阅读说明：本技术 一种基于深度学习的参数自适应rs码译码方法 (Deep learning-based parameter adaptive RS code decoding method ) 是由 梁煜 安翔宇 张为 于 2019-09-12 设计创作，主要内容包括：本发明涉及一种基于深度学习的参数自适应RS码译码方法,包括下列步骤：对信息序列X进行RS码编码,得编码后的信息序列u；对信息序列u进行BPSK调制,得到传输序列s；传输序列通过高斯白噪声信道后得到接收序列y；再利用接收序列y构造可靠度矩阵,并计算得到可靠度序列R；将可靠度序列R分为训练集与测试集；进行神经网络的训练；针对R的训练集与对应的接收序列y,使用不同η值的LCC译码算法分别进行测试,找到与训练集接收序列y一一对应的η最优解；以SNR和可靠度序列R为输入,以测试得到的最小η值为分类标签,两者共同形成神经网络训练的数据集。(The invention relates to a parameter self-adaptive RS code decoding method based on deep learning, which comprises the following steps: carrying out RS code coding on the information sequence X to obtain a coded information sequence u; carrying out BPSK modulation on the information sequence u to obtain a transmission sequence s; the transmission sequence passes through a Gaussian white noise channel to obtain a receiving sequence y; constructing a reliability matrix by using the receiving sequence y, and calculating to obtain a reliability sequence R; dividing the reliability sequence R into a training set and a testing set; training a neural network; respectively testing the training set of R and the corresponding receiving sequence y by using LCC decoding algorithms with different eta values to find eta optimal solutions corresponding to the training set receiving sequence y one by one; and taking the SNR and the reliability sequence R as input, taking the minimum eta value obtained by testing as a classification label, and forming a data set for neural network training by the SNR and the reliability sequence R together.)

一种基于深度学习的参数自适应RS码译码方法

技术领域

本发明属于信道编码中差错控制编码领域，涉及一种基于深度学习的参数自适应译码算法。

背景技术

差错控制是在数字通信中利用编译码技术对信道噪声引起的传输错误加以控制及纠正，以保证通信有效性和可靠性的基本方法。差错控制编码在数字通信领域应用十分广泛，具有重要的研究意义。Reed-Solomon(RS)码是差错控制编码的一种，于1960年首先由Reed和Solomon构造出来，其结构简单，译码延迟较短，结构特性丰富，可纠正随机错误和突发错误。尤其在纠正突发错误的应用中，RS码比其它差错控制编码性能更加优异。目前，RS码已广泛应用无线通信、光纤通信、磁盘及固态存储等领域，一直是产业界和学术界研究的热点。

根据解调器输出符号的形式，RS码的译码算法可分为两类：硬判决译码算法和软判决译码算法。其中，硬判决译码算法相对简单，且易于硬件实现，但该算法未充分利用信道软信息，译码性能有所损失。软判决译码以复杂度为代价换取译码增益的提高，主要包括KV、BGMD和LCC算法。其中，LCC算法在复杂度和计算周期上均优于前两者。同时，该算法的译码性能、复杂度与其重数分配过程的参数η密切相关。

近年来，深度学习因其强大的解决复杂任务的能力引起了全世界的关注。深度学习方法也被应用到了语音识别、计算机视觉、机器翻译等领域，为这些了领域带来了巨大革新与突破。深度学习与编码领域结合的方案取得了一些研究成果，在polar码、BCH码、LDPC码等领域展开深入研究。目前的大多研究将译码看作分类问题，使用神经网络结构(如DNN、CNN、RNN)实现完整的译码过程。此类方案存在的明显不足是，神经网络对未经学习的码字(未包含在训练集的码字)预测能力非常差，码字长度的增加带来的码字可能情况指数性***增长会很大程度上影响译码器性能。除此之外，部分研究提出使用深度学习辅助传统译码算法，进行相关噪声的消除、关键参数的预测等，以提升传统算法性能。

发明内容

本发明的目的是提供一种可以降低复杂度并提高效率的基于深度学习的参数自适应译码方法。技术方案如下：

一种基于深度学习的参数自适应RS码译码方法，包括下列步骤：

(1)对信息序列X进行RS码编码，得编码后的信息序列u。对信息序列u进行BPSK调制，得到传输序列s。传输序列通过高斯白噪声信道后得到接收序列y。再利用接收序列y构造可靠度矩阵，并计算得到可靠度序列R。将可靠度序列R分为训练集与测试集。

(2)进行神经网络的训练。针对R的训练集与对应的接收序列y，使用不同η值的LCC译码算法分别进行测试，找到与训练集接收序列y一一对应的η最优解。以SNR和可靠度序列R为输入，以测试得到的最小η值为分类标签，两者共同形成神经网络训练的数据集。神经网络结构使用MLP结构，通过反向传播算法不断优化网络的权值w和偏置b，在足够的数据集及训练代数条件下，得到分类准确率高的神经网络，完成训练过程。

(3)以SNR和R的测试集输入，通过训练后的神经网络计算得η最优解。接下来，使用参数自适应后的η值进行LCC译码，得到译码后序列X′，最终完成译码。

附图说明

图1基于深度学习的参数自适应译码算法的系统框图

图2神经网络的训练过程

具体实施方式

本发明提出的基于深度学习的参数自适应译码算法，是一种使用深度学习辅助传统RS码LCC译码的算法。据分析，LCC算法中关键参数η与信道环境、可靠度信息密切相关，而η值的大小决定着LCC算法的译码性能及复杂度。求解η最优解的问题，可以看做简单的分类问题，神经网络具有的强大模式分类能力，可以简单高效地选择η最优解。通过深度学习方法实现LCC算法中关键参数η随信道环境、接收序列可靠度信息自适应变化，可以在不影响译码性能的前提下，提高译码效率。

基于深度学习的参数自适应译码算法，具体包括两个阶段，训练阶段和译码阶段。

(1)训练阶段实现构建和训练神经网络的过程。基于监督学习，本发明构建多层感知机(MLP)神经网络结构，节点数及层数由码长决定。在训练的数据集方面，以信噪比与似然比连接作为输入，以对应的传统译码算法测试得到η最优解为分类标签。经训练及调试，得分类准确率优良的神经网络。

(2)译码阶段将具体码字的信噪比与似然比输入训练好的神经网络，得到η最优解。后根据最优解进行传统LCC译码。

下面结合附图，对本发明的技术方案作进一步具体的说明。

如图1所示，基于深度学习的参数自适应译码算法，具体包括以下步骤：

(4)对信息序列X进行RS码编码，得编码后的信息序列u。为使编码后信息转化为适合在信道中传输的模式，对信息序列u进行BPSK调制，得到传输序列s。传输序列通过高斯白噪声信道(AWGN)后得到接收序列y(y＝s+n，n为AWGN信道噪声)。再利用接收序列y构造可靠度矩阵，并计算得到可靠度序列R。将可靠度序列R分为训练集与测试集，两者比例9:1。

(5)如图2，进行神经网络的训练。针对R的训练集与对应的接收序列y，使用不同η值的LCC译码算法分别进行测试，找到与训练集接收序列y一一对应的η最优解(正确译码情况下的最小值)。以SNR和可靠度序列R为输入，以测试得到的最小η值为分类标签，两者共同形成神经网络训练的数据集。神经网络结构使用多层感知器(MLP)结构，通过反向传播算法不断优化网络的权值w和偏置b，在足够的数据集及训练代数条件下，得到分类准确率高的神经网络，完成训练过程。

(6)以SNR和R的测试集输入，通过训练后的神经网络计算得η最优解。接下来，使用参数自适应后的η值进行LCC译码，得到译码后序列X′，最终完成译码。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。