[发明专利]一种基于深度学习的LDPC硬判决译码方法及译码器

摘要

本发明公开了一种基于深度学习的LDPC硬判决译码方法，包括如下步骤：1、将一组(X,Y)作为一组带标签数据；2、建立LDPC译码样本集；3、深度学习译码模型的建立；4、深度学习译码模型的预训练；5、深度学习译码模型译码并输出。本发明还公开了一种实现基于深度学习的LDPC硬判决译码方法的译码器，包括：输入单元、深度学习译码模型、输出单元和控制器。本发明在传统最大似然译码算法的基础上引入深度学习的硬判决译码方法，具有降低了译码计算量和复杂度以及提高了译码效率等优点。

主权项

1.一种基于深度学习的LDPC硬判决译码方法，其特征在于，包括如下步骤：/n(1)将一组(X,Y)作为一组带标签数据，对于LDPC(n，k)码，其中，n为码字长度，k为信息位长度，Y表示一组进入信道前的发送信息序列Y，Y的长度为k，X表示Y与LDPC生成矩阵G相乘后的码字序列，即X为Y经过编码后的码字序列X＝YG，X的长度为n；/n(2)建立LDPC译码样本集：根据步骤(1)中列出的所有可能出现的信息序列Y及Y对应的经过编码后的信息比特序列X，获得多组带标签数据(X,Y)，组成译码样本集；/n(3)深度学习译码模型的建立：通过深度学习中的深度置信网络DBN模型建立正向传播模型，通过神经网络中反向传播算法BP算法建立反向传播模型，对于(n，k)LDPC，其中，n为码字长度，k为信息位长度，该DBN模型的输入层大小为n，输出层大小为k，隐藏层需要根据具体码字来确定；/n(4)深度学习译码模型的预训练：利用深度学习的自学习能力，由计算机提供所有的上述步骤(2)中的译码样本集中的带标签数据进行自学习，对构建好的深度置信网络模型进行预训练，对同一组(X,Y)，将X作为输入，Y作为目标输出，当模型输出与X的误差较低到0.0001时停止训练，使得深度置信网络获得良好的权值参数，Y为信息序列，X为Y经过编码后的码字序列；/n(5)深度学习译码模型译码并输出：利用上述步骤(4)中预训练好的深度置信网络模型，将进入信道后的码字序列经过硬判决作为深度置信网络模型的输入，输出为译码软信息序列，再将输出的软信息序列进行硬判决得到译码序列。/n