一种基于双向LSTM的卷积码译码方法与卷积码编码和译码方法与流程

技术特征：
1.一种基于双向lstm的卷积码译码方法，其特征在于，所述方法包括：构建双向lstm神经网络译码器，所述神经网络译码器采用双向lstm神经网络进行译码；建立接收序列数据集，根据所述接收序列数据集和双向lstm神经网络构造训练码本；选取训练信噪比，所述训练信噪比为所述接收序列的信噪比；设定仿真参数，并利用所述训练码本和所述训练信噪比对所述双向lstm神经网络译码器进行训练；利用训练后的双向lstm神经网络译码器进行译码。2.根据权利要求1所述的一种基于双向lstm的卷积码译码方法，其特征在于，所述构建双向lstm神经网络译码器，具体包括：所述双向lstm神经网络译码器包括输入层、隐层神经和输出层；所述隐层神经由若干层双向lstm网络层、批量标准化bn层和dropout层组合而成，用于通过对接收序列进行相邻码字间相关性的提取；所述输入层用于将输入的码本放大到高维的空间中；所述双向lstm网络层通过学习卷积码输入编码序列前后之间的相关性，将顺序输入的卷积码编码码字变为可以被神经网络所拟和的特征规律；所述批量标准化bn层通过归一化公式让神经网络的输出数据重新分布在规定的范围内而不改变其分布规律；所述dropout层通过训练时对神经网络训练单元按照一定的概率将其从网络中移除来防止网络的过拟合；所述输出层用于将高维的信息降到低维。3.根据权利要求1所述的一种基于双向lstm的卷积码译码方法，其特征在于，所述建立接收序列数据集，根据所述接收序列数据集和双向lstm神经网络构造训练码本，具体包括：根据接收序列，截取长为n*m的序列记为[r11,r12,...,r1n,r21,r22,...,r2n,...,r
m
1,r
m
2,...,r
m
n]，码长n对应于双向lstm神经网络的inputdim,而m对应的就是双向lstm神经网络的timesteps,将所述接收序列转换为m*n的二维张量；将所述m*n的二维张量并行输入至双向lstm神经网络；根据双向lstm神经网络参数设定的batchsize，将所有所述所有二维张量变为(batchsize,m,n)的三维张量；根据所述(batchsize,m,n)的三维张量构造训练码本。4.根据权利要求1所述的一种基于双向lstm的卷积码译码方法，其特征在于，所述选取训练信噪比，具体包括：根据接收序列数据集，选取信噪比数据集；根据所述信噪比数据集和误码率曲线最优原则，选取训练信噪比。5.一种基于双向lstm的卷积码编码和译码方法，其特征在于，所述方法包括：建立级联训练的神经网络，所述级联训练的神经网络包括发射机、信道噪声和接收机；所述发射机包括lstm编码器和调制器，所述lstm编码器和所述调制器顺序连接，所述lstm编码器采用双向lstm神经网络进行编码，所述调制器用于进行星座图映射；所述接收机包括基于权利要求1中构建的双向lstm神经网络译码器和判决输出，所述
双向lstm神经网络译码器和所述判决输出顺序连接，所述判决输出用于根据判决门限，对所述双向lstm神经网络译码器的输出进行归类，解码出信息比特；建立接收到的信源序列数据集，根据所述接收到的信源序列数据集和双向lstm神经网络构造所述级联训练的神经网络的级联训练码本；选取级联训练信噪比，所述级联训练信噪比为所述调制器输出卷积码的信噪比；设定仿真参数，并利用所述级联训练码本和所述级联训练信噪比对所述级联训练的神经网络进行训练；利用训练后的级联训练的神经网络进行编码和译码。6.根据权利要求5所述的一种基于双向lstm的卷积码编码和译码方法，其特征在于，所述lstm编码器具体包括：输入层、隐层神经和输出层；所述隐层神经由若干层双向lstm网络层、批量标准化bn层和drop out层组合而成，用于通过双向lstm神经元产生时间相关性的序列；所述输入层用于将输入的码本放大到高维的空间中；所述双向lstm网络层通过学习卷积码输入编码序列前后之间的相关性，将顺序输入的卷积码编码码字变为可以被神经网络所拟和的特征规律；所述批量标准化bn层通过归一化公式让神经网络的输出数据重新分布在规定的范围内而不改变其分布规律；所述drop out层通过训练时对神经网络训练单元按照一定的概率将其从网络中移除来防止网络的过拟合；所述输出层用于将高维的信息降到低维。7.根据权利要求5所述的一种基于双向lstm的卷积码编码和译码方法，其特征在于，所述调制器为dnn全连接层网络调制器，将编码后的信息映射为相应码长的发送序列，并进行二维调制；所述二维调制具体为将符号分为实部和虚部两个部分同时传输。8.根据权利要求5所述的一种基于双向lstm的卷积码编码和译码方法，其特征在于，所述建立接收到的信源序列数据集，根据所述接收到的信源序列数据集和双向lstm神经网络构造所述级联训练的神经网络的级联训练码本，具体包括：设置一个长为l的单向队列，l＝m-1，m为卷积码约束长度,初始化为全0；将接收到的信源序列按照每组timesteps个串行输入到队列中，每个比特输入时的队列状态值为映射输出；构造timesteps*l的二维张量，所述二维张量里的每一个行分量均与前l个行分量以及后l个行分量有相关性；根据神经网络参数设定的batchsize，将所述timesteps*l的二维张量变为(batchsize,timesteps,l)的三维张量；根据所述(batchsize,timesteps,l)的三维张量，构造级联训练码本。9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，当所述处理器运行所述存储器存储的计算机程序时执行权利要求1至4中任一项所述的方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序
被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。

技术总结
本发明公开了一种基于双向LSTM的卷积码译码方法与卷积码编码和译码方法，属于电子通信技术领域，解决传统编译码时间复杂度、空间复杂度随码长、约束度的增大呈指数上升、长码码本不好选取和编码信息容易被截取和破解，安全性低的问题。本发明的方法包括：构建双向LSTM神经网络译码器，神经网络译码器采用双向LSTM神经网络进行译码；建立接收序列数据集，根据接收序列数据集和双向LSTM神经网络构造训练码本；选取训练信噪比，训练信噪比为接收序列的信噪比；设定仿真参数，并利用训练码本和训练信噪比对双向LSTM神经网络译码器进行训练；利用训练后的双向LSTM神经网络译码器进行译码。本发明适用于端到端的卷积码编码和译码。码。码。


技术研发人员：吴少川 王利繁 李壮
受保护的技术使用者：北京机电工程总体设计部
技术研发日：2021.12.02
技术公布日：2022/4/1