一种基于图模型网络的LDPC译码方法

一种基于图模型网络的ldpc译码方法
技术领域
1.本发明涉及光纤通信技术领域，尤其涉及一种基于图模型网络的ldpc译码方法。


背景技术：

2.光纤通信技术相对于其他通信技术来说，具有传输距离更远、容量更大和速度更快的优势，已经成为骨干网络和数据中心进行数据传输的重要手段。面对互联网越来越高的流量和带宽的需求，提高光网络系统的传输效率具有很强的现实需要。
3.从传输架构层面考虑，提高光发射机的发送功率能够做到提升信道传输的容量，但同时也意味着需要对整体传输结构进行调整，并且还要考虑高功率光信号在信道中所受到的非线性作用和损耗，因此在原有光纤网络的体系结构下寻求提升传输效率的方式变得尤为重要。
4.前向纠错编码作为信道编码的一种，能够降低信息在传递中出现的差错对接收端的影响，提高系统的传输效率，即在原始码字的基础上添加若干冗余位组合成新的码字，基于特定算法使得加入的冗余位和原始的信息位产生约束关系，若此约束关系在传输中受到噪声的影响被破坏，便可以在一定程度上发现错误并纠正。作为高速光通信中的关键技术，前向纠错编码能够在不改变现有系统结构的情况下，增强通信系统的可靠性、改善系统误码性能。
5.在前向纠错领域的研究中，ldpc码以其具有接近香农限的潜力成为近年来的研究热门之一。ldpc码即低密度奇偶校验码，是一种线性分组码，因其校验矩阵中非零元素的数量远远小于零元素的数量而得名。随着ldpc码编译码技术的发展，其在通信领域应用越来越广泛，尤其是在光通信领域。凭借其译码高效和性能优良的特点，成为提高光通信传输中信息的稳定性、安全性和传输速度的关键技术之一。然而，在ldpc译码的过程中，传统的bp迭代译码算法存在计算量大、迭代次数多的不足。


技术实现要素：

6.本发明的目的是提供一种基于图模型网络的ldpc译码方法，在纠错码译码的过程中使用图模型网络代替传统的bp迭代结构，解决如下技术问题。本发明提供的新型译码方法在传统迭代译码方式的基础上引入权重可训练的图模型网络，使得纠错码迭代译码过程的平均计算次数获得显著降低，系统译码效率提升。本方法还拥有对于不同信道条件的光纤通信系统的兼容性，从而能够实现灵活的部署。同时，本方案拥有较低的计算复杂度，避免消耗庞大的计算资源。综上所述，本方法在光传输领域有着重要的应用前景。
7.为了实现上述目的，本发明提供如下技术方案：
8.本发明提供的一种基于图模型网络的ldpc译码方法，包括以下步骤：
9.s1、建立光纤通信系统，系统中包含ldpc编码结构，通过系统获取ldpc编码数据作为图模型网络的训练数据；
10.s2、针对选取的ldpc编码码字建立图模型网络；
11.s3、利用光纤信道下的数据进行图模型网络的训练，当图模型网络训练达到预期值或者训练次数达到最大值后将网络模型保存，保存下来的网络作为译码器进行光纤信道下的ldpc译码。
12.进一步地，步骤s1中ldpc编码数据包括ldpc编码前的原始码字c、ldpc编码后的码字x、经过光纤信道后的带噪声的码字y和译码输出的码字
13.进一步地，步骤s2中图模型网络的参数包括：校验节点传向变量节点的信息l(r
ij
)、变量节点传向校验节点的信息l(q
ij
)、校验节点信息更新公式中的权重u
ijl
和信息节点信息更新公式中的权重w
ijl
，其中u
ijl
和w
ijl
的值在图模型网络训练阶段迭代更新，在实际译码阶段固定。
14.进一步地，步骤s2中图模型网络包括软判决信息输入层、迭代计算层、译码输出层，其中迭代计算层又包括校验节点计算层和变量节点计算层两部分。
15.进一步地，步骤s2中，设置网络的输入层、输出层大小和变量节点层大小为n，网络的校验节点层大小为n-k，每层网络之间根据tanner图中信息传递方式进行连接。
16.进一步地，校验节点传向变量节点的信息为：
[0017][0018]
变量节点传向校验节点的信息为：
[0019][0020]
变量节点收集到的所有信息为：
[0021][0022]
其中r
ji
(b)是校验节点j传给变量节点i的置信度信息，q
ji
(b)是变量节点i传给校验节点j的置信度信息。
[0023]
进一步地，步骤s3采取反向传播的方式进行图模型网络的训练。
[0024]
进一步地，步骤s3采取随机梯度下降的训练方式。
[0025]
进一步地，在第l次迭代中，对每个校验节点，计算从变量节点传递到校验节点的信息为：
[0026][0027]
其中l(l-1)表示上一次迭代的变量节点更新的信息，若为第一次迭代则为初始化信息；
[0028]
在第l次迭代中，对每个变量节点，计算从校验节点传递到变量节点的信息为：
[0029]
l
(l)
(q
ij
)＝w
ijl
l(pi) ∑j′wijl-1
l
9l-1)
(r
j’i
)
ꢀꢀꢀꢀ
(2)
[0030]
公式(1)、(2)中的u
ijl
和w
ijl
是传递过程所添加的权重系数，也是网络训练过程中更新的目标。
[0031]
进一步地，在最后一层对变量节点的判决过程中，llr消息被转化成普通概率，利
用sigmoid函数将llr消息转化为0-1之间的概率分布，从而实现译码判决：
[0032]ov
(q
ij
)＝σ(w
v2t 1
l(pi) ∑
j’w
v2t
l
(2t)
(rj′i))
ꢀꢀꢀꢀ
(3)
[0033]
其中sigmoid函数形式如下：
[0034]
σ(x)＝(1 e-x
)-1
ꢀꢀꢀꢀꢀꢀꢀ
(4)
[0035]
当满足时，或达到最大迭代次数则停止此轮译码，否则继续回到译码迭代过程。
[0036]
与现有技术相比，本发明的有益效果为：
[0037]
本发明的基于图模型网络的ldpc译码方法，在光通信系统中通过使用纠错编码的思想，在对信息进行纠错译码时通过使用包含可训练权重的图模型网络来代替传统的bp迭代结构，作为纠错码译码器实现软判决信息到原始信息码字的映射，提高系统纠错性能，同时降低通信系统的译码复杂度。弥补了传统迭代译码算法存在计算量大、迭代次数多的不足，并解决了一些深度学习网络只能局限于处理较短码长的译码问题。因其具有更好的兼容性、较低的计算复杂度和更优的误码性能，在涉及光通信和纠错编码等领域有着重要的应用前景。
附图说明
[0038]
为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0039]
图1为本发明实施例提供的基于图模型网络的ldpc译码方法流程图。
[0040]
图2为本发明实施例提供的获取光纤信道下训练数据集。
[0041]
图3为本发明实施例提供的校验矩阵及其对应tanner图。
[0042]
图4为本发明实施例提供的图模型网络结构。
具体实施方式
[0043]
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0044]
本发明的基于图模型网络的ldpc译码方法，流程如图1所示，包括以下步骤：
[0045]
s1、建立光纤通信系统，系统中包含ldpc编码结构，通过系统获取ldpc编码数据作为图模型网络的训练数据；其中ldpc编码数据包括ldpc编码前的原始码字c、ldpc编码后的码字x、经过光纤信道后的带噪声的码字y和译码输出的码字
[0046]
s2、针对选取的ldpc编码码字建立图模型网络；图模型网络的参数包括：校验节点传向变量节点的信息l(r
ij
)、变量节点传向校验节点的信息l(q
ij
)、校验节点信息更新公式中的权重u
ijl
和信息节点信息更新公式中的权重w
ijl
，其中u
ijl
和w
ijl
的值在图模型网络训练阶段迭代更新，在实际译码阶段固定。图模型网络包括软判决信息输入层、迭代计算层、译码输出层，其中迭代计算层又包括校验节点计算层和变量节点计算层两部分。
[0047]
s3、利用光纤信道下的数据采取反向传播的方式进行图模型网络的训练，当图模型网络训练达到预期值或者训练次数达到最大值后将网络模型保存，保存下来的网络作为译码器进行光纤信道下的ldpc译码。
[0048]
下面将详细介绍上述网络和参数的具体定义方式。
[0049]
根据参与具体译码任务的(n,k)ldpc编码建立图模型网络，设置网络的输入层、输出层大小和变量节点层大小为n，网络的校验节点层大小为n-k，每层网络之间根据tanner图中信息传递方式进行连接。
[0050]
校验节点传向变量节点的信息为：
[0051][0052]
变量节点传向校验节点的信息为：
[0053][0054]
变量节点收集到的所有信息为：
[0055][0056]
其中r
ji
(b)是校验节点j传给变量节点i的置信度信息，q
ji
(b)是变量节点i传给校验节点j的置信度信息。
[0057]
定义校验节点更新公式，在第l次迭代中，对每个校验节点，计算从变量节点传递到校验节点的信息为：
[0058][0059]
其中l(l-1)表示上一次迭代的变量节点更新的信息，若为第一次迭代则为初始化信息；
[0060]
定义变量节点更新公式，在第l次迭代中，对每个变量节点，计算从校验节点传递到变量节点的信息为：
[0061]
l
(l)
(q
ij
)＝w
ijl
l(pi) ∑
j’w
ijl-1
l
(l-1)
(r
j'i
)
ꢀꢀꢀꢀ
(2)
[0062]
公式(1)、(2)中的u
ijl
和w
ijl
是传递过程所添加的权重系数，也是网络训练过程中更新的目标。
[0063]
在最后一层对变量节点的判决过程中，llr消息被转化成普通概率，利用sigmoid函数将llr消息转化为0-1之间的概率分布，从而实现译码判决：
[0064]ov
(q
ij
)＝σ(w
v2t 1
l(pi) ∑
j’w
v2t
l
(2t)
(r
j’i
))
ꢀꢀꢀꢀ
(3)
[0065]
其中sigmoid函数形式如下：
[0066]
σ(x)＝(1 e-x
)-1
ꢀꢀꢀꢀꢀꢀꢀ
(4)
[0067]
当满足时，或达到最大迭代次数则停止此轮译码，否则继续回到译码迭代过程。
[0068]
在公式(1)(2)(3)(4)的共同指导下可以设计出具体的译码网络。其中过程包括软
判决信息输入层、迭代计算层、译码输出层，其中迭代计算层又包括校验节点计算层和变量节点计算层两部分，网络图如图3所示，其中v代表变量节点，c代表校验节点。
[0069]
本发明的方法与全连接神经网络的搭建方法相比，优点在于根据模型的结构每层之间采取不同的连接方式，根据tanner图稀疏的定义，每层之间均减少了连接的数量，降低了译码器的复杂度，通过训练网络传递公式中的系数权重，提高网络的译码性能，并且能够容纳码长更长的译码任务。
[0070]
下面结合附图以使用ldpc(16，8)为纠错编码传输的bpsk光纤通信系统为例进行说明。
[0071]
1、通过光纤信道采集数据集，信道搭建的方式如图2所示，采用长度为100km、工作波长在1550nm、损耗系数为0.2db/km、色散系数为17ps/nm/km、有效面积为80um^2的单模光纤作为传输信道。信道的光信噪比的范围为1db-8db以每0.5db为步长，共15种不同的信道条件，在每个信道下利用仿真软件随机生成100000组原始码字c(c1,c2,...,c8)，这些数据进行ldpc编码后得到码字x(x1,x2,...x
16
)作为网络训练的标签数据。将编码后的码字通过光纤信道得到带噪声的码字y(y1,y2,...,y
16
)，这些数据作为做为网络训练的输入数据。
[0072]
2、构建图模型网络，通过确定的ldpc编码矩阵h来构造图模型的结构，每一层网络中节点与下一层节点是否相关取决于h矩阵中对应位置是否为“1”，如图3所示，以h矩阵中的第一行码字为例，第一行(1,1,1,1,0,0,0)对应tanner图中第一个校验节点与变量节点的前四位相关，因此c1与变量节点的高四位v6、v5、v4、v3相连接，同时对应于图模型网络的第一层连接关系如图4所示。其他位的选择过程相同，图模型网络中每两层网络对应tanner图中一次迭代的结构。
[0073]
以3次bp迭代为参考标准，构建基于tanner图展开的神经网络作为译码器，网络构建的层数为7，在网络的隐藏层构建过程中，奇数层和偶数层的输入输出映射函数分别由公式(1)、(2)来描述，其中u
ijl
和w
ijl
是网络训练的目标。
[0074]
3、使用数据集对图模型网络进行训练，将不同信噪比下的接收信号归为一类，采取随机梯度下降的训练方式，每次取batch大小为100的数据集输入网络进行训练，网络训练的学习率设置为0.0001并采用adam优化器进行动态学习率的调整，损失函数为交叉熵函数，训练的过程不断更新u
ij
和w
ij
。
[0075]
4、将训练完成的模型参数固定作为ldpc译码网络，传输系统接收端计算得到llr并初始化完成后进入译码网络开始迭代过程，在每次迭代中所有的校验节点从其相邻的变量节点处接收消息，处理后再传向下一层相邻的变量节点，所有的变量节点都进行同样的过程，最后变量节点收集迭代完成的信息进行判决，完成ldpc译码。
[0076]
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例、电子设备实施例、计算机可读存储介质实施例和计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0077]
以上所述实施例，仅为本技术的具体实施方式，用以说明本技术的技术方案，而非对其限制，本技术的保护范围并不局限于此，尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或
者对其中部分技术特殊进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围。都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应所述以权利要求的保护范围为准。