【技术实现步骤摘要】
本专利技术涉及卷积编码，具体涉及一种基于神经网络的卷积编码方法。
技术介绍
1、保证数据的可靠交付是数据通信的一项重要指标，可靠交付指的是接收方完整、准确地接收发送方发送的原始数据。在接收方接收到错误数据时，需进行基于检错、纠错码地数据修复，在接收方未能修复或者未能接收到信息时，需进行基于请求重传(arq)的向发送方申请重发数据。
2、在单向传输的场景下，由于不方便进行重传，该应用场景要求单向传播的可靠性。单向传输技术中的前向纠错技术，因其无需重传的条件下保证数据可靠的特性，被广泛应用于通信过程中。现有的前向纠错技术中，存在发送数据量大、编解码计算成本较大的问题。本专利技术以单向传输技术为基础，设计一种数据编解码方法，基于线性分组码的块编码、卷积纠错码的流编码，并且基于分块卷积的块卷积编码，实现数据传播的可靠性的同时，降低编解码计算成本。
技术实现思路
1、本专利技术目的：在于提供一种基于神经网络的卷积编码方法，提出了基于神经网络的卷积编码方案，解决现有卷积编码技术编解码计算成本较大的问题。
2、为实现以上功能，本专利技术设计一种基于神经网络的卷积编码方法，针对源数据，执行如下步骤s1-步骤s5，采用三种编码方案进行源数据的编码，并相应完成解码：
3、步骤s1：以三通道图片为源数据，将源数据分为并行的分块数据；
4、步骤s2：将并行的分块数据进行并/串转换后，输入包含输入层、隐藏层、输出层的三层神经网络进行卷积编码计算，获得卷积后的编
5、步骤s3：将并行的分块数据进行并/串转换后，输入包含输入层、输出层的两层神经网络进行卷积编码计算，获得卷积后的编码块，再进行串/并转换后形成并行的编码块；
6、步骤s4：将并行的分块数据输入卷积神经网络，区别于步骤s2、步骤s3所述的分块数据处理过程，输入卷积神经网络的分块数据不进行并/串转换，卷积神经网络对每个分块数据进行逐个卷积编码，输出卷积后的编码块；
7、步骤s5：分别对神经网络和卷积神经网络所输出的编码块进行解码，获得源数据。
8、有益效果：相对于现有技术，本专利技术设计一种基于神经网络的卷积编码方法，结合多种编码方案，其中基于神经网络的编码方案，使得分块数据中的数据可以与任意数量的数据包进行卷积编码；基于卷积神经网络的编码方案，使得分块数据中的数据可以与任意数量和给数据包之后的任意位数进行混合卷积编码；本专利技术所设计的方法实现数据传播的可靠性的同时，降低了编解码计算成本。
本文档来自技高网...【技术保护点】
1.一种基于神经网络的卷积编码方法，其特征在于，针对源数据，执行如下步骤S1-步骤S5，采用三种编码方案进行源数据的编码，并相应完成解码：
2.根据权利要求1所述的一种基于神经网络的卷积编码方法，其特征在于，步骤S2中分块数据输入所述的三层神经网络的输入层后，分块数据与输入层和隐藏层之间的权重矩阵A相乘，经输入层和隐藏层之间的激活函数后进入隐藏层，处理后的分块数据与隐藏层和输出层之间的权重矩阵B相乘，再经过隐藏层与输出层之间的激活函数后，经由输出层输出形成编码块，编码过程中，有编码矩阵AB＝C，且编码矩阵可逆。
3.根据权利要求2所述的一种基于神经网络的卷积编码方法，其特征在于，所述的输入层和隐藏层之间的权重矩阵A的形式为[E,E]，隐藏层的神经元个数为输入层的神经元个数的两倍；隐藏层和输出层之间的权重矩阵B的形式为上E下W，输出层的神经元个数为隐藏层的神经元个数的1/2，其中E为单位矩阵，W为全1矩阵。
4.根据权利要求1所述的一种基于神经网络的卷积编码方法，其特征在于，步骤S3中分块数据输入所述的两层神经网络的输入层后，分块数据经过输入层和
5.根据权利要求2或4所述的一种基于神经网络的卷积编码方法，其特征在于，所述的激活函数采用RELU函数：
6.根据权利要求1所述的一种基于神经网络的卷积编码方法，其特征在于，步骤S4中所述的卷积神经网络在大小为m*n的分块数据上生成一个滑动的卷积编码矩阵，卷积编码矩阵为a*a的方阵，其中m和n分别为分块数据的长和宽，滑动编码矩阵对于分块数据逐个相乘得到卷积后的编码块。
7.根据权利要求1所述的一种基于神经网络的卷积编码方法，其特征在于，步骤S4中所述的卷积神经网络某一时刻的输出与该时刻输入分块数据的前k个数据包有关，还与后k-1个数据包的前k个数据有关，其中k为编码窗口的宽度。
8.根据权利要求2所述的一种基于神经网络的卷积编码方法，其特征在于，步骤S5中采用解码神经网络对三层神经网络所输出的编码块进行解码；
9.根据权利要求8所述的一种基于神经网络的卷积编码方法，其特征在于，针对编码矩阵AB＝C，通过将C-1拆分为两个与A、B形状相同的权重矩阵，保证编码矩阵AB＝C的可逆性：
10.根据权利要求4所述的一种基于神经网络的卷积编码方法，其特征在于，步骤S5中将两层神经网络i时刻所输出的编码块与A1的逆矩阵相乘，所获得的矩阵中的第一个元素即为解码的源数据。
...【技术特征摘要】
1.一种基于神经网络的卷积编码方法，其特征在于，针对源数据，执行如下步骤s1-步骤s5，采用三种编码方案进行源数据的编码，并相应完成解码：
2.根据权利要求1所述的一种基于神经网络的卷积编码方法，其特征在于，步骤s2中分块数据输入所述的三层神经网络的输入层后，分块数据与输入层和隐藏层之间的权重矩阵a相乘，经输入层和隐藏层之间的激活函数后进入隐藏层，处理后的分块数据与隐藏层和输出层之间的权重矩阵b相乘，再经过隐藏层与输出层之间的激活函数后，经由输出层输出形成编码块，编码过程中，有编码矩阵ab＝c，且编码矩阵可逆。
3.根据权利要求2所述的一种基于神经网络的卷积编码方法，其特征在于，所述的输入层和隐藏层之间的权重矩阵a的形式为[e,e]，隐藏层的神经元个数为输入层的神经元个数的两倍；隐藏层和输出层之间的权重矩阵b的形式为上e下w，输出层的神经元个数为隐藏层的神经元个数的1/2，其中e为单位矩阵，w为全1矩阵。
4.根据权利要求1所述的一种基于神经网络的卷积编码方法，其特征在于，步骤s3中分块数据输入所述的两层神经网络的输入层后，分块数据经过输入层和输出之间的权重矩阵a1、激活函数后，经由输出层输出形成编码块；其中输入层和输出之间的权重矩阵a1的形状为(m*x)，m为输入层神经元个数，x为输出层神经元个...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。