基于遗传算法改进的LDPC码译码器结构

发布时间：2021-12-11 09:36

　　针对LDPC码的BP译码器比最大似然译码器译码准确性低,提出了基于遗传算法改进的LDPC码译码器结构。该译码器结构首先引入卷积神经网络来去除传统BP译码器在译码中的估计误差,然后将遗传算法应用到BP译码中,仿照遗传算法的过程,将所有变量节点作为一个种群,每一个变量节点作为一个个体,对应的变量节点传递给校验节点的概率信息作为基因,通过对优势个体的优秀基因进行加强或者对劣势个体的交叉基因进行削弱,以达到整个种群更加适应环境,从而提高译码性能。仿真实验结果表明,GABP-CNN译码器比标准的BP译码器可以获得更好的纠错性能,尤其是在高信噪比环境下译码性能有较大的提升;但是改进的译码器结构在提高译码性能的情况下,系统运行时间上较传统BP译码器略多。 

【文章来源】：探测与控制学报. 2020,42(03)北大核心CSCD

【文章页数】：7 页

【部分图文】：

校验矩阵的Tanner图表示

这可以看作是信道噪声的估计,并作为CNN的输入数据,CNN的输出为 n ～ , 从y中减去它,即得到码字经过CNN训练后,得到对BP译码有利的数据。CNN是一种多层前馈神经网络,其基本结构包括:输入层、卷积层、池化层、全连接层和输出层。以计算机视觉为例,从图像识别[16-17]、目标检测[18]等高级任务到图像去噪[19]、图像超分辨率[20]等低级任务,深度卷积神经网络在各种应用中都得到了验证,表明CNN具有很强的局部特征提取能力,且其性能明显优于传统方法。因此在模型中,将噪声看作是一个特征,利用CNN在解码中恢复出真实的信道噪声。如图3所示,将CNN每一层的输入改为一维向量。详细的参数设置列于表1。

CNN结构

【参考文献】：
期刊论文
[1]LDPC码译码算法及性能分析[J]. 李秀花,高永安,马雯.  现代电子技术. 2014(01)
[2]改进的LDPC译码算法研究[J]. 陈旭灿,刘冬培.  电子科技大学学报. 2010(02)
[3]两种LDPC译码算法在OFDM系统应用中的改进[J]. 屈兰,谢显中,张德民.  计算机工程与应用. 2007(07)



本文编号：3534440