dvj，则令j＝j+1且k＝0并设置第j列为当前列，转入步骤三，否则转入步骤二；若j＝n+1，结束构造；否则转入步骤二，所述步骤1中的短环数是影响LDPC码性能的一个重要因素，我们构造了四个码长分别为n＝504和n＝1008的码率0.5的二进制LDPC码，其中n＝504基于改进环数分布构造的LDPC码8环和10环的个数分别为403和12251，对应的PEG码8环和20环的个数分别为813和11345；n＝1008时基于改进环数分布构造的LDPC码8环和10环的个数分别为

46和11410，对应PEG码8环和20环的个数分别为54和11086，显然，n＝504和n＝1008基于改进环数分布构造的LDPC码在环数目上要比相应PEG码少，所以具有更好的性能。

3.根据权利要求1所述的一种基于深度学习的LDPC码的译码算法，其特征在于：所述步骤2中Tanner图可以解释迭代译码器的操作，每个节点为一个独立消息处理器，每条边从给定节点往相邻节点传递消息，起始于节点u1，终止于节点vk的k长路径为有向边序列e1＝(u1,v1)，...，ek＝(uk,vk),其中对于所有的i＝1,2,...,k-1,vi＝ui+1，起点跟终点重合的路径为闭合路径，即u1＝vk，所述步骤2中的一种基于改进环统计特性的LDPC码构造算法是给定校验矩阵H的大小m×n以及变量节点度序列D＝{Dv1,Dv2,...Dvn}，基于改进环统计特性的LDPC码构造算法总结如下，一、初始化：对所有i,j(1≤i≤m,1≤i≤n)，令hij＝0，设置第j＝1列为当前列并令l＝0；二，当前列放置Dvj个非零元，初始化：对所有k(k＝4,6,8),令nk＝∞，对于所有的t(1≤t≤Dvj)，令L(t)＝0；统计第l组非零组合相关的环统计特性：统计当前列中第l组非零元组合包含的短环数目Ck(j)(k＝4,6,8)，统计对应H前j列中每列所在短环数目的均值与标准差Dk(k＝4,6,8)；按k值从小到大的顺序，依次比较Ck(j)与nk的大小；若j＝n+1，结束构造，否则转入步骤二。

4.根据权利要求1所述的一种基于深度学习的LDPC码的译码算法，其特征在于：所述步骤3中一种更大大围长的QC-LDPC码是将矩阵H＝【hij】中长为2g的环定义为由2g个hig＝1位置组成的满足下列条件的2g长有序序列，一、相邻的两个hij＝1位置在同一行不同列或者在同一行不同行；二、所有2g个hij＝1位置各不相同；三、起始hij＝1位置与结束hij＝1位置在同一行不同列或者在同一列不同行，所述步骤3中基矩阵是将基于L阶的更大大围长的QC-LDPC码校验矩阵H中的每个L阶更大大围长方阵I(aij)用aij代替，每个L阶零方阵用∞代替得到的称为Hb，所述步骤3中的闭合路径是由2g个hij＝1元素组成的2g长有序序列，且满足相邻的两个hij＝1元素在同一行不同列或者在同一列不同行，起始hij＝1位置与结束hij＝1位置在同一行不同列或者在同一列不同行，给出了基矩阵Hb中一个长为6的有序序列构成的长为6的闭合路径，所述步骤3中的环推广约束条件是校验矩阵中长为2g的环中，2g必须满足两个条件：2g个1在不同行，且每行包含两个1,2g个1在不同列，且每列包含两个1，所述步骤3中的一种改进环消除算法是给定基矩阵Hb＝【Hbij】条件下，初始化：基矩阵Hb总所有1元素的初始化值为0，对于所有Hbij＝1(1≤i≤m，1≤j≤n),令aij＝0,逐步优化过程：基矩阵H中按从1列到n列的顺序，选取当前列，建立闭合路径约束列表：检测基矩阵中没有连续重复边的闭合路径过程，设置位移值：当前1元素对应的位移值取值范围是【0，L-1】。

5.根据权利要求1所述的一种基于深度学习的LDPC码的译码算法，其特征在于：所述步骤4中改进的BP译码算法是所有变量节点并行去相关过程，包括查询每个校验节点参与的树图数目以及对应映射关系；初始化所有vj；进行校验节点更新和变节点更新；如果达到最大迭代次数g/2,则计算输出消息；计算变量节点总消息。

6.根据权利要求1所述的一种基于深度学习的LDPC码的译码算法，其特征在于：所述步骤5中改进的最小和译码算法是基于当∣Zp∣≤ln(2)时，表达式max{0，∣Zp∣-ln(2)}减缓了BP迭代译码中幅度小于ln2消息的传播，当∣Zp∣≥ln(2)，表达式max{0，∣Zp∣-ln(2)}补偿了最小和译码算法校验节点输出消息可靠度的过估计且这个表达式为线性表达式，所述步骤

5中的置信传播译码算法与改进的最小和译码算法的偏置系数都恒定不变，且偏置系数的值域为(0，+∞)。

说明书全文

一种基于深度学习的LDPC码的译码算法

技术领域

[0001] 本发明涉及通讯编程领域，具体为一种基于深度学习的LDPC码的译码算法。

背景技术

[0002] 自LDPC码的重新发现开始，人们对它的研究已经有十多年了，主要成果可以归纳为五部分：一是LDPC码的图模型，二是LDPC码的迭代译码性能分析，三是LDPC码的构造，四是LDPC码的编码，五是LDPC码的译码，通过LDPC码的迭代译码算法，人们可以按照应用环境的需要在性能和复杂度之间进行折中，目前，LDPC码的环消除算法较为落后，未调整译码过程中的某些因素，如改进短环数分布、Tanner图中的环统计、环消除算法、BP译码算法、最小和译码算法、环扩展约束条件和置信传播译码算法等，导致算法的计算性能和纠错性能较差。

发明内容

[0003] 本发明的目的是为了解决现有LDPC码的环消除算法较为落后，未调整译码过程中的某些因素，如改进短环数分布、Tanner图中的环统计、环消除算法、BP译码算法、最小和译码算法、环扩展约束条件和置信传播译码算法等，导致算法的计算性能和纠错性能较差等的缺点，而提出的一种基于深度学习的LDPC码的译码算法。

[0004] 为实现上述目的，本发明提供如下技术方案：包括，

[0005] 步骤1、采用逐步最优思想，将校验矩阵中的每个非零元素所在的短环数分布作为最优设计准则，提出了一种基于改进环数分布构造的LDPC码算法，在同等码长码率条件下，与PEG算法构造的码相比，获得了更好的性能。

[0006] 步骤2、基于Tanner图中的环统计特性，将逐列优化当前的短环数目分布与整体优化所有列中每列的短环数标准差分布相结合，构造出了一种基于改进环统计特性的LDPC码构造算法，与同等码长码率的PEG码相比，获得了优异的性能。

[0007] 步骤3、研究了大围长准循环LDPC码的一种构造方法-环消除算法，仿真证实了环消除算法构造的QC-LDPC码的性能，仿真结果表明构造的QC-LDPC码存在不能消去的短环，将基矩阵中的环扩展约束条件推广到了基矩阵中的闭合路径扩展约束条件，作出了一种改进环消除算法，构造出了一种更大大围长的QC-LDPC码，获得了更好的性能。

[0008] 步骤4、针对有环Tanner图上的调度译码算法，提出改进的BP译码算法，对调度算法进行优化，设计出两种优化方案，利用优化后的消息继续辅助译码，获得了比调度译码算法优异的性能。

[0009] 步骤5、将最小和译码算法与置信传播译码算法进行对比分析，针对最小和译码算法校验节点消息可靠度过估计，提出了一种补偿最小和译码校验节点消息可靠度过估计的改进的最小和译码算法。

[0010] 优选的，所述步骤1中PEG算法是给定校验矩阵H的大小m×n以及变量节点度序列D＝{Dv1,Dv2,...Dvn}，运用PEG算法，校验矩阵对应的Tanner图构造步骤如下，一、初始化：设置v1为当前变量节点且令k＝0；二、连接当前变量节点与Dvj个校验节点，连接第一个校验节点：选取当前校验矩阵中行重最小的行放置非零元k＝k+1；连接其余校验节点：以vj为根节点扩展树图，选取校验度数最小的校验节点与vj相连，k＝k+1；若k＝Dvj，则令j＝j+1且k＝0并设置vj为当前变量节点，转入步骤三，否则转入步骤二；三、若j＝n+1，结束构造，否则转入步骤二，所述步骤一中的一种基于改进环数分布构造的LDPC码算法是给定校验矩阵H的大小m×n以及变量节点度序列D＝{Dv1,Dv2,...Dvn}，基于改进环数分布的LDPC码构造算法总结如下，一、初始化；对所有i,j(1≤i≤m,1≤i≤n)，令hij＝0，设置第j＝1列为当前列并令k＝0；二、当前列放置Dvj个非零元，放置第一个非零元：选取当前校验矩阵中行重最小的行放置非零元，k＝k+1；放置其余非零元；统计每一个备选的行位置包括的四环、六环和八环的数目，按环长从小到大的优先级别顺序，逐级筛选出具有最少环数的备选位置放置非零元，k＝k+1；若k＝Dvj，则令j＝j+1且k＝0并设置第j列为当前列，转入步骤三，否则转入步骤二；若j＝n+1，结束构造；否则转入步骤二，所述步骤1中的短环数是影响LDPC码性能的一个重要因素，我们构造了四个码长分别为n＝504和n＝1008的码率0.5的二进制LDPC码，其中n＝504基于改进环数分布构造的LDPC码8环和10环的个数分别为403和12251，对应的PEG码8环和20环的个数分别为813和11345；n＝1008时基于改进环数分布构造的LDPC码8环和10环的个数分别为46和11410，对应PEG码8环和20环的个数分别为54和11086，显然，n＝504和n＝1008基于改进环数分布构造的LDPC码在环数目上要比相应PEG码少，所以具有更好的性能。基于逐步优化校验矩阵中每个非零元所包含的短环数分布构造的大围长LDPC码与PEG码相比具有更好的纠错性能。

[0011] 优选的，所述步骤2中Tanner图可以解释迭代译码器的操作，每个节点为一个独立消息处理器，每条边从给定节点往相邻节点传递消息，起始于节点u1，终止于节点vk的k长路径为有向边序列e1＝(u1,v1)，...，ek＝(uk,vk),其中对于所有的i＝1,2,...,k-1,vi＝ui+1，起点跟终点重合的路径为闭合路径，即u1＝vk，所述步骤2中的一种基于改进环统计特性的LDPC码构造算法是给定校验矩阵H的大小m×n以及变量节点度序列D＝{Dv1,Dv2,...Dvn}，基于改进环统计特性的LDPC码构造算法总结如下，一、初始化：对所有i,j(1≤i≤m,1≤i≤n)，令hij＝0，设置第j＝1列为当前列并令l＝0；二，当前列放置Dvj个非零元，初始化：对所有k(k＝4,6,8),令nk＝∞，对于所有的t(1≤t≤Dvj)，令L(t)＝0；统计第l组非零组合相关的环统计特性：统计当前列中第l组非零元组合包含的短环数目Ck(j)(k＝4,6,8)，统计对应H前j列中每列所在短环数目的均值与标准差Dk(k＝4,6,8)；按k值从小到大的顺序，依次比较Ck(j)与nk的大小；若j＝n+1，结束构造，否则转入步骤二。通过将逐列优化当前列的短环数目分布与整体优化所有列中每列的短环数标准差分布结合，给出了第二类大围长LDPC码的构造算法，该方法构造出的LDPC码具有更低的错误平层，在低误比特率区域具有更好的纠错性能。

[0012] 优选的，所述步骤3中一种更大大围长的QC-LDPC码是将矩阵H＝【hij】中长为2g的环定义为由2g个hig＝1位置组成的满足下列条件的2g长有序序列，一、相邻的两个hij＝1位置在同一行不同列或者在同一行不同行；二、所有2g个hij＝1位置各不相同；三、起始hij＝1位置与结束hij＝1位置在同一行不同列或者在同一列不同行，所述步骤3中基矩阵是将基于L阶的更大大围长的QC-LDPC码校验矩阵H中的每个L阶更大大围长方阵I(aij)用aij代替，每个L阶零方阵用∞代替得到的称为Hb，所述步骤3中的闭合路径是由2g个hij＝1元素组成的2g长有序序列，且满足相邻的两个hij＝1元素在同一行不同列或者在同一列不同行，起始hij＝1位置与结束hij＝1位置在同一行不同列或者在同一列不同行，给出了基矩阵Hb中一个长为6的有序序列构成的长为6的闭合路径，所述步骤3中的环推广约束条件是校验矩阵中长为2g的环中，2g必须满足两个条件：2g个1在不同行，且每行包含两个1,2g个1在不同列，且每列包含两个1，所述步骤3中的一种改进环消除算法是给定基矩阵Hb＝【Hbij】条件下，初始化：基矩阵Hb总所有1元素的初始化值为0，对于所有Hbij＝1(1≤i≤m，1≤j≤n),令aij＝0,逐步优化过程：基矩阵H中按从1列到n列的顺序，选取当前列，建立闭合路径约束列表：检测基矩阵中没有连续重复边的闭合路径过程，设置位移值：当前1元素对应的位移值取值范围是【0，L-1】。通过研究基矩阵中包含的环扩展成校验矩阵中的环的充要条件以及在此充要条件基础上的环消除算法，对校验矩阵中扩展自基矩阵的环的约束条件进行了推广，对消除算法进行了修正，提高了环消除算法构造的QC-LDPC码对应Tanner图的围长，通过仿真表明，改进的环消除算法构造的码具有更好的纠错性能。

[0013] 优选的，所述步骤4中改进的BP译码算法是所有变量节点并行去相关过程，包括查询每个校验节点参与的树图数目以及对应映射关系；初始化所有vj；进行校验节点更新和变节点更新；如果达到最大迭代次数g/2,则计算输出消息；计算变量节点总消息，通过仿真结果证实，与现有相关算法相比，在高信噪比区域具有良好的性能。

[0014] 优选的，所述步骤5中改进的最小和译码算法是基于当∣Zp∣≤ln(2)时，表达式max{0，∣Zp∣-ln(2)}减缓了BP迭代译码中幅度小于ln2消息的传播，当∣Zp∣≥ln(2)，表达式max{0，∣Zp∣-ln(2)}补偿了最小和译码算法校验节点输出消息可靠度的过估计且这个表达式为线性表达式，所述步骤5中的置信传播译码算法与改进的最小和译码算法的偏置系数都恒定不变，且偏置系数的值域为(0，+∞)，通过仿真结果表明，改进的最小和译码算法比置信传播译码算法具有更好的纠错性能，并且在高信噪比下具有比BP更好的译码性能。

[0015] 与现有技术相比，本发明的有益效果是：本发明运用深度学习技术，在译码的过程中，通过改进短环数分布，运用Tanner图中的环统计，改进环消除算法，改进BP译码算法，改进最小和译码算法，优化环扩展约束条件和置信传播译码算法等，通过仿真结果表明，极大提高了算法的计算性能和纠错性能较差。

附图说明

[0016] 图1为本发明LDPC码译码算法的流程图。

[0017] 图2为本发明的PEG算法图。

[0018] 图3为本发明Tanner图环统计的特性图。

[0019] 图4为本发明基于改进环数分布构造的LDPC码算法图。

[0020] 图5为本发明的基矩阵图。

[0021] 图6为本发明的闭合路径图。

具体实施方式

[0022] 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。

[0023] 请参阅图1-6，本发明提供一种技术方案：包括：

[0024] 步骤1、采用逐步最优思想，将校验矩阵中的每个非零元素所在的短环数分布作为最优设计准则，提出了一种基于改进环数分布构造的LDPC码算法，在同等码长码率条件下，与PEG算法构造的码相比，获得了更好的性能。

[0025] 步骤2、基于Tanner图中的环统计特性，将逐列优化当前的短环数目分布与整体优化所有列中每列的短环数标准差分布相结合，构造出了一种基于改进环统计特性的LDPC码构造算法，与同等码长码率的PEG码相比，获得了优异的性能。

[0026] 步骤3、研究了大围长准循环LDPC码的一种构造方法-环消除算法，仿真证实了环消除算法构造的QC-LDPC码的性能，仿真结果表明构造的QC-LDPC码存在不能消去的短环，将基矩阵中的环扩展约束条件推广到了基矩阵中的闭合路径扩展约束条件，作出了一种改进环消除算法，构造出了一种更大大围长的QC-LDPC码，获得了更好的性能。

[0027] 步骤4、针对有环Tanner图上的调度译码算法，提出改进的BP译码算法，对调度算法进行优化，设计出两种优化方案，利用优化后的消息继续辅助译码，获得了比调度译码算法优异的性能。

[0028] 步骤5、将最小和译码算法与置信传播译码算法进行对比分析，针对最小和译码算法校验节点消息可靠度过估计，提出了一种补偿最小和译码校验节点消息可靠度过估计的改进的最小和译码算法。

[0029] 所述步骤1中PEG算法是给定校验矩阵H的大小m×n以及变量节点度序列D＝{Dv1,Dv2,...Dvn}，运用PEG算法，校验矩阵对应的Tanner图构造步骤如下，一、初始化：设置v1为当前变量节点且令k＝0；二、连接当前变量节点与Dvj个校验节点，连接第一个校验节点：选取当前校验矩阵中行重最小的行放置非零元k＝k+1；连接其余校验节点：以vj为根节点扩展树图，选取校验度数最小的校验节点与vj相连，k＝k+1；若k＝Dvj，则令j＝j+1且k＝0并设置vj为当前变量节点，转入步骤三，否则转入步骤二；三、若j＝n+1，结束构造，否则转入步骤二，所述步骤一中的一种基于改进环数分布构造的LDPC码算法是给定校验矩阵H的大小m×n以及变量节点度序列D＝{Dv1,Dv2,...Dvn}，基于改进环数分布的LDPC码构造算法总结如下，一、初始化；对所有i,j(1≤i≤m,1≤i≤n)，令hij＝0，设置第j＝1列为当前列并令k＝0；二、当前列放置Dvj个非零元，放置第一个非零元：选取当前校验矩阵中行重最小的行放置非零元，k＝k+1；放置其余非零元；统计每一个备选的行位置包括的四环、六环和八环的数目，按环长从小到大的优先级别顺序，逐级筛选出具有最少环数的备选位置放置非零元，k＝k+1；若k＝Dvj，则令j＝j+1且k＝0并设置第j列为当前列，转入步骤三，否则转入步骤二；若j＝n+1，结束构造；否则转入步骤二，所述步骤1中的短环数是影响LDPC码性能的一个重要因素，我们构造了四个码长分别为n＝504和n＝1008的码率0.5的二进制LDPC码，其中n＝504基于改进环数分布构造的LDPC码8环和10环的个数分别为403和12251，对应的PEG码8环和20环的个数分别为813和11345；n＝1008时基于改进环数分布构造的LDPC码8环和10环的个数分别为46和11410，对应PEG码8环和20环的个数分别为54和11086，显然，n＝504和n＝1008基于改进环数分布构造的LDPC码在环数目上要比相应PEG码少，所以具有更好的性能。基于逐步优化校验矩阵中每个非零元所包含的短环数分布构造的大围长LDPC码与PEG码相比具有更好的纠错性能。

[0030] 所述步骤2中Tanner图可以解释迭代译码器的操作，每个节点为一个独立消息处理器，每条边从给定节点往相邻节点传递消息，起始于节点u1，终止于节点vk的k长路径为有向边序列e1＝(u1,v1)，...，ek＝(uk,vk),其中对于所有的i＝1,2,...,k-1,vi＝ui+1，起点跟终点重合的路径为闭合路径，即u1＝vk，所述步骤2中的一种基于改进环统计特性的LDPC码构造算法是给定校验矩阵H的大小m×n以及变量节点度序列D＝{Dv1,Dv2,...Dvn}，基于改进环统计特性的LDPC码构造算法总结如下，一、初始化：对所有i,j(1≤i≤m,1≤i≤n)，令hij＝0，设置第j＝1列为当前列并令l＝0；二，当前列放置Dvj个非零元，初始化：对所有k(k＝4,6,8),令nk＝∞，对于所有的t(1≤t≤Dvj)，令L(t)＝0；统计第l组非零组合相关的环统计特性：统计当前列中第l组非零元组合包含的短环数目Ck(j)(k＝4,6,8)，统计对应H前j列中每列所在短环数目的均值与标准差Dk(k＝4,6,8)；按k值从小到大的顺序，依次比较Ck(j)与nk的大小；若j＝n+1，结束构造，否则转入步骤二。通过将逐列优化当前列的短环数目分布与整体优化所有列中每列的短环数标准差分布结合，给出了第二类大围长LDPC码的构造算法，该方法构造出的LDPC码具有更低的错误平层，在低误比特率区域具有更好的纠错性能。

[0031] 所述步骤3中一种更大大围长的QC-LDPC码是将矩阵H＝【hij】中长为2g的环定义为由2g个hig＝1位置组成的满足下列条件的2g长有序序列，一、相邻的两个hij＝1位置在同一行不同列或者在同一行不同行；二、所有2g个hij＝1位置各不相同；三、起始hij＝1位置与结束hij＝1位置在同一行不同列或者在同一列不同行，所述步骤3中基矩阵是将基于L阶的更大大围长的QC-LDPC码校验矩阵H中的每个L阶更大大围长方阵I(aij)用aij代替，每个L阶零方阵用∞代替得到的称为Hb，所述步骤3中的闭合路径是由2g个hij＝1元素组成的2g长有序序列，且满足相邻的两个hij＝1元素在同一行不同列或者在同一列不同行，起始hij＝1位置与结束hij＝1位置在同一行不同列或者在同一列不同行，给出了基矩阵Hb中一个长为6的有序序列构成的长为6的闭合路径，所述步骤3中的环推广约束条件是校验矩阵中长为2g的环中，2g必须满足两个条件：2g个1在不同行，且每行包含两个1,2g个1在不同列，且每列包含两个1，所述步骤3中的一种改进环消除算法是给定基矩阵Hb＝【Hbij】条件下，初始化：基矩阵Hb总所有1元素的初始化值为0，对于所有Hbij＝1(1≤i≤m，1≤j≤n),令aij＝0,逐步优化过程：基矩阵H中按从1列到n列的顺序，选取当前列，建立闭合路径约束列表：检测基矩阵中没有连续重复边的闭合路径过程，设置位移值：当前1元素对应的位移值取值范围是【0，L-1】。通过研究基矩阵中包含的环扩展成校验矩阵中的环的充要条件以及在此充要条件基础上的环消除算法，对校验矩阵中扩展自基矩阵的环的约束条件进行了推广，对消除算法进行了修正，提高了环消除算法构造的QC-LDPC码对应Tanner图的围长，通过仿真表明，改进的环消除算法构造的码具有更好的纠错性能。

[0032] 所述步骤4中改进的BP译码算法是所有变量节点并行去相关过程，包括查询每个校验节点参与的树图数目以及对应映射关系；初始化所有vj；进行校验节点更新和变节点更新；如果达到最大迭代次数g/2,则计算输出消息；计算变量节点总消息，通过仿真结果证实，与现有相关算法相比，在高信噪比区域具有良好的性能。

[0033] 所述步骤5中改进的最小和译码算法是基于当∣Zp∣≤ln(2)时，表达式max{0，∣Zp∣-ln(2)}减缓了BP迭代译码中幅度小于ln2消息的传播，当∣Zp∣≥ln(2)，表达式max{0，∣Zp∣-ln(2)}补偿了最小和译码算法校验节点输出消息可靠度的过估计且这个表达式为线性表达式，所述步骤5中的置信传播译码算法与改进的最小和译码算法的偏置系数都恒定不变，且偏置系数的值域为(0，+∞)，通过仿真结果表明，改进的最小和译码算法比置信传播译码算法具有更好的纠错性能，并且在高信噪比下具有比BP更好的译码性能。

[0034] 本发明的设计与实现思路为：根据译码过程中导致纠错性能差的因素进行分析，通过改变如下因素来提高算法性能。一，改变短环数分布构造，提出了一种基于改进环数分布构造的LDPC码算法，通过仿真结果表明，算法基于逐步优化校验矩阵中每个非零元所包含的短环数分布构造的大围长LDPC码与PEG码相比具有更好的纠错性能。二，基于Tanner图统计特性，构造出了一种基于改进环统计特性的LDPC码构造算法，通过仿真结果表明，通过将逐列优化当前列的短环数目分布与整体优化所有列中每列的短环数标准差分布结合，给出了第二类大围长LDPC码的构造算法，该方法构造出的LDPC码具有更低的错误平层，在低误比特率区域具有更好的纠错性能。三，优化闭合路径扩展约束条件，作出了一种改进环消除算法，构造出了一种更大大围长的QC-LDPC码，通过仿真结果表明，通过研究基矩阵中包含的环扩展成校验矩阵中的环的充要条件以及在此充要条件基础上的环消除算法，对校验矩阵中扩展自基矩阵的环的约束条件进行了推广，对消除算法进行了修正，提高了环消除算法构造的QC-LDPC码对应Tanner图的围长，通过仿真结果表明，改进的环消除算法构造的码具有更好的纠错性能。四，提出改进的BP译码算法，对调度算法进行优化，通过仿真结果表明，与现有相关算法相比，在高信噪比区域具有良好的性能。五，改进的最小和译码算法，通过仿真结果表明，改进的最小和译码算法比置信传播译码算法具有更好的纠错性能，并且在高信噪比下具有比BP更好的译码性能

[0035] 对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

标题	发布/更新时间	阅读量
量子深度学习-专利编号CN107004162A	2020-05-11	204
地球物理深度学习-专利编号CN110462445A	2020-05-13	414
基于距离的深度学习-专利编号CN110197252A	2020-05-11	269
加速的深度学习-专利编号CN110869946A	2020-05-11	614
语音医嘱深度学习方法-专利编号CN108986925A	2020-05-12	409
深度学习自主运行方法-专利编号CN110298445A	2020-05-13	820
深度学习平台及方法-专利编号CN109447248A	2020-05-13	970
深度学习系统及其方法-专利编号CN110473198A	2020-05-12	413
模块化深度学习模型-专利编号CN108701453A	2020-05-12	704
一种深度学习房屋-专利编号CN208236029U	2020-05-11	954

一种基于深度学习的LDPC码的译码算法

一种基于深度学习的LDPC码的译码算法

技术领域

背景技术

发明内容

附图说明

具体实施方式

IPRDB

热门服务

关于我们

友情链接

联系方式