脉冲信道下基于深度学习的BP译码方法

发布时间：2021-09-12 18:01

　　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-density parity-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a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。 

【文章来源】：系统工程与电子技术. 2020,42(09)北大核心EICSCD

【文章页数】：7 页

【参考文献】：
期刊论文
[1]准循环LDPC好码设计[J]. 肖扬,徐丹.  系统工程与电子技术. 2009(05)
[2]Alpha稳定分布的参数表征及仿真[J]. 李旭涛,朱光喜,王首勇,曹汉强.  信号处理. 2007(06)



本文编号：3394685