一种基于遗传算法与神经网络的硬判决译码方法
【专利摘要】本发明涉及通信中信号处理领域，特别涉及一种基于遗传算法与神经网络混合智能算法的硬判决译码方法，即遗传神经网络译码(Genetic?Neural-network?Decoding，GND)方法。该方法充分利用遗传算法的自优化能力和神经网络的模式分类功能对接收匹配滤波器的硬判决量化输出进行优化处理，以弥补因信道传输误差和硬判决量化给译码带来的可靠性损失，从而恢复出一个与传输序列更似然的码字作为硬判决译码器的输入以得到一个更好的译码结果。从理论分析和计算机模拟仿真可看出，该GND译码方法纠错性能接近传统软判决译码，又由于译码过程不需要利用信道统计软信息，其复杂度相对传统软判决译码大幅度降低。
【专利说明】一种基于遗传算法与神经网络的硬判决译码方法
【技术领域】
[0001]本发明涉及通信中信号处理领域，特别涉及硬判决译码方法，该方法是基于遗传算法(Genetic Algorithm, GA)与神经网络(Neural Network, NN)实现。
【背景技术】
[0002]目前，纠错码技术已经成为了实现及时可靠通信的不可或缺的手段和方法。然而，纠错码的软判决译码技术却一直存在适用范围小、计算复杂度高等问题，难以在现有的技术条件下、在比较合理的有限时间内得到良好的解决。除此之外，一般的译码算法都是串行处理，仅适合于低、中速的数字通信系统。目前数字通信和信息存储系统正朝着高速度、高带宽、高可靠性方向发展，对纠错码提出了新的要求，译码问题俨然已成为纠错码发展的一大瓶颈。
[0003]Berlekamp等人已证明了一般纠错码的译码问题是一类NP (Non-deterministicPolynomial)复杂问题，可等价为组合优化问题处理。智能算法(IntelligentAlgorithm, IA)作为一种通过模仿自然世界的内在自适应优化机制获取解决复杂组合优化问题的信息处理技术被引入到了纠错码技术中。利用智能算法的自适应优化以及快速并行处理等机理解决纠错码 译码技术所面临的困难具有重要理论意义与实用价值。
[0004]查阅相关文献可知，目前把GA译码算法和神经网络算法各自单独应用在纠错码中进行硬判决译码的研究比较多，但总体来说，其译码综合性能不佳，要么复杂度高，要么纠错性能不佳。这是因为对于复杂优化问题，单一机制的智能算法很难实现全局优化，且效率低。通过混合不同的智能算法来扬长避短，能有效地解决科技和工程领域中的NP难解问题。就遗传算法而言，其全局搜索能力好，但在单独使用时，很难做到收敛速度和收敛性能之间好的折衷，而智能算法中的另一种热门算法一神经网络算法收敛速度却很快，但对参数选择的苛刻。因此，若将二者有机结合应用到译码算法中，将可以扬长弊端，取得较好求解结果。
【发明内容】
[0005]为了降低传统软判决译码的复杂性，同时提高了译码速度，本发明提供一种基于遗传算法与神经网络的硬判决译码方法，以弥补因信道传输误差和硬判决量化给译码带来的可靠性损失，从而恢复出一个与传输序列更似然的码字作为硬判决译码器的输入以得到一个更好的译码结果，提高其纠错性。
[0006]本发明是一种混合智能译码方法，可以称为遗传神经网络译码(GeneticNeural-network Decoding, GND)方法，其方法包括以下步骤:
[0007](I)训练神经网络:
[0008](1.1)接收实数符号序列r (r1； r2, r3,…)经过解调器匹配滤波器量化后得到硬判决序列R ；
[0009](1.2)由解调器匹配滤波器量化后得到的硬判决序列R分别与随机生成dh/2个η维二进制序列T经过模2加之后产生dh/2个候选序列A ；
[0010](1.3)训练神经网络:神经网络作为一个分类器由三层网络构成，即输入层，隐含层和输出层，输入层由个n-k神经元组成，输出层有I个神经元，隐含层包括(2/3)(η-k+t+l)个神经元，其中k为码的信息位个数，t为该码的最大纠错个数；训练过程为:将校正子序列作为输入训练模式，将与其对应的错误模式的重量w作为目标输出，使之输入一个校正子便能得到与之对应的错误图样的重量w (W= l，2，3...，n)，校正子S根据遗传算法个体所代表的码字B和码的校验矩阵H得到，即
[0011]S = B.H' 式⑴；
[0012](2)使用遗传算法优化得到一个与传输序列更似然的码字:
[0013](2.1)种群初始化:生成2t个η位的二进制向量作为初始种群
[0014](2.1.1)种群的第一个个体成员Pl:将匹配滤波器输出的硬判决序列R(r1； r2,..., rn)设置为种群的第一个个体成员Pl:
[0015]
【权利要求】
1.一种基于遗传算法和神经网络混合智能算法的硬判决译码方法，其特征在于，包括以下步骤: (1)训练神经网络: (1.1)接收实数符号序列Hr1, r2, r3,…)经过解调器匹配滤波器量化后得到硬判决序列R ； (1.2)由解调器匹配滤波器量化后得到的硬判决序列R分别与随机生成dh/2个η维二进制序列T经过模2加之后产生dh/2个候选序列A ； (1.3)训练神经网络:神经网络的输入层由个n-k神经元组成，输出层有I个神经元，隐含层包括(2/3) (η-k+t+l)个神经元，其中k为码的信息位个数，t为该码的最大纠错个数；训练过程为:将校正子序列作为输入训练模式，将与其对应的错误模式的重量w作为目标输出，使之输入一个校正子便能得到与之对应的错误图样的重量w (w = 1，2，3...，n)，校正子S根据遗传算法个体所代表的码字B和码的校验矩阵H得到，即S = B.H' 式(I); (2)使用遗传算法优化得到一个与传输序列更似然的码字: (2.1)种群初始化:生成2t个η位的二进制向量作为初始种群(2.1.1)种群的第一个个体成员Pl:将匹配滤波器输出的硬判决序列R(ri，r2,..., rn)设置为种群的第一个个体成员Pl:
2.根据权利要求1所述方法，其特征在于，所述步骤(2.4)配对交叉的方法有单点交叉和多点交叉。
3.根据权利要求1所述方法，其特征在于，所述步骤(2.4)优选单点交叉，交叉概率设为 0.9。
4.根据权利要 求1所述方法，其特征在于，所述步骤(2.5)遗传变异的变异概率设置为0.025。
5.根据权利要求1所述方法，其特征在于，所述步骤(2.6)遗传终止的遗传世代数设置为20。
【文档编号】H03M13/15GK103929210SQ201410171355
【公开日】2014年7月16日 申请日期:2014年4月25日 优先权日:2014年4月25日
【发明者】袁建国, 袁艳涛, 杨松, 叶文伟, 刘飞龙, 盛泉良, 叶传龙, 黄小峰 申请人:重庆邮电大学