一种抗功放非线性的LDPC深度神经网络译码方法及系统

本申请属于卫星通信、无线电通信、信道编译码领域，具体涉及一种抗功放非线性的ldpc深度神经网络译码方法及系统。

背景技术：

1、信道编译码可以消除符号判决带来的误码，可降低误码率，提升通信链路的可靠性。当前ldpc码以其接近香农限的性能和内在的高速并行特性，被广泛应用在卫星通信（如dvb-s2/s2x）、地面移动通信（5g-nr）、航天器测控通信（ccsds）系统中，成为当前最具代表性的信道编译码。

2、在卫星通信、航天器测控通信系统中，星地通信链路一般采用高阶调制来提升带宽受限场景下的数据传输速率，提升频谱效率。高阶调制的波形需要更高的能量来维持可靠的符号判决，需要提高信号发射功率以获得所需的信噪比，同时由于高阶调制波形的峰均比较大，对功放的非线性十分敏感，极易产生幅度失真、相位失真，导致接收端的符号判决产生大量错误，这些由功放非线性失真带来的误码并非随机错误，不符合加性高斯白噪声特性，而现有ldpc码是基于加性高斯白噪声信道的假设下进行设计的，针对这类误码的适应性不足，难以有效降低功放非线性失真额外带来的误码，因此高阶调制通常需要更大的回退以保证功放工作在线性区，导致高阶调制的功率转换效率极低，启用高阶调制的条件极为苛刻，这也是现有的卫星通信系统、星地遥测数传系统中很少采用高阶调制的原因。

技术实现思路

1、本申请的目的在于克服现有ldpc译码难以克服高阶调制在星载twta非线性信道下带来的额外误码的缺陷。

2、为了实现上述目的，本申请提出了一种抗功放非线性的ldpc深度神经网络译码方法，包括：

3、将接收信号进行软解调得到初始软信息，输入训练好的深度神经网络，输出译码后的信号；

4、所述深度神经网络的构建过程包括：

5、读取 ldpc 码的校验矩阵，按行优先统计矩阵中所有非零元素的位置；将每一个非零元素定义为一个外信息处理单元，即深度神经网络中的神经元节点；构建列邻接表和行邻接表；

6、配置网络输入层接口；

7、搭建网络可学习的隐藏层，包括：

8、构建奇数层模块：利用列邻接表 ，将当前层节点与上一层节点相连；在层间消息连接和原始信道软信息输入支路上分别设置可学习权重，对原始信道软信息及上一层邻接消息进行加权聚合，并串联一个激活函数；

9、构建偶数层模块：利用行邻接表 ，将当前层节点与上一层节点相连，在该层定义聚合算子；

10、将上述奇数层模块和偶数层模块交替堆叠多次，使前一层的输出对接后一层的输入索引，形成深层网络结构；

11、构建网络输出层聚合逻辑。

12、所述构建列邻接表和行邻接表，包括：

13、遍历校验矩阵的每一列，记录该列下所有非零元素对应的外信息处理单元索引，并在不同处理单元之间建立有向连接，形成列邻接表；

14、遍历校验矩阵的每一行，记录该行下所有非零元素对应的外信息处理单元索引，并在不同处理单元之间建立有向连接，形成行邻接表。

15、构建过程中排除处理单元自身，以满足bp译码的外信息传递原则。

16、所述列邻接表和行邻接表均采用“源外信息目标外信息”的形式表示，其内部数据为外信息处理单元的索引，即第一行为源索引，第二行为目标索引；优先按源索引升序排列，若源索引相同，再按目标索引升序排列。

17、作为上述方法的一种改进，所述配置网络输入层接口，包括：

18、创建

n个输入节点，

n为变量节点个数；

19、将第个输入节点的数值复制并连接到第一层隐藏层中所有属于第

j 列的神经元上。

20、所述奇数层模块中，当前层节点同时接收上一层节点输出和对应变量节点的原始信道软信息，当前层节点与上一层节点之间按列邻接表连接，即当两个节点分别对应校验矩阵同一列中的不同非零元素时建立连接；原始信道软信息映射至该列全部非零元素所对应的当前层节点；

21、所述偶数层模块中，将当前层节点与上一层节点之间按行邻接表连接，即当两个节点分别对应校验矩阵同一行中的不同非零元素时建立连接。

22、所述聚合算子为：

23、首先对输入进行乘积运算，随后串联一个激活函数。

24、作为上述方法的一种改进，所述构建网络输出层聚合逻辑包括：

25、创建

n个输出节点，

n为变量节点个数；

26、将第个输出节点连接到最后一层隐藏层中所有属于第

j 列的神经元；

27、在每个隐藏层神经元之后添加一个求和算子，并融合原始输入，形成最终的判决值。

28、所述深度神经网络的训练过程包括：

29、发射端随机生成信息比特序列，经信道编码后映射为码字比特，再经调制映射得到复基带发射符号，随后经过非线性信道传输；在网络训练过程中，snr在给定范围内随机采样，按符号级扩展到每个调制符号上，用于增强模型对不同信道条件的适应能力；

30、接收端对接收信号进行软解调得到初始软信息，并送入深度神经网络，训练输出后验软信息，然后做硬判决。

31、本申请还提供一种抗功放非线性的ldpc深度神经网络译码系统，用于实现上述方法，所述系统包括：

32、译码模块，用于将接收信号进行软解调得到初始软信息，输入训练好的深度神经网络，输出译码后的信号。

33、与现有技术相比，本申请的优势在于：

34、利用本申请的译码方法，可以降低功放非线性信道下的误码率，降低功率输入回退要求，提升星上功放效率。

1.一种抗功放非线性的ldpc深度神经网络译码方法，包括：

2.根据权利要求1所述的抗功放非线性的ldpc深度神经网络译码方法，其特征在于，所述构建列邻接表和行邻接表，包括：

3.根据权利要求1所述的抗功放非线性的ldpc深度神经网络译码方法，其特征在于，所述列邻接表和行邻接表均采用“源外信息目标外信息”的形式表示，其内部数据为外信息处理单元的索引，即第一行为源索引，第二行为目标索引；优先按源索引升序排列，若源索引相同，再按目标索引升序排列。

4.根据权利要求1所述的抗功放非线性的ldpc深度神经网络译码方法，其特征在于，所述配置网络输入层接口，包括：

5.根据权利要求1所述的抗功放非线性的ldpc深度神经网络译码方法，其特征在于，所述奇数层模块中，当前层节点同时接收上一层节点输出和对应变量节点的原始信道软信息，当前层节点与上一层节点之间按列邻接表连接，即当两个节点分别对应校验矩阵同一列中的不同非零元素时建立连接；原始信道软信息映射至该列全部非零元素所对应的当前层节点；

6.根据权利要求1所述的抗功放非线性的ldpc深度神经网络译码方法，其特征在于，所述聚合算子为：

7.根据权利要求1所述的抗功放非线性的ldpc深度神经网络译码方法，其特征在于，所述构建网络输出层聚合逻辑包括：

8.根据权利要求1所述的抗功放非线性的ldpc深度神经网络译码方法，其特征在于，所述深度神经网络的训练过程包括：

9.一种抗功放非线性的ldpc深度神经网络译码系统，用于实现权利要求1-8任一所述方法，其特征在于，所述系统包括：