基于深度学习的卷积码译码研究

发布时间：2022-08-09 20:53

　　纠错码在通信领域的信息传递中被广泛使用,作为一种重要的纠错码,卷积码的译码方法的研究具有重要价值。卷积码的结构在于,与分组码相比,卷积码码组内的校验元的形成除了有本组的信息元的参与,还有之前码组的信息元的参与,这个结构使得卷积码相邻码组之间有了一定的相关性。近年来,深度学习在纠错码的译码研究上已经有了不错的进展,神经网络强大的特征提取能力和模型泛化能力可以将码字的译码过程转变为对码字类型的分类,因此适合用来进行纠错码的译码。本文将深度学习、集成学习方法和卷积码的译码问题相结合,主要工作有以下几个方面:（1）提出了基于深度学习的卷积码译码模型,多层感知器对划分后的码字段进行多分类处理,译码成对应的信息序列,被译码的码字段通过状态连接,前一个码字段为后一个码字段提供起始状态,多层感知器的译码方法具有串行译码、状态位连接译码等特点,在性能上译码性能相较于维特比译码算法较弱。（2）提出了基于深度学习和集成学习的卷积码译码模型,根据卷积码的结构特点,用多层感知器对同一个码元进行多次不同维度的译码并投票集成。由于译码的结果充分利用了卷积码码组间的耦合性,新的算法模型性能上相比上一个算法有一定的提升... 

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文的主要工作以及组织结构
第二章 卷积码概述
    2.1 卷积码简介
    2.2 卷积码的描述方式
        2.2.1 卷积码的矩阵描述法
        2.2.2 卷积码的码树树图描述法
        2.2.3 卷积码的状态图描述法
    2.3 卷积码的译码
        2.3.1 Viterbi译码算法
        2.3.2 序列译码算法
    2.4 本章小结
第三章 深度神经网络与集成学习理论概述
    3.1 人工神经网络简介
        3.1.1 神经网络的发展
        3.1.2 前馈神经网络
        3.1.3 Softmax与交叉熵
        3.1.4 神经网络和卷积码的关系
    3.2 神经网络的训练
        3.2.1 反向传播算法
    3.3 神经网络的优化
    3.4 集成学习简介
    3.5 BOOSTING
    3.6 BAGGING和随机森林
    3.7 集成学习中的组合策略
        3.7.1 平均集成
        3.7.2 投票集成
        3.7.3 Stacking
    3.8 本章小结
第四章 基于深度学习和集成学习的卷积码译码
    4.1 基于多层感知器网络的卷积码译码算法
        4.1.1 构建数据集
        4.1.2 神经网络的译码模型搭建
    4.2 参数设置对译码算法性能的影响
        4.2.1 隐藏层对译码性能的影响
        4.2.2 激活函数对译码性能的影响
    4.3 基于深度学习和集成学习的卷积码译码算法
        4.3.1 构建数据集
        4.3.2 集成的译码模型搭建
    4.4 参数设置对集成译码算法性能的实验与分析
        4.4.1 窗口长度对译码性能的影响
        4.4.2 优化算法对译码性能的影响
        4.4.3 隐藏层层数对译码性能的影响
        4.4.4 激活函数对译码性能的影响
        4.4.5 码字序列长度对译码性能的影响
    4.5 本章小结
总结
参考文献
攻读硕士学位期间取得的研究成果
致谢
附件


【参考文献】：
期刊论文
[1]基于深度学习的实用HDPC码译码方法研究[J]. 郭军军,白硕栋,王乐.  计算机系统应用. 2019(04)
[2]一种改进的基于深度前馈神经网络的极化码BP译码算法[J]. 刘斌,李立欣,李静.  移动通信. 2019(04)
[3]卷积码编码原理的解释[J]. 丁志中,蒋建国,夏娜.  电气电子教学学报. 2007(04)
[4]移动通信中的语音编码和信道编码[J]. 古苑钦.  广东通信技术. 2007(08)
[5]神经网络与编码理论——国内外成果综述与未解决的问题[J]. 杨义先.  北京邮电学院学报. 1992(02)

硕士论文
[1]基于神经网络的极化码译码[D]. 杨硕.华中科技大学 2018
[2]基于FPGA的级联编码研究及实现[D]. 孟凯.西安电子科技大学 2014



本文编号：3673265