在脈沖信道下,針對置信傳播（belief propagation,BP）算法對短碼長的低密度奇偶校驗（low-density parity-check,LDPC）碼譯碼性能差的問題,提出了一種基于深度學(xué)習(xí)的BP譯碼方法。首先,根據(jù)Tanner圖構(gòu)建兩種深度神經(jīng)網(wǎng)絡(luò)模型,通過對Tanner圖中邊的權(quán)重重新賦值來提升譯碼性能。然后,簡化信道對數(shù)似然比（log-likelihood ratio,LLR）的計算方法,通過模型訓(xùn)練優(yōu)化近似計算參數(shù),得到對參數(shù)γ魯棒的譯碼模型。最后,構(gòu)造魯棒訓(xùn)練集,訓(xùn)練得到對參數(shù)a和γ魯棒的譯碼模型。仿真結(jié)果表明,在高碼率時,該方法相對于傳統(tǒng)BP譯碼算法性能顯著提升,且在近似計算信道LLR值時,譯碼性能在不同參數(shù)的脈沖信道下均具有魯棒性。 

【文章來源】：系統(tǒng)工程與電子技術(shù). 2020,42(09)北大核心EICSCD

【文章頁數(shù)】：7 頁

【參考文獻】：
期刊論文
[1]準(zhǔn)循環(huán)LDPC好碼設(shè)計[J]. 肖揚,徐丹.  系統(tǒng)工程與電子技術(shù). 2009(05)
[2]Alpha穩(wěn)定分布的參數(shù)表征及仿真[J]. 李旭濤,朱光喜,王首勇,曹漢強.  信號處理. 2007(06)



本文編號：3394685