一种基于深度学习的RS码置信传播译码方法技术

本发明专利技术涉及一种一种基于深度学习的RS码置信传播译码方法,包括下列步骤：使用深度学习方法，根据RS码奇偶校验矩阵所对应的Tanner图搭建非全连接神经网络；将Tanner图中校验节点与变量节点的运算过程转化为神经网络中的神经元的运算过程，初始化奇偶校验矩阵参数为0或1作为可供训练的权重值，在对应的Tanner图中即为变量节点中的，在对应的神经网络中就是变量节点的层中使用深度学习优化的参数值，用于神经网络训练；将从噪声信道接收的比特级对数似然比(LLR)作为可靠度信息输入至神经网络；在LLR值进行求和运算后；将每一次迭代计算后的码字使用SSID算法进行随机长度的符号级位移。

A decoding method of RS code with confidence propagation based on deep learning

【技术实现步骤摘要】
一种基于深度学习的RS码置信传播译码方法所属
本专利技术属于信道编译码中的差错控制编码领域，涉及使用深度学习技术的里德-所罗门码(RS码)置信传播软判决译码算法。
技术介绍
近年来，随着信息社会的发展和通信技术的不断进步，人们对数据传输可靠性的要求日益提高，如何保证数据的可靠传输成为通信系统设计必须关注的问题之一。自1948年香农提出信道编码理论以来，差错控制编码的应用就成为现代通信系统和存储系统的研究热点。当发送的信息在从信源发出，到信宿接收，其在传输过程中都会由于传输信道的不理想而导致信息出现随机错误，差错控制编码就是在数字通信过程中利用编译码技术对信息传输过程中出现的差错进行检验和纠正的技术，而里德-所罗门码(RS码)因其具有纠错能力强，构造简单等特点，已广泛应用于数据存储、数字视频广播、深空探测、无线通信等诸多领域。对于诸如BCH码、RS码等码字来说，其奇偶校验矩阵中1出现的次数较多，0出现的次数较少，相较于LDPC码这种校验矩阵中0多1少的码字的矩阵来说属于“非稀疏矩阵”，因此容易出现节点之间相互有关联，产生“短环效应”，进而在译码的时候会使得错误信息在节点之间相互传播，造成译码错误。而置信传播译码算法适用于奇偶校验矩阵稀疏的码字，且在LDPC码上已经取得极佳的译码表现。因此是否可以将置信传播译码算法与BCH码、RS码等拥有“非稀疏的”奇偶校验矩阵的码相结合以取得较好译码效果就成为了一个可供研究的方向。2004年，JingJiang等人利用RS码的循环特性，将置信传播算法每一次迭代之后的码字进行符号级随机移位，由于移位后的码字与原码字与校验矩阵Tanner图的对应关系不同，因而可以在多次随机位移后抑制由于奇偶校验矩阵“非稀疏”特性产生的“短环效应”，减少错误的发生，这种方法称为随机位移迭代译码算法(StochasticShiftingbasedIterativeDecoding,SSID算法)，这为RS码的置信传播译码算法提供了一种较为有效的实现方法。此算法使用比特级对数似然比(LogLikelihoodRatio,LLR)作为译码器的输入数据，而在输出端对本次迭代的外LLR值进行加和后使用了一个提升码性能的系数，称之为阻尼系数(DampingCoefficient)，但是这个值的设定是使用仿真得到的经验值而设定的，没有准确的数学推导。2016年，EliyaNachmani等人将BCH码与置信传播译码算法相结合，使用深度学习技术构造出了一种非全连接的神经网络，其将奇偶校验矩阵中的0,1作为可供神经网络训练的权重值，进而可以使用深度学习算法训练得到最佳权重(如图1所示)。这一算法相对于直接在BCH码中使用置信传播译码算法，可以在经过较少的迭代次数的同时提升译码准确率，并且在几乎相同译码性能的情况下减少运算复杂度。本专利技术通过利用深度学习技术，将RS码“稠密”的奇偶校验矩阵中的0,1量化为可供深度学习训练优化的参数，再使用置信传播译码算法经多次迭代计算，便可训练出最优参数，从而提升固定迭代次数下的译码性能。
技术实现思路
本专利技术的目的是，提供一种可以提升固定迭代次数下的译码性能的RS码置信传播译码方法，本专利技术在使用置信传播算法进行译码的基础上，使用SSID算法减少其在RS码上由于奇偶校验矩阵稠密，出现“短环效应”使得错误信息在计算节点之间相互传播，进而产生译码错误，通过使用深度学习技术搭建非全连接神经网络对RS码的奇偶校验矩阵对应的Tanner图映射进行模拟，对在运算过程中使用到的0,1值进行参数量化并进行训练，从而得到最佳参数并构成译码架构。技术方案如下：一种基于深度学习的RS码置信传播译码方法,包括下列步骤：(1)使用深度学习方法，根据RS码奇偶校验矩阵所对应的Tanner图搭建非全连接神经网络；将Tanner图中校验节点与变量节点的运算过程转化为神经网络中的神经元的运算过程，初始化奇偶校验矩阵参数为0或1作为可供训练的权重值，在对应的Tanner图中即为变量节点中的，在对应的神经网络中就是变量节点的层中使用深度学习优化的参数值，用于神经网络训练；(2)将从噪声信道接收的比特级对数似然比(LLR)作为可靠度信息输入至神经网络，首先经过置信传播算法的一次迭代计算，即经过神经网络的变量节点层和校验节点层，计算每层的信息比特的输出值；在每个迭代计算后加入一个输出层，输出层将本次迭代计算前收到的LLR的值和迭代过程中校验节点返回的LLR的值与参数相乘并进行加和计算，此时在校验节点输出LLR信息求和后乘上的参数即为SSID算法中的阻尼系数，因此可以将阻尼系数作为未知量使用深度学习技术进行训练，从而得到最佳参数值；在LLR值进行求和运算后，使用sigmoid函数作为激活函数，以便使用深度学习进行训练；(3)将每一次迭代计算后的码字使用SSID算法进行随机长度的符号级位移，位移的符号长度小于码字的整体长度，将位移后的码字再输入至新的神经网络层，包括变量节点和校验节点，进行下次迭代；位移前后的码字都属于RS码中的码字；(4)若达到规定的迭代计算次数则将码字移回译码前的最初位置，并将输出的预测值经过四舍五入后与正确的码字进行对比，在设定的训练周期和学习率的基础下进行神经网络的参数训练，更新变量节点中参数的信息；若未达到规定的迭代次数则进行下一次迭代计算；(5)在达到规定的训练周期，训练过程结束后即可得到最终的校验矩阵值；将测试信息的LLR值输入至神经网络，经过设定的迭代运算后即可查看输出码字，分析译码效果；多次更改训练周期与学习率，用于找到最优的参数。附图说明图1基于深度学习的BCH(15-7)三次迭代计算的神经网络架构图图2基于深度学习的RS码置信传播译码算法流程图图3使用RS7-5码译码的仿真结果具体实施方式本专利技术主要是以置信传播译码算法为基础，通过RS码是循环码的基本特性(位移前后的码字均为RS码中的一个)，通过随机位移减少短环效应产生的错误，同时利用深度学习技术搭建神经网络进行参数训练，从而得到奇偶校验矩阵的最佳参数(同时也得到阻尼系数的最佳值)，从而减少迭代运算量，提升固定迭代次数下的译码性能。技术方案如下：(1)使用深度学习方法，根据RS码奇偶校验矩阵所对应的Tanner图搭建非全连接神经网络。将Tanner图中校验节点与变量节点的运算过程转化为神经网络中的神经元的运算过程，初始化奇偶校验矩阵参数为0或1作为可供训练的权重值，在对应的Tanner图中即为变量节点中的，在对应的神经网络中就是变量节点的层中使用深度学习优化的参数值，用于神经网络训练。(2)将从噪声信道接收的比特级对数似然比(LLR)作为可靠度信息输入至神经网络，首先经过置信传播算法的一次迭代计算，即经过神经网络的变量节点层和校验节点层，计算每层的信息比特的输出值。在每个迭代计算后加入一个输出层，输出层将本次迭代计算前收到的LLR的值和迭代过程中校验节点返回的LLR的值与参数相乘并进行加和计算，此时在校验节点输出LLR信本文档来自技高网...

【技术保护点】
1.一种基于深度学习的RS码置信传播译码方法,包括下列步骤：/n(1)使用深度学习方法，根据RS码奇偶校验矩阵所对应的Tanner图搭建非全连接神经网络；将Tanner图中校验节点与变量节点的运算过程转化为神经网络中的神经元的运算过程，初始化奇偶校验矩阵参数为0或1作为可供训练的权重值，在对应的Tanner图中即为变量节点中的，在对应的神经网络中就是变量节点的层中使用深度学习优化的参数值，用于神经网络训练。/n(2)将从噪声信道接收的比特级对数似然比(LLR)作为可靠度信息输入至神经网络，首先经过置信传播算法的一次迭代计算，即经过神经网络的变量节点层和校验节点层，计算每层的信息比特的输出值；在每个迭代计算后加入一个输出层，输出层将本次迭代计算前收到的LLR的值和迭代过程中校验节点返回的LLR的值与参数相乘并进行加和计算，此时在校验节点输出LLR信息求和后乘上的参数即为SSID算法中的阻尼系数，因此可以将阻尼系数作为未知量使用深度学习技术进行训练，从而得到最佳参数值；在LLR值进行求和运算后，使用sigmoid函数作为激活函数，以便使用深度学习进行训练；/n(3)将每一次迭代计算后的码字使用SSID算法进行随机长度的符号级位移，位移的符号长度小于码字的整体长度，将位移后的码字再输入至新的神经网络层，包括变量节点和校验节点，进行下次迭代；位移前后的码字都属于RS码中的码字；/n(4)若达到规定的迭代计算次数则将码字移回译码前的最初位置，并将输出的预测值经过四舍五入后与正确的码字进行对比，在设定的训练周期和学习率的基础下进行神经网络的参数训练，更新变量节点中参数的信息；若未达到规定的迭代次数则进行下一次迭代计算；/n(5)在达到规定的训练周期，训练过程结束后即可得到最终的校验矩阵值；将测试信息的LLR值输入至神经网络，经过设定的迭代运算后即可查看输出码字，分析译码效果；多次更改训练周期与学习率，用于找到最优的参数。/n...

【技术特征摘要】
1.一种基于深度学习的RS码置信传播译码方法,包括下列步骤：
(1)使用深度学习方法，根据RS码奇偶校验矩阵所对应的Tanner图搭建非全连接神经网络；将Tanner图中校验节点与变量节点的运算过程转化为神经网络中的神经元的运算过程，初始化奇偶校验矩阵参数为0或1作为可供训练的权重值，在对应的Tanner图中即为变量节点中的，在对应的神经网络中就是变量节点的层中使用深度学习优化的参数值，用于神经网络训练。
(2)将从噪声信道接收的比特级对数似然比(LLR)作为可靠度信息输入至神经网络，首先经过置信传播算法的一次迭代计算，即经过神经网络的变量节点层和校验节点层，计算每层的信息比特的输出值；在每个迭代计算后加入一个输出层，输出层将本次迭代计算前收到的LLR的值和迭代过程中校验节点返回的LLR的值与参数相乘并进行加和计算，此时在校验节点输出LLR信息求和后乘上的参数即为SSID算法中的阻尼系数，因此可以将阻尼系...

【专利技术属性】
技术研发人员：张为，邹述铭，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12