脉冲信道下基于深度学习的BP译码方法

TN911.7; 在脉冲信道下,针对置信传播(belief propagation,BP)算法对短码长的低密度奇偶校验(low-densityparity-check,LDPC)码译码性能差的问题,提出了一种基于深度学习的BP译码方法.首先,根据Tanner图构建两种深度神经网络模型,通过对Tanner图中边的权重重新赋值来提升译码性能.然后,简化信道对数似然比(log-likelihood ratio,LLR)的计算方法,通过模型训练优化近似计算参数,得到对参数γ鲁棒的译码模型.最后,构造鲁棒训练集,训练得到对参数α和γ鲁棒的译码模型.仿真结果表明,在高码率时,该方法相对于传统BP译码算法性...

Full description

Saved in:
Bibliographic Details
Published in系统工程与电子技术 Vol. 42; no. 9; pp. 2116 - 2122
Main Authors 潘睿, 袁磊
Format Journal Article
LanguageChinese
Published 兰州大学信息科学与工程学院,甘肃兰州730000 01.09.2020
Subjects
信道译码
低密度奇偶校验码
深度学习
脉冲信道
Online AccessGet full text
ISSN1001-506X
DOI10.3969/j.issn.1001-506X.2020.09.30

Cover

More Information
Summary:TN911.7; 在脉冲信道下,针对置信传播(belief propagation,BP)算法对短码长的低密度奇偶校验(low-densityparity-check,LDPC)码译码性能差的问题,提出了一种基于深度学习的BP译码方法.首先,根据Tanner图构建两种深度神经网络模型,通过对Tanner图中边的权重重新赋值来提升译码性能.然后,简化信道对数似然比(log-likelihood ratio,LLR)的计算方法,通过模型训练优化近似计算参数,得到对参数γ鲁棒的译码模型.最后,构造鲁棒训练集,训练得到对参数α和γ鲁棒的译码模型.仿真结果表明,在高码率时,该方法相对于传统BP译码算法性能显著提升,且在近似计算信道LLR值时,译码性能在不同参数的脉冲信道下均具有鲁棒性.
ISSN:1001-506X
DOI:10.3969/j.issn.1001-506X.2020.09.30