一种用于MCU的LDPC码纠错方法及纠错模块与流程

本发明涉及电子通信技术领域，更具体地说，涉及一种用于mcu的ldpc码纠错方法及纠错模块。

背景技术：

微控制单元(microcontrollerunit；mcu)，又称单片微型计算机(singlechipmicrocomputer)或者单片机，是把中央处理器(centralprocessunit；cpu)的频率与规格做适当缩减，并将内存(memory)、计数器(timer)、usb、a/d转换等周边接口，甚至lcd驱动电路都整合在单一芯片上，形成芯片级的计算机。为了提高通信的可靠性，mcu内部配备了误码校正(ecc)模块，传统的ecc模块使用的是汉明码和bch码来纠正错误。随着mcu的不断发展，人们正在将mcu用于各种各样的新型和更加复杂的计算任务；但是汉明码和bch码的纠错能力有限，无法满足更加复杂的计算任务和更加庞大的数据通讯量。

低密度奇偶检验码(lowdensityparitycheckcode；ldpc)是一类性能逼近香农限的好码，由于它具有纠错能力强、译码复杂度低等诸多优点，是取代汉明码和bch码的理想方案，但是ldpc码在mcu技术领域上的应用仍然空白。

技术实现要素：

为克服现有技术中的缺点与不足，本发明的一个目的在于提供一种用于mcu的ldpc码纠错方法；该方法具有更强的纠错能力，使mcu具有更高的可靠性，降低了译码的迭代次数和复杂度。本发明的另一个目的在于提供一种实现上述ldpc码纠错方法、纠错能力强、可靠性高、可降低译码迭代次数和复杂度的ldpc码纠错模块。

为了达到上述目的，本发明通过下述技术方案予以实现：一种用于mcu的ldpc码纠错方法，其特征在于：包括如下步骤：

s1步，根据设定ldpc码长和码率构造ldpc的校验矩阵h，由校验矩阵h转换得到生成矩阵g，并将校验矩阵h和生成矩阵g进行储存；

s2步，输入长度为k的信息序列x；基于生成矩阵g，将信息序列x进行编码得到码字y；将码字y编制成码字信息并向外传输；

s3步，接收码字信息，得到带噪码字y′；使用深度学习译码法将带噪码字y′直接译码成码字x。

优选地，所述s1步中，校验矩阵h的构造方法是：设定ldpc码长为n，校验位长度为m，码率为r＝k/n；利用maykay构造法，构造出校验矩阵h。

优选地，所述s1步中，由校验矩阵h转换得到生成矩阵g，是指：将校验矩阵h的右半部分h2求逆，再乘校验矩阵h的左半部分h1，得到生成矩阵g的右半部分g2；生成矩阵g的左半部分g1设定为大小为k×k的单位矩阵i：

其中，生成矩阵g的大小为k×n。

优选地，所述s2步中，基于生成矩阵g，将信息序列x与生成矩阵g相乘得到长度为n的码字y：

y＝x×g。

优选地，所述s3步中，使用深度学习译码法将带噪码字y′直接译码成码字x，是指：包括以下分步骤：

s31步，构建深度学习模型：采用dnn模型，设定模型输入层维度、隐藏层层数以及各层网络的神经元个数、输出层神经元个数，在隐藏层的输出部分添加激活函数，设定模型的损失函数；

s32步，训练模型：构建数据集，数据集为多组的带噪码字y′，标签为原始码字的信息序列x；将数据集按设定比例分为训练集和验证集；将训练集输入到dnn模型，通过反向传播算法来更新模型的参数使损失函数收敛，当验证集的准确率和损失函数趋于稳定时停止训练，保存模型；

s33步，将保存的模型作为纠错模型，带噪码字y′通过纠错模型后译码为码字x。

一种实现上述用于mcu的ldpc码纠错方法的ldpc码纠错模块，其特征在于：包括：

ldpc矩阵储存模块，用于根据设定ldpc码长和码率构造ldpc的校验矩阵h，由校验矩阵h转换得到生成矩阵g，并将校验矩阵h和生成矩阵g进行储存；

ldpc编码模块，用于基于生成矩阵g，将长度为k的信息序列x进行编码得到码字y；

以及ldpc译码模块，用于接收带噪码字y′，使用深度学习译码法将带噪码字y′直接译码成码字x。

优选地，所述ldpc矩阵储存模块中，设定ldpc码长为n，校验位长度为m，码率为r＝k/n；利用maykay构造法，构造出校验矩阵h。

优选地，所述ldpc矩阵储存模块中，由校验矩阵h转换得到生成矩阵g，是指：将校验矩阵h的右半部分h2求逆，再乘校验矩阵h的左半部分h1，得到生成矩阵g的右半部分g2；生成矩阵g的左半部分g1设定为大小为k×k的单位矩阵i：

其中，生成矩阵g的大小为k×n。

优选地，所述ldpc编码模块中，基于生成矩阵g，将信息序列x与生成矩阵g相乘得到长度为n的码字y：

y＝x×g。

与现有技术相比，本发明具有如下优点与有益效果：

1、相比于传统方式采用汉明码和bch码，本发明使用ldpc码作为差错控制码，在相同码长和码率的条件下具有更强的纠错能力，使mcu具有更高的可靠性；

2、本发明使用深度神经网络译码，相比传统的bp迭代译码进一步提升了ldpc的性能，并且降低了译码的迭代次数和复杂度。

附图说明

图1是本发明用于mcu的ldpc码纠错方法的流程图；

图2是本发明用于mcu的ldpc码纠错模块的结构图；

图3是实施例中ldpc码的深度神经网络结构图；

图4是实施例中ldpc码与传统bch码的性能比较图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细的描述。

实施例一

本实施例一种用于mcu的ldpc码纠错方法，其流程如图1所示，包括如下步骤：

s1步，根据设定ldpc码长和码率构造ldpc的校验矩阵h，由校验矩阵h转换得到生成矩阵g，并将校验矩阵h和生成矩阵g进行储存。

具体地说，设定ldpc码长为n，待输入信息序列x的长度为k，校验位长度为m，码率为r＝k/n；利用maykay构造法，构造出校验矩阵h。

由校验矩阵h转换得到生成矩阵g，是指：将校验矩阵h的右半部分h2求逆，再乘校验矩阵h的左半部分h1，得到生成矩阵g的右半部分g2；生成矩阵g的左半部分g1设定为大小为k×k的单位矩阵i：

其中，生成矩阵g的大小为k×n。

s2步，输入长度为k的信息序列x；基于生成矩阵g，将信息序列x进行编码得到码字y；将码字y编制成码字信息并向外传输。

具体地说，基于生成矩阵g，将信息序列x与生成矩阵g相乘得到长度为n的码字y：

y＝x×g。

s3步，接收码字信息，得到带噪码字y′；使用深度学习译码法将带噪码字y′直接译码成码字x。

具体地说，使用深度学习译码法将带噪码字y′直接译码成码字x，是指：包括以下分步骤：

s31步，构建深度学习模型：采用dnn模型，设定模型输入层维度、隐藏层层数以及各层网络的神经元个数、输出层神经元个数，在隐藏层的输出部分添加激活函数，设定模型的损失函数；

s32步，训练模型：构建数据集，数据集为多组的带噪码字y′，标签为原始码字的信息序列x；将数据集按设定比例分为训练集和验证集；将训练集输入到dnn模型，通过反向传播算法来更新模型的参数使损失函数收敛，当验证集的准确率和损失函数趋于稳定时停止训练，保存模型；

s33步，将保存的模型作为纠错模型，带噪码字y′通过纠错模型后译码为码字x。

相比于传统方式采用汉明码和bch码，本发明使用ldpc码作为差错控制码，在相同码长和码率的条件下具有更强的纠错能力，使mcu具有更高的可靠性；本发明使用深度神经网络译码，相比传统的bp迭代译码进一步提升了ldpc的性能，并且降低了译码的迭代次数和复杂度。

为实现上述ldpc码纠错方法，本实施例提供一种ldpc码纠错模块，其结构如图2所示，包括：

ldpc矩阵储存模块，用于根据设定ldpc码长和码率构造ldpc的校验矩阵h，由校验矩阵h转换得到生成矩阵g，并将校验矩阵h和生成矩阵g进行储存；

ldpc编码模块，用于基于生成矩阵g，将长度为k的信息序列x进行编码得到码字y；

以及ldpc译码模块，用于接收带噪码字y′，使用深度学习译码法将带噪码字y′直接译码成码字x。

具体地说，所述ldpc矩阵储存模块中，设定ldpc码长为n，校验位长度为m，码率为r＝k/n；利用maykay构造法，构造出校验矩阵h。

所述ldpc矩阵储存模块中，由校验矩阵h转换得到生成矩阵g，是指：将校验矩阵h的右半部分h2求逆，再乘校验矩阵h的左半部分h1，得到生成矩阵g的右半部分g2；生成矩阵g的左半部分g1设定为大小为k×k的单位矩阵i：

其中，生成矩阵g的大小为k×n。

所述ldpc编码模块中，基于生成矩阵g，将信息序列x与生成矩阵g相乘得到长度为n的码字y：

y＝x×g。

实施例二

本实施例以码率为7/15的ldpc码为例进行来说明。一种用于mcu的ldpc码纠错方法，包括如下步骤：

s1步，设定ldpc码长n为15bit，待输入信息序列x的长度k为7bit，校验位长度m为8bit，码率r＝7/15；根据码长和码率使用maykay构造法构造ldpc的校验矩阵h，维度为8×15。

将校验矩阵h转换为对应的生成矩阵g，生成矩阵g维度7×15。

s2步，通过编码前长度为7的信息序列x与ldpc码生成矩阵g相乘得到编码后长度为15的码字y；将码字y编制成码字信息并向外传输。

s3步，接收码字信息，得到带噪码字y′；使用深度学习译码法将码字y′直接译码成码字x。是指包括以下步骤：

s31步，构建深度学习模型：采用dnn模型，设定模型输入层维度为15，隐藏层层数为3以及各层网络的神经元个数分为别2048、1024、1024，输出层神经元个数为128，模型结构如图3所示。在隐藏层的输出部分添加激活函数为relu函数，设定模型的损失函数为交叉熵；

s32步，训练模型：构建数据集，数据集为多组的带噪码字y′，标签为原始码字的信息序列x；将数据集按7:3的比例分为训练集和验证集；将训练集输入到dnn模型，通过反向传播算法来更新模型的参数使损失函数收敛，当验证集的准确率和损失函数趋于稳定时停止训练，保存模型；

s33步，将保存的模型作为纠错模型，带噪码字y′通过纠错模型后译码为码字x，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。