一种基于神经网络的LDPC码最小和译码方法及装置

本发明涉及一种基于神经网络的ldpc码最小和译码方法及装置，属于通信。

背景技术：

1、ldpc（ low-density parity-check，低密度奇偶校验）是一种经典的线性纠错码，以其简单有效的编码和解码性能而著称，并被广泛应用于数字通信和存储系统中。ldpc码的主要译码算法为置信度传播（belief propagation,bp），但其具有较高的复杂度，在实际中有一定的实现难度。为了降低复杂度，以稍微牺牲一定误码率为代价，最小和（min sum,ms）算法被提出，并在最小和算法的基础上，发展出归一化最小和（nms）和偏移最小和（oms），其中的归一化因子和偏移因子可以补偿性能损失降低误码率。随着深度学习不断扩展其适用范围，同时，得益于硬件技术条件的突破，深度学习与通信领域的结合逐渐受到关注。将归一化最小和（neural normalized min-sum, nnms）译码的迭代过程中变量节点和校验节点之间的传递过程转换为前向传播网络展开为神经网络的形式，对各边对应的神经元分配可训练的权重，利用神经网络和损失函数来训练数据，能够利用更少的迭代次数实现更优的译码性能，但过多的权重导致复杂度过高，易造成过拟合现象降低译码性能，便利用同一边型上的参数共享（shared neural normalized min-sum, snnms）来消除冗余参数，从而降低复杂度。

2、snnms方法虽然可以降低复杂度，对比nnms方法误码率更低，但其仅是在神经网络的拟合过程中发挥了作用，理论上对每条传递边赋予单个权重能使得译码结果更加精确，但在神经网络中拟合效果与复杂度需要做出一定平衡以达到理想的译码性能。

技术实现思路

1、本发明的目的在于克服现有技术中的不足，提供一种基于神经网络的ldpc码最小和译码方法及装置，通过缓解过拟合现象的发生，在一定的复杂度下获得了更好的译码性能。

2、为达到上述目的，本发明是采用下述技术方案实现的：

3、第一方面，本发明提供了一种基于神经网络的ldpc码最小和译码方法，包括：

4、获取预构建并训练好的神经网络；

5、利用神经网络的第一层神经元接收ldpc码的码字序列；

6、利用神经网络的第二层神经元，结合预先选取的ldpc码的校验矩阵以及更新的变量节点传递给校验节点的边信息，更新校验节点传递给变量节点的边信息，其中，变量节点对应于码字序列中的每一位，校验节点对应于校验矩阵中的每一行；

7、利用神经网络的第三层神经元，结合校验矩阵和更新的校验节点传递给变量节点的边信息，更新变量节点传递给校验节点的边信息；

8、根据设定的迭代次数迭代执行第二层神经元和第三层神经元的处理过程，获取迭代后的结果；

9、利用神经网络的第四层神经元对迭代后的结果进行计算，得到所述ldpc码的最小和译码结果；

10、其中，连接第二层神经元的边使用各自单独的权重，连接第三层神经元的边使用同一个共享的权重。

11、进一步的，所述第一层神经元接收的ldpc码的码字序列为经过二进制相移键控调制后，经过加性高斯白噪声信道传输过来的。

12、进一步的，所述更新校验节点传递给变量节点的边信息的更新公式如下：

13、；

14、式中，表示在tanner图上第次迭代时从校验节点传递给变量节点的边信息，表示第次迭代时第三层神经元的权重，表示在tanner图上第次迭代时从更新的变量节点传递给校验节点的边信息，表示连接到校验节点的一组变量节点，表示与校验节点m相连的但不包括变量节点n的其他所有变量节点的集合。

15、进一步的，所述更新变量节点传递给校验节点的边信息的更新公式如下：

16、；

17、式中，表示在tanner图上第次迭代时从变量节点传递给校验节点的边信息，为第位对应的信道对数似然比，表示连接到变量节点的一组校验节点，表示与变量节点n相连的但不包括校验节点m的其他所有校验节点的集合，表示第次迭代时第二层神经元的权重，表示在tanner图上第次迭代时从更新的校验节点传递给变量节点的边信息。

18、进一步的，所述利用神经网络的第四层神经元对迭代后的结果进行计算的计算公式如下：

19、；

20、其中，表示计算得到的最小和译码结果，为码长，表示第次迭代时第二层神经元的权重，表示在tanner图上第次迭代时从校验节点传递给变量节点的边信息；

21、所述第四层神经元在训练阶段和测试阶段分别使用和作为激活函数，式中为每层神经元的输入值。

22、进一步的，所述方法还包括：

23、在神经网络的训练过程中，通过引入正则化项到损失函数中，利用反向传播算法和梯度下降法来训练神经网络，调整权重以优化神经网络。

24、进一步的，所述损失函数表达式如下：

25、；

26、式中为损失函数，为传输的码字，为码长，为神经网络输出的码字，为样本数量。

27、第二方面，本发明提供一种基于神经网络的ldpc码最小和译码装置，包括：

28、获取模块，用于获取预构建并训练好的神经网络；

29、接收模块，用于利用神经网络的第一层神经元接收ldpc码的码字序列；

30、第一更新模块，用于利用神经网络的第二层神经元，结合预先选取的ldpc码的校验矩阵以及更新的变量节点传递给校验节点的边信息，更新校验节点传递给变量节点的边信息，其中，变量节点对应于码字序列中的每一位，校验节点对应于校验矩阵中的每一行；其中，连接第二层神经元的边使用各自单独的权重；

31、第二更新模块，用于利用神经网络的第三层神经元，结合校验矩阵和更新的校验节点传递给变量节点的边信息，更新变量节点传递给校验节点的边信息；其中，连接第三层神经元的边使用同一个共享的权重；

32、迭代模块，用于根据设定的迭代次数迭代执行第二层神经元和第三层神经元的处理过程，获取迭代后的结果；

33、译码模块，用于利用神经网络的第四层神经元对迭代后的结果进行计算，得到所述ldpc码的最小和译码结果。

34、第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任一项所述方法的步骤。

35、第四方面，本发明提供一种计算机设备，包括：

36、存储器，用于存储计算机程序/指令；

37、处理器，用于执行所述计算机程序/指令以实现前述任一项所述方法的步骤。

38、与现有技术相比，本发明所达到的有益效果：

39、本发明提供一种基于神经网络的ldpc码最小和译码方法及装置，对变量节点到校验节点更新过程赋予单独权重，校验节点到变量节点更新过程共享权重，并引入正则化进一步帮助神经网络拟合，提高了译码性能。

技术特征：

1.一种基于神经网络的ldpc码最小和译码方法，其特征在于，包括：

2.根据权利要求1所述的基于神经网络的ldpc码最小和译码方法，其特征在于，所述第一层神经元接收的ldpc码的码字序列为经过二进制相移键控调制后，经过加性高斯白噪声信道传输过来的。

3.根据权利要求1所述的基于神经网络的ldpc码最小和译码方法，其特征在于，所述更新校验节点传递给变量节点的边信息的更新公式如下：

4.根据权利要求3所述的基于神经网络的ldpc码最小和译码方法，其特征在于，所述更新变量节点传递给校验节点的边信息的更新公式如下：

5.根据权利要求4所述的基于神经网络的ldpc码最小和译码方法，其特征在于，所述利用神经网络的第四层神经元对迭代后的结果进行计算的计算公式如下：

6.根据权利要求5所述的基于神经网络的ldpc码最小和译码方法，其特征在于，所述方法还包括：

7.根据权利要求6所述的基于神经网络的ldpc码最小和译码方法，其特征在于，所述损失函数表达式如下：

8.一种基于神经网络的ldpc码最小和译码装置，其特征在于，包括：

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。

10.一种计算机设备，其特征在于，包括：

技术总结本发明公开了一种基于神经网络的LDPC码最小和译码方法及装置，所述方法包括获取预构建并训练好的神经网络；利用神经网络的第一层神经元接收LDPC码的码字序列；利用神经网络的第二层神经元，更新校验节点传递给变量节点的边信息；利用神经网络的第三层神经元，更新变量节点传递给校验节点的边信息；根据设定的迭代次数，将第二层神经元和第三层神经元的处理过程进行多次迭代；利用神经网络的第四层神经元对迭代后的结果进行计算，得到所述LDPC码的最小和译码结果；本发明通过缓解过拟合现象的发生，在一定的复杂度下获得了更好的译码性能。技术研发人员：周鸣,周华,徐辰辰受保护的技术使用者：南京信息工程大学技术研发日：技术公布日：2024/7/23