基于卷积神经网络的抗音调干扰LDPC码的译码方法与流程

本发明涉及ldpc码的译码方法。本发明属于通信技术领域。

背景技术：

随着对高效可靠的数字传输和存储系统需求的日益增长，在信息传输过程中，译码工作量成为制约通信速度的瓶颈，如何提高译码速度成为研究重点。ldpc码为5g通信编码标准，是运用最广的线性分组码，它具有逼近香农限的纠错性能、低复杂度的译码算法和易于硬件实现的特点成为编码界的研究热点，并在通信等领域得到广泛的应用。基于一般线性分组码的神经网络译码模型在受到音调干扰的时候，译码性能准确率低。

技术实现要素：

本发明的目的是为了解决现有神经网络译码模型在受到音调干扰的时候，译码性能准确率低的问题，而提出基于卷积神经网络的抗音调干扰ldpc码的译码方法。

基于卷积神经网络的抗音调干扰ldpc码的译码方法具体过程为：

步骤1、建立用于ldpc码译码的卷积神经网络；

卷积神经网络设置为11层拓扑结构，卷积神经网络的网络结构包括1层输入层、3层卷积层、3层池化层、2层全连接、1层分类层、1层输出层；

步骤2、确定卷积神经网络的初始参数，即确定卷积神经网络输入层、卷积层、池化层、全连接、分类层、输出层、学习率、连接权重和偏置的初始参数；

对于(16，8)的ldpc码，输入层大小为16，输出层大小为8，学习率为0.08，偏置为0；连接权重取均值为0，方差为0.01的高斯分布；

卷积层卷积核大小均为3*1，*代表乘号，卷积核个数均为30；

步骤3、基于通信信号获得卷积神经网络的训练样本和测试样本；

步骤4、将训练样本输入到步骤2确定完初始参数的卷积神经网络中进行训练，得到训练好的卷积神经网络；

步骤5、将测试样本输入训练好的卷积神经网络进行测试，达到测试精度，得到最终训练好的卷积神经网络，如果没有达到测试精度，重复执行步骤4，直至满足测试精度，得到最终训练好的卷积神经网络；

步骤6、利用最终训练好的卷积神经网络对受到音调干扰的ldpc码进行译码。

本发明的有益效果为：

本发明将卷积神经网络和ldpc码的译码进行相结合对受到音调干扰的信号进行译码，卷积神经网络译码模型具有通用性，对于不同的码只需要调整网络的大小和深度；训练速度快，卷积神经网络译码模型通过无监督预训练能够使得模型参数快速接近全局最优，避免局部最优。卷积神经网络译码模型具有更强的纠错能力。降低ldpc译码的复杂度。在信噪比较小时，提高ldpc的译码性能，并且在受到音调干扰后抗干扰性能也比较好，在受到音调干扰的时候，提高了译码性能准确率，转确率达到92％以上。

附图说明

图1为本发明基于卷积神经网络模型的ldpc码的译码结构图；

图2为本发明卷积神经网络模型图，cnn为卷积神经网络，softmax分类器为最大分类器；

图3为本发明样本数据的生成流程图；

图4为单音干扰的时域波形示意图；

图5为单音干扰的频域波形示意图；

图6为多音干扰的时域波形示意图；

图7为多音干扰的频域波形示意图。

具体实施方式

具体实施方式一：本实施方式的基于卷积神经网络的抗音调干扰ldpc码的译码方法具体过程为：

步骤1、建立用于ldpc码译码的卷积神经网络，如图1所示，图2是所用卷积神经网络的结构；

卷积神经网络设置为11层拓扑结构，卷积神经网络的网络结构包括1层输入层、3层卷积层、3层池化层、2层全连接、1层分类层、1层输出层；

步骤2、确定卷积神经网络的初始参数，即确定卷积神经网络输入层、卷积层、池化层、全连接、分类层、输出层、学习率、连接权重和偏置等的初始参数，

对于(16，8)的ldpc码，输入层大小为16，输出层大小为8，学习率为0.08，偏置为0；连接权重取均值为0，方差为0.01的高斯分布；

卷积层卷积核大小均为3*1，*代表乘号，卷积核个数均为30；

步骤3、基于通信信号获得卷积神经网络的训练样本和测试样本；如图3所示；

步骤4、将10万个训练样本输入到步骤2确定完初始参数的卷积神经网络中进行训练，得到训练好的卷积神经网络；

步骤5、将10万个测试样本输入训练好的卷积神经网络进行测试，达到测试精度，得到最终训练好的卷积神经网络，如果没有达到测试精度，重复执行步骤4，直至满足测试精度，得到最终训练好的卷积神经网络；

步骤6、利用最终训练好的卷积神经网络对受到音调干扰的ldpc码进行译码。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤3中基于通信信号获得卷积神经网络的训练样本和测试样本；如图3所示，具体过程为：

由matlab建模生成20万个不同信噪比的随机序列，经过ldpc编码，bpsk调制，进入高斯白噪声信道接受音调干扰，受音调干扰的通信信号经过bpsk解调，生成10万个训练样本和10万个测试样本。

其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤4中将10万个训练样本输入到卷积神经网络中进行训练，得到训练好的卷积神经网络；具体过程为：

将10万个训练样本输入到卷积神经网络中进行训练，设置迭代次数和训练精度，迭代次数为300次，训练精度为90％，训练精度达到90％时或迭代次数达到300次，停止训练，得到训练好的卷积神经网络。

其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述受音调干扰的通信信号生成过程为：

受音调干扰的通信信号建模为n个(复)正弦信号之和的形式，数学表达式如下(1)至(3)所示：

式中，ζ(n)为受音调干扰的通信信号，j为复数，pi为第i个受音调干扰的通信信号正弦波的功率，f为归一化频率，n为正整数，θi为[0,2π]上均匀分布的随机变量，m为受音调干扰的通信信号正弦波总数，取值为正整数，i＝1,2,...,m；n＝1,2,3,...,100；

根据受音调干扰的通信信号ζ(n)计算受音调干扰的通信信号的自相关函数：

式中，δζ(m)为受音调干扰的通信信号的自相关函数，m为正整数；e{·}为能量函数，n为受音调干扰的通信信号正弦波总数，取值为正整数，k＝1,2,...,n；pk为第k个受音调干扰的通信信号正弦波的功率，θk为[0,2π]上均匀分布的随机变量，fk为第k个正弦波的归一化频率，fk(n-m)为第k个正弦波平移m个正弦波后的归一化频率；*为卷积；

根据受音调干扰的通信信号的自相关函数，得到受音调干扰的通信信号的功率谱为：

式中，s(w)为受音调干扰的通信信号的功率谱，δ(·)为受音调干扰的通信信号的自相关函数，w为受音调干扰的通信信号的角度，fi为第i个正弦波的归一化频率。

音调干扰信号的功率谱为线谱，图4与图5分别给出了单音干扰的时域频域波形图，单音干扰信号参数为：采样频率5ghz，信号频率2ghz。

图6与图7分别给出了多音干扰信号的时域频域波形图，多音干扰是三个单音干扰的线性叠加，其参数为：采样频率6ghz，三个信号频率分别为2ghz、2.3ghz和2.5ghz。

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤5中测试精度为90％。

其它步骤及参数与具体实施方式一至四之一相同。

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。