矩阵变换特征与码序列联合学习的卷积码识别方法

TN911.7; 现有基于深度学习的卷积码识别方法仍存在参数规模较大、识别性能较弱等不足.针对该问题,提出了一种基于矩阵变换特征与码序列联合学习的卷积码识别方法.将接收到的码字序列排列成矩阵形式,利用软信息剔除可靠性较低的码字,通过一种新的矩阵变换算法得到特征矩阵.在识别时,将原始码字矩阵和特征矩阵输入到具有多模态数据联合学习能力的网络模型,在神经网络中完成特征的提取融合与卷积码的识别.仿真结果表明,所提方法性能明显优于现有基于深度学习的识别方法,特别是对于高码率卷积码;当码率较低时,同样优于传统识别方法.当信噪比达到5dB时,25 种不同参数卷积码的识别率均可达到100%....

Full description

Saved in:
Bibliographic Details
Published in国防科技大学学报 Vol. 45; no. 5; pp. 38 - 47
Main Authors 王垚, 满欣, 尤红雨, 明亮, 刘伟松, 黄知涛
Format Journal Article
LanguageChinese
Published 国防科技大学 电子对抗学院,安徽 合肥 230037 01.10.2023
国防科技大学 电子科学学院,湖南 长沙 410073%海军工程大学 电子工程学院,湖北 武汉 430033%中国人民解放军92001部队,山东 青岛 266005%国防科技大学 电子科学学院,湖南 长沙 410073
Subjects
信道编码
convolutional codes recognition
联合学习
卷积码识别
matrix transformation
joint learning
矩阵变换
channel codes
Online AccessGet full text
ISSN1001-2486
DOI10.11887/j.cn.202305005

Cover

More Information
Summary:TN911.7; 现有基于深度学习的卷积码识别方法仍存在参数规模较大、识别性能较弱等不足.针对该问题,提出了一种基于矩阵变换特征与码序列联合学习的卷积码识别方法.将接收到的码字序列排列成矩阵形式,利用软信息剔除可靠性较低的码字,通过一种新的矩阵变换算法得到特征矩阵.在识别时,将原始码字矩阵和特征矩阵输入到具有多模态数据联合学习能力的网络模型,在神经网络中完成特征的提取融合与卷积码的识别.仿真结果表明,所提方法性能明显优于现有基于深度学习的识别方法,特别是对于高码率卷积码;当码率较低时,同样优于传统识别方法.当信噪比达到5dB时,25 种不同参数卷积码的识别率均可达到100%.
ISSN:1001-2486
DOI:10.11887/j.cn.202305005