基于机器学习的Turbo码闭集识别技术

发布时间：2021-10-16 04:07

　　信道编码技术在通信领域是非常重要的,而Turbo码是一种得到广泛应用的重要编码方式,机器学习手段在当今自然语言处理、图像领域得到了很大发展并成为了其核心技术,而基于机器学习方法的Turbo码闭集识别却无人研究,为了码字识别计算智能化的发展,研究基于机器学习手段的Turbo码识别是非常重要的。Turbo码的生成可以看作是由编码器和交织器组成。本文对编码的各个部分进行了研究,分别是基于机器学习的m序列预测、卷积码闭集识别和Turbo码闭集识别。其中m序列部分有望应用于交织器部分,卷积码部分的研究则可以广泛适应于Turbo码的编码器部分,最后部分是Turbo码闭集识别的单帧和多帧实验。本文主要研究成果主要分为三部分:1、首次研究了机器学习对伪随机序列的识别问题,在理论上证明了神经网络对m序列完备的学习能力,讨论了网络基本设置并实验了25、50、75、100阶下网络对不同系数稀疏程度的m序列表现能力,使用截取的2000、5000、10000长度的信息序列可以分别学习出25、50、75阶下m序列的稀疏系数,并给出了参考使用的网络结构,通过对含错序列的实验,探究了神经网络能够对m序列容错的原因,由... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：80 页

【学位级别】：硕士

【部分图文】：

卷积型神经网络结构

第三章基于机器学习的m序列预测19梯度下降法的训练，并提供了网络的稀疏表达能力，大多数情况下ReLu函数可以较好的替代Sigmoid，实际中可能存在更好的函数，作为研究的初期，ReLu函数没有引入额外的参数设置，是非常好的首位选择，实际中为了提高性能，可以对其他的各种激活函数依次尝试对比替换Relu使用。图3-4不同激活函数下训练对比图图3-5不同激活函数下测试对比图3.3.2BN正则BN（BatchNormalization）层的放置可以极大地改善训练过程，加速运算[31]。BN算法的强大之处在下面几个方面：1、调节数据范围，极快的增大学习速度。2、引入数据扰动，保障训练的有效进行。由于样本量有限，BN层可以对数据添加扰动，保障训练速度和有效进行，甚至不加BN层有时带来训练无法进行。

第三章基于机器学习的m序列预测19梯度下降法的训练，并提供了网络的稀疏表达能力，大多数情况下ReLu函数可以较好的替代Sigmoid，实际中可能存在更好的函数，作为研究的初期，ReLu函数没有引入额外的参数设置，是非常好的首位选择，实际中为了提高性能，可以对其他的各种激活函数依次尝试对比替换Relu使用。图3-4不同激活函数下训练对比图图3-5不同激活函数下测试对比图3.3.2BN正则BN（BatchNormalization）层的放置可以极大地改善训练过程，加速运算[31]。BN算法的强大之处在下面几个方面：1、调节数据范围，极快的增大学习速度。2、引入数据扰动，保障训练的有效进行。由于样本量有限，BN层可以对数据添加扰动，保障训练速度和有效进行，甚至不加BN层有时带来训练无法进行。

【参考文献】：
期刊论文
[1]基于校验方程系数特性的（n,1,m）卷积码盲识别方法[J]. 韩树楠,张旻,李歆昊.  吉林大学学报(工学版). 2019(02)
[2]高误码率下Turbo码交织器的恢复方法[J]. 任亚博,张健,刘以农.  电子与信息学报. 2015(08)
[3]基于模拟退火算法的（2,1,m）卷积码盲识别[J]. 刘杰,张立民,钟兆根.  无线电通信技术. 2014(06)
[4]归零Turbo码识别算法[J]. 李啸天,张润生,李艳斌.  西安电子科技大学学报. 2013(04)
[5]一种利用软判决的信道编码识别新算法[J]. 于沛东,李静,彭华.  电子学报. 2013(02)
[6]基于遗传算法的（2,1,m）卷积码盲识别[J]. 刘建成,杨晓静.  电子信息对抗技术. 2012(05)
[7]基于Walsh-Hadamard变换的卷积码盲识别[J]. 刘健,王晓君,周希元.  电子与信息学报. 2010(04)
[8]系统卷积码盲识别[J]. 薛国庆,李易,柳卫平.  信息安全与通信保密. 2009(02)
[9]关键方程的新推广[J]. 邹艳,陆佩忠.  计算机学报. 2006(05)



本文编号：3439115