智能QC-LDPC译码方法、译码器及低轨卫星通信系统与流程

本发明涉及通信技术领域，特别是涉及一种智能qc－ldpc译码方法、译码器及低轨卫星通信系统。

背景技术：

在未来空天地海一体化移动通信中，低轨卫星起着越来越重要的作用。与地面通信系统相比，低轨卫星的覆盖广，更适合在沙漠、深林、海洋等无人区进行全球通信；与高轨卫星通信系统相比，低轨卫星具有路径衰耗小、传输时延短、研制周期短、发射成本低等优点。因此在未来的卫星通信系统中，低轨卫星通信系统会占有越来越重要的地位。

虽然低轨卫星通信系统有着诸多优点，但信号的衰弱不可避免地会影响信息传输的可靠性，导致误码率增高，使得通信系统性能降低。以及卫星信道环境容易受外界环境因素影响。针对这一问题，最通用的方法就是增大信噪比。但是，低轨卫星载荷资源紧张，因此常常无法通过卫星设备本身为信号提供较大的信噪比。为了解决这一难题，卫星通信系统通常会引入信道编码技术，为通信链路提供额外的编码增益。

信道编码是对提高通信系统高可靠性有着重要作用。ldpc(lowdensityparitycheckcode)作为一种新兴的信道编码，非常适合用于低轨卫星通信系统中。ldpc码与turbo码、级联码相比，虽然性能差距不大，但是ldpc码复杂度更低，并且易于实现，以及码率高。从信道容量来看，ldpc码是具有逼近shannon极限的性能，而且具有较好的灵活性和较低的差错平台特性，抗干扰能力强。其中，qc－ldpc(quasi－cysliclow－densityparity－checkcodes)即准循环qc－ldpc码的稀疏特性更适合卫星通信。

然而，当qc－ldpc码的校验矩阵结构构造完毕，译码算法的选择又将影响到是否能够使码字本身的纠错潜力得到最大发挥。qc－ldpc软判决译码算法译码性能较好，但是译码迭代过程对计算资源的需求更大。研究人员先后又提出了一系列译码算法，如归一化最小和算法、偏置最小和算法等算法，这些算法在校验节点更新过程只需存储计算的最小值和符号，但是也牺牲了部分译码性能。因此，如何在降低软判决译码算法的复杂度和优良的译码性能之间平衡折中，是qc－ldpc译码研究必须解决的问题。

技术实现要素：

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种智能qc－ldpc译码方法、译码器及低轨卫星通信系统。

为了实现本发明的上述目的，根据本发明的第一个方面，本发明提供了一种智能qc－ldpc译码方法，包括：步骤s1，对经过qc－ldpc编码处理的接收信号进行解调处理获得似然比信息；步骤s2，对所述似然比信息进行串并转化得到n个似然比子信息，将n个似然比子信息并行输入n个级联的lstm记忆神经网络，将n个lstm记忆神经网络的输出数据并行输入全连接网络的n个神经元处理获得译码数据；所述n为似然比信息码长；步骤s3，对所述译码数据进行校验，若校验通过输出所述译码数据，若校验不通过舍弃所述译码数据。

上述技术方案：本方法采用人工智能技术进行qc－ldpc译码，能够实现译码算法的自组织学习，不断提高译码的性能；lstm记忆神经网络具有此时刻输入信息与前面时刻输入信息有关联，从而增强了译码的性能；神经网络是非线性的，它可以找到输入变量之间复杂的相互作用，能够挖掘出信道诸多特性，从而增强qc－ldpc译码性能。

在本发明一种优选实施方式中，n个lstm记忆神经网络中全部或部分为单层lstm记忆神经网络；和/或n个lstm记忆神经网络和全连接网络采用流水线方式处理数据。

上述技术方案：单层lstm记忆神经网络能够简化神经网络结构，减少计算复杂度和运算量，在保证译码性能同时尽可能简化译码复杂度；采用流水线处理方式，大量的相似或独立运算都可以同时进行，提高译码处理的实时性。

在本发明一种优选实施方式中，n个lstm记忆神经网络和全连接网络采用流水线方式处理数据的过程包括：步骤s21，设k表示处理周期索引，k为正整数，令k＝1时，第一个lstm记忆神经网络对输入的似然比子信息进行数据处理，令k＝k+1，进入步骤s22；步骤s22，若k大于等于n，将n个lstm记忆神经网络的输出数据并行输入全连接网络，进入步骤s24；若k小于n，进入步骤s23；步骤s23，第k个lstm记忆神经网络结合输入的似然比子信息和第k－1个lstm记忆神经网络的输出信息进行数据处理获得处理结果，返回步骤s22；步骤s24，在第k+1个处理周期，n个lstm记忆神经网络的处理结果并行输入全连接网络，全连接网络输出译码数据。

上述技术方案：实现经过n+1个处理周期完成数据译码，n个lstm记忆神经网络采用流水线式工作，后一层处理会结合上一层处理结果，增强译码性能，全连接网路在同一处理周期并行处理n个lstm记忆神经网络输出数据，能够提高译码实时性，使得本发明的译码方法方便在fpga等并行执行器件上实施，具备极强的工程实施性。

在本发明一种优选实施方式中，设n同时表示lstm记忆神经网络序号和神经元序号，n为正整数，n∈[1,n]，第n个lstm记忆神经网络处理数据的过程包括：步骤一，利用sigmoid激活函数获取第n个lstm记忆神经网络遗忘上一层隐藏状态的概率fn，所述fn＝σ(wf·[hn-1,xn]+bf)，其中，sigmoid激活函数0<σ(x)<1，α表示为激活函数常数，wf表示第一线性关系系数，bf表示第一线性关系偏置，hn-1表示第n个lstm记忆神经网络的上一单层lstm记忆神经网络输入信号的隐藏状态，xn表示输入第n个lstm记忆神经网络的似然比子信息；利用sigmoid激活函数获取第n个lstm记忆神经网络的第一更新信息in，所述in＝σ(wn·[hn-1,xn]+bn)，其中，wn表示第二线性关系系数，bn表示第二线性关系偏置；利用tanh激活函数获得第n个lstm记忆神经网络的第二更新信息所述其中，tanh激活函数wc表示第三线性关系系数，bc表示第三线性关系偏置；步骤二，基于fn、第一更新信息in和第二更新信息获得第n个lstm记忆神经网络的细胞状态cn，所述其中，所述cn-1表示第n个lstm记忆神经网络的上一层lstm记忆神经网络的细胞状态；步骤三，利用sigmoid激活函数获得第n个lstm记忆神经网络的第一部分输出信息on，所述on＝σ(wo·[hn-1,xn]+bo)，其中，wo表示第四线性关系系数，bo表示第四线性关系偏置；利用tanh激活函数获得获得第n个lstm记忆神经网络的第二部分输出信息hn，所述hn＝on*tanh(cn)。

上述技术方案：具体实现了n个lstm记忆神经网络流水线式工作，并且后一层处理会结合上一层处理结果，增强译码性能。

在本发明一种优选实施方式中，全连接网络包括神经元层和输出层，所述输出层利用sigmoid激活函数得到输出值为：其中，zn表示第n个神经元的输出数据，wn表示第n个神经元的权重，θ表示神经单元的内部阈值。

上述技术方案：通过sigmoid激活函数使得神经元的输出为0或1，形成译码数据信号。

在本发明一种优选实施方式中，在所述步骤s3中，当所述译码数据校验通过时，当所述译码数据校验通过时，还包括将所述译码数据反馈至n个lstm记忆神经网络和n个神经元进行训练自学习的步骤。

上述技术方案：反馈译码数据到智能网络层进行训练实现自学习，从而提升译码性能。

在本发明一种优选实施方式中，反馈所述译码数据至n个lstm记忆神经网络和n个神经元进行训练自学习的过程包括：n个神经元训练自学习过程具体包括：步骤a，反向计算获取全连接网络的输出误差项δ，所述其中，e(w)表示全连接网络的误差函数，表示与y对应的发送信息，net表示神经元加权项，步骤b，更新全连接网络中每个神经元权重，对于第n个神经元的权重wn更新为：wn←wn-1-ηδzn，其中，η表示学习率，wn-1表示第n个神经元的上一层神经元的权重或者上一处理周期时第n个神经元的权重；n个lstm记忆神经网络训练自学习过程具体包括：步骤c，计算每个lstm记忆神经网络的误差项反向传递结果，第n个lstm记忆神经网络误差项反向传递函数为：其中，j表示被第n个lstm记忆神经网络的反向传递误差项的lstm记忆神经网络序号，j为正整数，j∈[1，n-1]，δo,j表示第j个lstm记忆神经网络信息保留到第j+1个lstm记忆神经网络的误差项，δj表示第j个lstm记忆神经网络的反向传递误差项，符号代表矩阵对应位置相乘，oj表示第j个lstm记忆神经网络的第一部分输出信息，cj表示第j个lstm记忆神经网络的细胞状态，woh表示第一权重梯度；δf,j表示第j个lstm记忆神经网络对当前输出的影响误差项；cj-1表示第j-1个lstm记忆神经网络的细胞状态，fj表示第j个lstm记忆神经网络遗忘上一层隐藏状态的概率，wfh表示第二权重梯度；δi,j表示输入第j个lstm记忆神经网络信息的误差项；ij表示第j个lstm记忆神经网络的第一更新信息，表示第j个lstm记忆神经网络的第二更新信息，wih表示第三权重梯度；

表示第j个lstm记忆神经网络当前记忆误差项；wch表示第四权重梯度；步骤d，基于lstm记忆神经网络误差项反向传递函数采用梯度下降法更新第一权重梯度woh、第二权重梯度wfh、第三权重梯度wih和第四权重梯度wch：δo,n表示第n－1个lstm记忆神经网络信息保留到第n个lstm单元的误差项，δn表示第n个lstm记忆神经网络的反向传递误差项，on表示第n个lstm记忆神经网络的第一部分输出信息，cn表示第n个lstm记忆神经网络的细胞状态，hn-1表示第n-1个lstm记忆神经网络的第二部分输出信息；δf,n表示第n个lstm记忆神经网络对当前输出的影响误差项，cn-1表示第n-1个lstm记忆神经网络的细胞状态，fn表示第n个lstm记忆神经网络遗忘上一层隐藏状态的概率；δi,n表示输入第n个lstm记忆神经网络信息的误差项，in表示第n个lstm记忆神经网络的第一更新信息，表示第n个lstm记忆神经网络的第二更新信息；表示第n个lstm记忆神经网络当前记忆误差项。

上述技术方案：具体公开了n个lstm记忆神经网络层和n个神经元通过译码数据进行训练自学习提升译码性能的实施方式。

在本发明一种优选实施方式中，在所述步骤s1中在对接收信号进行解调处理前，还包括信号采集步骤，所述信号采集步骤包括对接收端接收的模拟信号进行adc采样处理得到采样信号；和/或还包括信号感知步骤，所述信号感知步骤为对采样信号进行能量－滤波检测处理识别出有用信号，所述能量－滤波检测处理包括：设定能量门限σ'，所述其中，所述h表示adc器件的位数；对每个时刻的采样信号进行如下检测处理：步骤s11，通过如下公式获取t时刻采样信号的幅度r(t)：其中，r(t)表示t时刻的采样信号，max(*)表示取最大值，min(*)表示取最小值，|*|表示取绝对值，imag(*)表示取信号的虚部，real(*)表示取信号的实部；步骤s12，对r(t)进行环路滤波得到t时刻的采样信号环路滤波后的幅度r'(t)：所述r'(t)＝ξ·r(t)+ζ·r(t-1)，其中，ξ表示第一环路滤波系数，ζ表示第二环路滤波系数，r(t-1)表示t－1时刻的采样信号幅度；步骤s13，若|r'(t)|≥σ，认为t时刻采样信号为有用信号，若|r'(t)|＜σ，认为t时刻采样信号为无用信号；和/或还包括滤波步骤，所述滤波步骤包括：按照如下公式对有用信号进行滤波处理得到：其中，hl表示滤波器系数，l表示滤波器阶数，s′(t)表示t时刻的有用信号经滤波器滤波后输出的信号，s(t-l)表示t-l时刻的有用信号；和/或还包括归一化步骤，所述归一化步骤为按照如下公式对滤波器输出的信号进行归一化处理获得归一化信号：其中，v表示归一化处理后的信号组成的向量，s′表示滤波器输出信号组成的向量，abs(*)表示取绝对值，max(abs(s′))表示取向量s′所有元素绝对值中的最大值；和/或所述解调处理是利用pi/4－bpsk软解调算法对归一化信号进行解调获得似然比信息。

上述技术方案：信号采集步骤实现了模拟接收信号数字化处理。信号感知步骤同步实现有用信号识别和杂波滤除。滤波步骤能够进一步滤除杂波信号。归一化步骤便于后续译码处理。

为了实现本发明的上述目的，根据本发明的第二个方面，本发明提供了一种译码器，包括似然比信息获取模块、智能网络层和校验层；所述似然比信息获取模块对经过qc－ldpc编码处理的接收信号进行解调处理获得似然比信息；所述智能网络层包括串并转换单元、lstm记忆神经网络层和全连接层；所述串并转换单元将输入的似然比信息串并转化为n个似然比子信息；所述lstm记忆神经网络层包括n个级联的lstm记忆神经网络，n个似然比子信息并行输入n个lstm记忆神经网络；所述全连接层包括n个神经元，n个lstm记忆神经网络的输出数据并行输入全连接网络的n个神经元处理获得译码数据；nn为似然比信息码长；所述校验层对所述译码数据进行校验，若校验通过输出所述译码数据，同时反馈译码数据至智能网络层进行训练自学习，若校验不通过舍弃所述译码数据。

上述技术方案：该译码器采用人工智能技术进行qc－ldpc译码，能够实现译码算法的自组织学习，不断提高译码的性能；反馈译码数据到智能网络层进行训练实现自学习，有利于进一步提升译码性能。lstm记忆神经网络具有此时刻输入信息与前面时刻输入信息有关联，从而增强了译码的性能；神经网络是非线性的，它可以找到输入变量之间复杂的相互作用，能够挖掘出信道诸多特性，从而增强qc－ldpc译码性能。

为了实现本发明的上述目的，根据本发明的第三个方面，本发明提供了一种低轨卫星通信系统，包括发射端和接收端，所述发射端对待发射数据进行qc－ldpc编码处理和调制处理，所述接收端按照本发明所述的智能qc－ldpc译码方法对接收数据进行处理获得译码数据。

上述技术方案：该卫星通信系统在发射端采用qc－ldpc编码，抗干扰能力强，在接收端采用人工智能技术进行qc－ldpc译码，能够实现译码算法的自组织学习，反馈译码数据到智能网络层进行训练实现自学习，不断提高译码的性能，能够挖掘出信道诸多特性，从而增强qc－ldpc译码性能。

附图说明

图1是本发明一具体实施方式中智能ldpc译码方法的流程示意图；

图2是本发明一具体实施方式中译码器结构示意图；

图3是本发明一具体实施方式中lstm记忆神经网络的译码过程示意图；

图4是本发明一具体实施方式中智能网络层网络结构示意图；

图5是本发明一具体实施方式中本申请的译码方法与现有译码方法性能比较示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本发明公开了一种智能qc－ldpc译码方法，在一种优选实施方式中，如图1所示，该译码方法包括：

步骤s1，对经过qc－ldpc编码处理的接收信号进行解调处理获得似然比信息；

步骤s2，对似然比信息进行串并转化得到n个似然比子信息，将n个似然比子信息并行输入n个级联的lstm记忆神经网络，将n个lstm记忆神经网络的输出数据并行输入全连接网络的n个神经元处理获得译码数据；n为似然比信息码长；

步骤s3，对译码数据进行校验，若校验通过输出译码数据，若校验不通过舍弃译码数据。

在本实施方式中，优选的，n个lstm记忆神经网络中全部或部分为单层lstm记忆神经网络，进一步优选的，n个lstm记忆神经网络均为单层lstm记忆神经网络，以便减小计算复杂度。

在本实施方式中，n个lstm记忆神经网络相互级联，具体的，第一个lstm记忆神经网络与第二个lstm记忆神经网络联接，第二个lstm记忆神经网络与第三个lstm记忆神经网络联接，……，第n－1个lstm记忆神经网络与第n个lstm记忆神经网络联接。全连接层包括神经元层和输出层，神经元层包括n个神经元，第一个lstm记忆神经网络与第一个神经元连接，第二个lstm记忆神经网络与第二个神经元连接，……，第n个lstm记忆神经网络与第n个神经元连接，n个神经元与输出层连接。

在本实施方式中，在步骤s3中，校验译码数据的校验方法优选但不限于为crc校验方法，校验结果可用flag标识，通过判断flag值来判断是否验证通过，若flag为0，则校验通过，认为译码正确，输出译码数据，优选的，同时反馈数据到智能网络层进行训练实现自学习；若flag为1，则校验不通过，认为译码错误，丢弃数据。

在本实施方式中，记忆神经网络为长短期记忆网络(lstm，longshort－termmemory)是一种时间循环神经网络。

在一种优选实施方式中，在步骤s1中在对接收信号进行解调处理前，如图2所示，还包括信号采集步骤，信号采集步骤包括对接收端接收的模拟信号进行adc采样处理得到采样信号。优选的，选用高速adc器件进行采样。

在一种优选实施方式中，如图2所示，还包括信号感知步骤，信号感知步骤为对采样信号进行能量－滤波检测处理识别出有用信号，能量－滤波检测处理包括：设定能量门限σ'，其中，h表示adc器件的位数；对每个时刻的采样信号进行如下检测处理：

步骤s11，通过如下公式获取t时刻采样信号的幅度r(t)：

其中，r(t)表示t时刻的采样信号，优选的，t时刻大于采样周期，一个时刻对应了多个采样数据。max(*)表示取最大值，min(*)表示取最小值，|*|表示取绝对值，imag(*)表示取信号的虚部，real(*)表示取信号的实部；

步骤s12，对r(t)进行环路滤波得到t时刻的采样信号环路滤波后的幅度r'(t)：

r'(t)＝ξ·r(t)+ζ·r(t-1)，其中，ξ表示第一环路滤波系数，优选取值区间为大于0小于1，优选为0.9，ζ表示第二环路滤波系数，ζ的取值区间为大于0小于0.5，优选为0.1；r(t-1)表示t－1时刻的采样信号幅度；

步骤s13，若|r'(t)|≥σ，认为t时刻采样信号为有用信号，若|r'(t)|＜σ，认为t时刻采样信号为无用信号，继续检测下一时刻的信号能量。

在一种优选实施方式中，如图2所示，还包括滤波步骤，滤波步骤包括：按照如下公式对有用信号进行滤波处理得到：其中，hl表示滤波器系数，l表示滤波器阶数，s′(t)表示t时刻的有用信号经滤波器滤波后输出的信号，s(t-l)表示t-l时刻的有用信号。

在一种优选实施方式中，如图2所示，还包括归一化步骤，归一化步骤为按照如下公式对滤波器输出的信号进行归一化处理获得归一化信号：其中，v表示归一化处理后的信号组成的向量；s′表示滤波器输出信号组成的向量；abs(*)表示取绝对值；max(abs(s′))表示取向量s′所有元素绝对值中的最大值，即先对向量s′中的每个元素取绝对值，再选择数值最大的绝对值。

在一种优选实施方式中，对接收信号进行的解调处理优选但不限于为软解调，优选的，对归一化处理后的信号采用pi/4－bpsk软解调算法解调，再通过公式x＝real(v')，得到似然比信息x，v'表示归一化处理后的信号。pi/4－bpsk软解调算法为在传统bpsk解调算法上旋转pi/4。

在一种优选实施方式中，n个lstm记忆神经网络和全连接网络采用流水线方式处理数据。

在本实施方式中，优选的，n个lstm记忆神经网络和全连接网络采用流水线方式处理数据的过程包括：

步骤s21，设k表示处理周期索引，k为正整数，令k＝1时，第一个lstm记忆神经网络对输入的似然比子信息进行数据处理，令k＝k+1，进入步骤s22；

步骤s22，若k大于等于n，将n个lstm记忆神经网络的输出数据并行输入全连接网络，进入步骤s24；若k小于n，进入步骤s23；

步骤s23，第k个lstm记忆神经网络结合输入的似然比子信息和第k－1个lstm记忆神经网络的输出信息进行数据处理获得处理结果，返回步骤s22；

步骤s24，在第k+1个处理周期，n个lstm记忆神经网络的处理结果并行输入全连接网络，全连接网络输出译码数据。

在本实施方式中，优选的，如图3所示，设n同时表示lstm记忆神经网络序号和神经元序号，n为正整数，n∈[1,n]，当n等于1时，令hn-1＝0，cn-1＝0。

第n个lstm记忆神经网络处理数据的过程包括：

步骤一，利用sigmoid激活函数获取第n个lstm记忆神经网络遗忘上一层隐藏状态的概率fn，fn＝σ(wf·[hn-1,xn]+bf)，其中，sigmoid激活函数0<σ(x)<1，α表示激活函数常数，α优选但不限于为1wf表示第一线性关系系数，bf表示第一线性关系偏置，hn-1表示第n个lstm记忆神经网络的上一单层lstm记忆神经网络输入信号的隐藏状态，xn表示输入第n个lstm记忆神经网络的似然比子信息；

利用sigmoid激活函数获取第n个lstm记忆神经网络的第一更新信息in，in＝σ(wn·[hn-1,xn]+bn)，其中，wn表示第二线性关系系数，bn表示第二线性关系偏置；

利用tanh激活函数获得第n个lstm记忆神经网络的第二更新信息其中，tanh激活函数wc表示第三线性关系系数，bc表示第三线性关系偏置；

步骤二，基于fn、第一更新信息in和第二更新信息获得第n个lstm记忆神经网络的细胞状态cn，其中，cn-1表示第n个lstm记忆神经网络的上一层lstm记忆神经网络的细胞状态；

步骤三，利用sigmoid激活函数获得第n个lstm记忆神经网络的第一部分输出信息on，on＝σ(wo·[hn-1,xn]+bo)，其中，wo表示第四线性关系系数，bo表示第四线性关系偏置；

利用tanh激活函数获得获得第n个lstm记忆神经网络的第二部分输出信息hn，hn＝on*tanh(cn)。

在本实施方式中，lstm记忆神经网络处理数据的过程为“丢弃－更新－记忆－输出”的过程。

在一种优选实施方式中，全连接网络包括神经元层和输出层，输出层利用sigmoid激活函数得到输出值为：

其中，zn表示第n个神经元的输出数据，0＜zn＜1，wn表示第n个神经元的权重，θ表示神经单元的内部阈值，θ为常数。

在一种优选实施方式中，在步骤s3中，当译码数据校验通过时，还包括将译码数据反馈至n个lstm记忆神经网络和n个神经元进行训练自学习的步骤。

在本实施方式中，优选的，反馈译码数据至n个lstm记忆神经网络和n个神经元进行训练自学习的过程包括：

n个神经元训练自学习过程具体包括：

步骤a，反向计算获取全连接网络的输出误差项δ，其中，e(w)表示全连接网络的误差函数，表示与y对应的发送信息，net表示神经元加权项，

步骤b，更新全连接网络中每个神经元权重，对于第n个神经元的权重wn更新为：

wn←wn-1-ηδzn，其中，η表示学习率，η优选但不限于0.01，wn-1表示第hn＝on*tanh(cn)上一层神经元的权重或者上一处理周期时第n个神经元的权重；

n个lstm记忆神经网络训练自学习过程具体包括：

步骤c，计算每个lstm记忆神经网络的误差项反向传递结果，第n个lstm记忆神经网络误差项反向传递函数为：

其中，j表示被第n个lstm记忆神经网络的反向传递误差项的lstm记忆神经网络序号，j为正整数，j∈[1，n-1]，δo,j表示第j个lstm记忆神经网络信息保留到第j+1个lstm记忆神经网络的误差项，δj表示第j个lstm记忆神经网络的反向传递误差项，符号代表矩阵对应位置相乘，oj表示第j个lstm记忆神经网络的第一部分输出信息，cj表示第j个lstm记忆神经网络的细胞状态，woh表示第一权重梯度；

δf,j表示第j个lstm记忆神经网络对当前输出的影响误差项；cj-1表示第j-1个lstm记忆神经网络的细胞状态，fj表示第j个lstm记忆神经网络遗忘上一层隐藏状态的概率，wfh表示第二权重梯度；

δi,j表示输入第j个lstm记忆神经网络信息的误差项；ij表示第j个lstm记忆神经网络的第一更新信息，表示第j个lstm记忆神经网络的第二更新信息，wih表示第三权重梯度；

表示第j个lstm记忆神经网络当前记忆误差项；wch表示第四权重梯度；

步骤d，基于lstm记忆神经网络误差项反向传递函数采用梯度下降法更新第一权重梯度woh、第二权重梯度wfh、第三权重梯度wih和第四权重梯度wch：

δo,n表示第n－1个lstm记忆神经网络信息保留到第n个lstm单元的误差项，δn表示第n个lstm记忆神经网络的反向传递误差项，on表示第n个lstm记忆神经网络的第一部分输出信息，cn表示第n个lstm记忆神经网络的细胞状态，hn-1表示第n-1个lstm记忆神经网络的第二部分输出信息；

δf,n表示第n个lstm记忆神经网络对当前输出的影响误差项，cn-1表示第n-1个lstm记忆神经网络的细胞状态，fn表示第n个lstm记忆神经网络遗忘上一层隐藏状态的概率；

δi,n表示输入第n个lstm记忆神经网络信息的误差项，in表示第n个lstm记忆神经网络的第一更新信息，表示第n个lstm记忆神经网络的第二更新信息；

表示第n个lstm记忆神经网络当前记忆误差项。

将本发明提供的智能qc－ldpc译码算法与现有的bp译码算法、对数域bp译码算法和最小和译码算法进行译码性能比对测试，从图5中可以看出，当误码率为10^-4时，本发明提供的智能qc－ldpc译码算法的ebn0相较于bp译码算法、对数域bp译码算法和最小和译码算法分别提升了2db、0.5db和0.2db，可知本发明提供的智能qc－ldpc译码算法能够更好的实现对qc－ldpc译码，如果数据足够多，本发明提供的智能qc－ldpc译码算法性能将更明显。本发明还公开了一种译码器，在一种优选实施方式中，如图2所示，包括似然比信息获取模块、智能网络层和校验层；似然比信息获取模块对经过qc－ldpc编码处理的接收信号进行解调处理获得似然比信息；智能网络层包括串并转换单元、lstm记忆神经网络层和全连接层；lstm记忆神经网络层和全连接层的结构如图4所示。串并转换单元将输入的似然比信息串并转化为n个似然比子信息；lstm记忆神经网络层包括n个级联的lstm记忆神经网络，n个似然比子信息并行输入n个lstm记忆神经网络；全连接层包括n个神经元，n个lstm记忆神经网络的输出数据并行输入全连接网络的n个神经元处理获得译码数据；n为似然比信息码长；校验层对译码数据进行校验，若校验通过输出译码数据，同时反馈译码数据至智能网络层进行训练自学习，若校验不通过舍弃译码数据。

在本实施方式中，优选的，似然比信息获取模块包括执行上述信号采集步骤的信号采集单元，执行上述信号感知步骤的信号感知单元，还包括进行信号预处理的滤波器、归一化处理单元和软解调单元。滤波器执行上述滤波步骤，归一化处理单元执行上述归一化处理步骤。

在本实施方式中，优选的，校验层包括crc校验单元和校验结果判断单元。

本发明还公开了一种低轨卫星通信系统，在一种优选实施方式中，系统包括发射端和接收端，发射端对待发射数据进行qc－ldpc编码处理和调制处理，接收端按照上述智能qc－ldpc译码方法对接收数据进行处理获得译码数据。

在本实施方式中，发射端优选但不限于为卫星载荷或地面站。接收端优选但不限于为卫星载荷或地面站。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。