论文部分内容阅读
为了探究深度学习应用在LDPC(Low Density Parity Check)译码上,本文使用了基于深度学习的LDPC译码算法进行研究,并分析了其可行性。深度置信网络(Deep Belief Networks简称DBN)是一种比较成熟的深度学习模型,具有很强的数据分类能力。LDPC码为线性分组码,可以将LDPC码的编码到译码的过程看成是数据分类过程,LDPC译码过程便可利用深度置信网络的分类能力进行正确译码。实验证明基于深度学习的LDPC译码算法不仅具有可行性而且能够提高中短码长LDPC在信噪比较小时的性能。同时,将该译码模型应用在BCH(Bose、Ray-Chaudhuri和Hocquenghem的首字母缩写)码和汉明码上,在信噪比较小时,都获得了一定的性能提升。与传统神经网络译码相比,基于深度学习的译码算法具有以下几个优点:1)深度学习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;2)训练速度快,深度学习译码模型通过贪婪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;3)传统神经网络的网络容量小,而深度学习模型的网络容量非常大;4)深度学习译码模型具有更强的纠错能力。本文将LDPC码的译码与深度学习相结合,提出了基于深度学习的LDPC译码算法及实现。本文的研究工作和主要贡献为:(1)分析了基于深度学习的LDPC译码算法的可行性,设计出了基于深度置信网的LDPC译码器,并用C++进行仿真和分析,证明了基于深度学习的LDPC译码算法的可行性,与传统的LDPC译码算法相比,该算法在信噪比较小时具有更好的译码性能。(2)分析了不同的DBN模型参数,如学习率,隐藏层大小等,对于译码性能的影响。(3)分析了基于深度学习的分组码译码的可行性,对BCH码和汉明码进行简要介绍,并用C++进行仿真和分析,实现了基于深度学习的BCH码和汉明码的译码。实验表明,在信噪比较小时基于深度学习的译码性能要优于BCH码的硬判决译码性能和汉明码的硬判决译码性能。