[发明专利]一种高效的原模图构造方法

说明书

本发明公开了一种高效的原模图构造方法，包括如下步骤：步骤一、根据构造要求，随机生成初始的原模图，计算每个原模图的迭代解码阈值；步骤二、构造神经网络，使用已有的迭代解码阈值数据训练神经网络；步骤三、对已有结果中最优的若干个解进行随机变化，得到新的待尝试的原模图；步骤四、使用步骤二中训练得到的神经网络预测新的原模图的迭代解码阈值，根据预测结果依次计算实际的迭代解码阈值，若发现更优解则回到步骤二；步骤五、将已有数据中的最优解作为构造结果。本发明使用神经网络对原模图的迭代解码阈值进行预测，提高了搜索的有效性，减少了迭代解码阈值的计算次数，从而提高了搜索效率，适用于较大范围内的码长和码率原模图的构造。

技术领域

本发明涉及通信领域中信道编码的构造方法，特别涉及一种高效的原模图构造方法。

背景技术

低密度奇偶校验(LDPC)码最早由R.Gallager提出，其广泛应用于无线通信和闪存纠错领域中。当码长足够长时，LDPC码的纠错性能可以逼近香农极限。然而，普通的LDPC码面临编码计算量大、解码器复杂度高等问题，使其难以应用于实际场景。

基于原模图的LDPC码广泛应用于无线通信等领域，其特殊结构使其具有简单的编码算法和高效的解码算法。基于原模图(protograph)的LDPC码的性能还可以通过直接分析原模图得到，相比传统的蒙特卡罗法进行性能仿真要高效很多。因此，构造一个优秀的原模图是基于原模图的LDPC码的构造过程中至关重要的一步。

原模图的性能通常由两个指标来评价。一个指标是码字间距线性增长的性质，目前已经有了相对成熟的判断方法。另一个指标是迭代解码阈值，目前通常使用密度演化(density evolution)的方法来计算得到，迭代解码阈值越小，原模图就越好。现有的构造原模图的方法，通常都是通过随机搜索或者贪心优化的方式，不断枚举满足码字间距线性增长条件的原模图，使用密度演化计算其迭代解码阈值，然后找到迭代解码阈值最小的那个作为最终结果。然而，密度演化的计算量较大，并且难以使用硬件进行加速，使其成为了搜索优秀原模图的过程中的主要时间瓶颈。

发明内容

为了克服上述现有技术的缺点，本发明提供了一种高效的原模图构造方法，能够仅通过少量次数的密度演化就得到迭代解码阈值较小的原模图，从而实现很高的构造效率。

本发明解决其技术问题所采用的技术方案是：一种高效的原模图构造方法，包括如下步骤：

步骤一、根据构造要求，随机生成初始的原模图，计算每个原模图的迭代解码阈值；

步骤二、构造神经网络，使用已有的迭代解码阈值数据训练神经网络；

步骤三、对已有结果中最优的若干个解进行随机变化，得到新的待尝试的原模图；

步骤四、使用步骤二中训练得到的神经网络预测新的原模图的迭代解码阈值，根据预测结果依次计算实际的迭代解码阈值，若发现更优解则回到步骤二；

步骤五、将已有数据中的最优解作为构造结果。

与现有技术相比，本发明的积极效果是：

本发明使用神经网络对原模图的迭代解码阈值进行预测，提高了搜索的有效性，减少了迭代解码阈值的计算次数，从而提高了搜索效率。此外，本发明使用的方法具有较大的通用性，可以适用于较大范围内的码长和码率的原模图的构造，并且不依赖手动构造的经验和技巧，同时还能得到性能比公开文献中更好的结果。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1为本发明的流程图；

图2为神经网络结构图；

图3为本发明与其他构造算法收敛效率的对比图；

图4为本发明与已有结果迭代解码阈值的对比图。