基于深度学习的实用HDPC码译码方法研究

针对现有高密度校验码量化译码性能问题,本文提出了一种基于深度学习的量化最小和译码算法-QMSND.借助深度神经网络,通过对神经最小和译码信道输入向量和每轮迭代过程中节点更新信息进行非均匀间隔量化,动态调整Tanner图边的权重参数,改善消息传播效能.计算机仿真实验结果表明,本文提出的方法在对BCH码进行译码时仅需要8比特表示信息即可接近未经量化的浮点译码性能.因此,所提出的QMSND译码方法便于硬件实现,具有一定的实用性.     

一种有效的LDPC码伪码字搜索算法

为了获得影响低密度奇偶校验码线性规划译码性能的伪码字,通过深入分析有害的Tanner子图中变量节点位置与线性规划译码器输入分量位置的对应关系,提出了二元对称信道下低密度奇偶校验码的一种有效的低重量伪码字搜索算法．通过对基于交替方向乘子法的线性规划译码器输入向量叠加偏置噪声,经过有限次迭代搜索后可快速收敛到低重量伪码字． 仿真结果表明,与现有伪码字搜索算法相比,所提出的方法能够更准确地找到大量中短码长规则和非规则低密度奇偶校验码的低重量伪码字．