一种模型驱动的LDPC码译码方法  

作　　者：王宝祥 陈斌杰 WANG Baoxiang;CHEN Binjie

机构地区：[1]哈尔滨工程大学,黑龙江哈尔滨150001 [2]北京遥感设备研究所,北京100000

出　　处：《信息技术与信息化》2024年第6期52-55,共4页Information Technology and Informatization

摘　　要：针对对数似然比置信传播(log-likelihood ratio belief propagation,LLR BP)译码算法对短码长的低密度奇偶校验(low density parity check code,LDPC)码译码性能差的问题,提出了一种基于LLR BP译码算法的深度神经网络译码器。根据Tanner图构建深度神经网络模型,利用深度学习优化边的权重来缓解短环造成的影响,提升译码性能。此外,网络采用了迁移学习的训练思想并添加批量归一化(batch normalization,BN)层来加快网络收敛。仿真结果表明,所提出方法构建的深度神经网络收敛速度较快,并且与传统BP译码算法相比,对于短码长LDPC码译码性能有明显提升。

关 键 词：LDPC码 信道译码 深度学习 模型驱动 迁移学习 

分 类 号：TN911.22[电子电信—通信与信息系统] TP18[电子电信—信息与通信工程]