应用于自由空间光通信的极化码译码方法及系统

技术特征：
1.一种应用于自由空间光通信的极化码译码方法，其特征在于，包括：步骤s1：使用tensorflow建立译码器的tanh-rnn-cpbp神经网络模型；步骤s2：训练译码器的tanh-rnn-cpbp神经网络模型；步骤s3：对接收信号进行llr计算得到llr计算结果；步骤s4：将llr计算结果输入训练后的译码器的tanh-rnn-cpbp神经网络模型得到译码结果。2.根据权利要求1所述的应用于自由空间光通信的极化码译码方法，其特征在于，所述步骤s1采用：译码器的tanh-rnn-cpbp神经网络模型包括：tanh层、bp层以及crc层；当码长为n，总迭代次数为i
max
，crc迭代开始次数为i
crc
，则：所述tanh层对译码器的输入进行tanh函数限幅得到输出信号；从tanh层输出的信号开始进行译码迭代；前i
crc-1次迭代全部为bp运算层，共(2n-1)(i
crc-2) n层；其中，n＝log2n；bp层按bp算法的因子图进行运算；后i
max-i
crc
1次迭代为bp与crc混合运算层，每次迭代均包含2n-1个bp层和1个crc层；bp层按bp算法的因子图进行运算，crc层按crc因子图进行运算。3.根据权利要求2所述的应用于自由空间光通信的极化码译码方法，其特征在于，所述tanh层对译码器的输入进行tanh函数限幅得到输出信号采用：y
m
＝a tanh(y/a)； (1)其中，y表示译码器输入；y
m
表示tanh层的输出；a表示将输入限定在(-a,a)的范围。4.根据权利要求2所述的应用于自由空间光通信的极化码译码方法，其特征在于，bp层和crc层的运算规则均为和积算法；其中，带权值的bp算法具体公式为：算规则均为和积算法；其中，带权值的bp算法具体公式为：算规则均为和积算法；其中，带权值的bp算法具体公式为：算规则均为和积算法；其中，带权值的bp算法具体公式为：其中，l表示从右向左迭代的信息；r表示从左向右迭代的信息；上标i表示第i次迭代；0＜i≤i
max
；下标t,s表示第s级的第t个比特，0≤s≤n 1，0≤t＜n，j＝t 2
s
；w0至w7表示待训练的权值，是初始值为1的(n,n)维权值向量；下标k＝s 1。5.根据权利要求1所述的应用于自由空间光通信的极化码译码方法，其特征在于，所述步骤s2采用：步骤s2.1：建立自由空间光通信湍流信道模型；采用gamma-gamma模型模拟湍流信道条件，湍流幅度大小h符合以下概率密度分布：其中，α和β分别表示环境中小尺度和大尺度湍流的有效数目；γ(
·
)表示gamma函数；
k
α-β
是阶数为α-β的第二类修正贝塞尔函数；湍流强度用rytov方差来表征，记为可以通过改变α和β的值来控制其大小；越大，湍流强度越强；信道模型表示为：y(t)＝ηh(t)x(t) n(t)其中，x(t)表示待传输的信号；n(t)表示零均值的加性高斯白噪声，用于模拟通信系统中的热噪声；η表示光电探测器的光电转化效率；h(t)表示由大气湍流引起的强度上的衰落，是一个概率密度分布为f(h)的随机变量；步骤s2.2：生成训练集{x
batches
,y
batches
}；计算机生成发送数据集x
batches
，其中元素均为随机生成的长度为n的码字；发送数据在预设信噪比和湍流强度下，通过湍流信道模型后输入译码器，译码器的输出为y
batches
；步骤s2.3：对译码器的tanh-rnn-cpbp神经网络模型进行训练，计算loss损失，并利用梯度下降算法优化器以减小loss为目标进行权值更新；loss函数表示为：其中，u为原始的信息向量，来自集合x
batches
；为译码器最后一个bp层输出的硬判决结果；为最后一个crc层输出的硬判决结果；h为tensorflow中的sigmoid-cross-entropy-with-logits操作；当训练进行到预先设定的epoch值时，训练结束。6.根据权利要求1所述的应用于自由空间光通信的极化码译码方法，其特征在于，所述步骤s3采用：设接收到的信息为y(t)，进行如下运算后得到对数似然比llr：其中，h(t)表示由大气湍流引起的强度上的衰落，t时刻的湍流强度值；σ2为高斯白噪声的强度。7.一种应用于自由空间光通信的极化码译码系统，其特征在于，包括：模块m1：使用tensorflow建立译码器的tanh-rnn-cpbp神经网络模型；模块m2：训练译码器的tanh-rnn-cpbp神经网络模型；模块m3：对接收信号进行llr计算得到llr计算结果；模块m4：将llr计算结果输入训练后的译码器的tanh-rnn-cpbp神经网络模型得到译码结果。8.根据权利要求7所述的应用于自由空间光通信的极化码译码系统，其特征在于，所述模块m1采用：译码器的tanh-rnn-cpbp神经网络模型包括：tanh层、bp层以及crc层；当码长为n，总迭代次数为i
max
，crc迭代开始次数为i
crc
，则：所述tanh层对译码器的输入进行tanh函数限幅得到输出信号；从tanh层输出的信号开始进行译码迭代；前i
crc-1次迭代全部为bp运算层，共(2n-1)(i
crc-2) n层；其中，n＝log2n；bp层按bp算法的因子图进行运算；后i
max-i
crc
1次迭代为bp与crc混合运算层，每次迭代均包含2n-1个bp层和1个crc层；
entropy-with-logits操作；当训练进行到预先设定的epoch值时，训练结束。10.根据权利要求7所述的应用于自由空间光通信的极化码译码系统，其特征在于，所述模块m3采用：设接收到的信息为y(t)，进行如下运算后得到对数似然比llr：其中，h(t)表示由大气湍流引起的强度上的衰落，t时刻的湍流强度值；σ2为高斯白噪声的强度。

技术总结
本发明提供了一种应用于自由空间光通信的极化码译码方法及系统，包括：步骤S1：使用TensorFlow建立译码器的tanh-RNN-CPBP神经网络模型；步骤S2：训练译码器的tanh-RNN-CPBP神经网络模型；步骤S3：对接收信号进行LLR计算得到LLR计算结果；步骤S4：将LLR计算结果输入训练后的译码器的tanh-RNN-CPBP神经网络模型得到译码结果。本发明相比未经训练的传统译码器能够有效地应对大气湍流引起的信号强度衰弱，可以应用于不同强度的湍流信道中的极化码FSO通信；相较于已有的译码器，本发明在具有良好表现的同时，降低了神经网络的训练复杂度和权值占用空间的复杂度。值占用空间的复杂度。值占用空间的复杂度。


技术研发人员：付翔宇 肖石林 刘晓宇
受保护的技术使用者：上海交通大学
技术研发日：2022.03.16
技术公布日：2022/7/15