分块并行Turbo码译码算法的研究

Turbo码译码采用迭代译码思想,译码时延较大是其应用于实时性要求较高的通信系统中的一大障碍.为了减少译码计算的时延,利用递推迭代的思想,给出一种分块并行译码的方法,即将接收的整个码字分成若干子块,各子块进行并行处理,其中各子块的前后向递推公式的初始值由相邻子块的前一次迭代译码的边界计算值传递.实验仿真结果表明这种并行译码方法可以取得较好的译码性能,在硬件实现方面可以大大降低译码计算复杂度和时延,从而降低整个Turbo码译码时延.     

莱斯衰落信道下Turbo码的译码算法研究

研究了莱斯衰落信道下Turbo码的译码算法。首先介绍了莱斯衰落信道模型，Turbo码的编码器和译码器。接着将AWGN信道下的MAP算法、Max-Log-MAP算法和SOVA算法3种算法进行了修正，并将它们的性能进行了比较。     

Turbo码的最优和准最优译码算法

最近提出的并行级联卷积码,以其惊人的性能,引起了国际上的广泛重视。介绍了Ｔｕｒｂｏ码的编、译码原理,特别讨论了适用于Ｔｕｒｂｏ码译码的最大后验概率（ＭＡＰ）和最大对数后验概率译码算法,在ＡＷＧＮ信道中,对两种算法的比 左错率（ＢＥＲ）进行了比较。ＭＡＰ算法对Ｔｕｒｂｏ码是最优的,但硬件实现验度大。Ｍａｘ－ｌｏｇ－ＭＡＰ算法性能比ＭＡＰ略有下降,但运算量大为减小,应用性强。     

Turbo码译码算法的研究与改进

基于译码算法是影响新型信道编码方案Turbo码性能的主要因素之一,分析研究了Turbo码的译码算法,并对其几种译码算法进行了比较,用Matlab得出了仿真下的性能特性曲线。根据Turbo码编码结构和迭代译码的特点,还对Log-MAP算法进行了改进。     

改进型TPC译码算法研究

Turbo乘积码(Turbo Product Code,TPC)能够在接近Shannon极限的低信噪比情况下,获得较低的误码率。但是TPC译码算法的硬件电路复杂,虽然最小和译码算法能够简化TPC译码算法,但它是以牺牲译码性能为代价的。为了让译码算法在复杂度和译码性能之间取得较好的折衷,根据似然概率,通过同时引入偏移量参数和归一化参数,提出一种改进型TPC译码算法,并且利用最小均方误差准则来计算相关参数。仿真结果表明,与TPC译码算法、最小和译码算法相比,改进型TPC译码算法能够在降低算法复杂度的同时保持良好的译码性能。     

Turbo码不同译码算法中的量化性能分析

针对Turbo码的不同译码方法，提出了不同情况下的中间变量的量化方式。在已完成接收比特、附加信息和输出似然值的量化情况下，着重讨论了不同译参政方式的中间变量的量化范围、量化级别和量化方法对译码性能的影响。仿真结果表明，对于改进的Turbo码的译码算法（LOG-MAP，MAX-LOG-MAP，SOVA），中间变量的量化可以不采用非均匀量化，而且中间变量量化的级别也可以大大减小，不仅降低译码复杂度，而且减少了硬件实现时所需要的存储空间。     

低复杂度和低译码时延TPC迭代译码算法

现有的TPC串行迭代译码结构复杂度相对较高,译码时延较大,而低译码延时的Argon并行迭代译码结构则与串行结构相比有一定的性能损失。针对这些问题,本文提出了一种并行改进迭代译码结构。使用该改进并行迭代译码结构能够达到和串行结构相同的译码性能,并且译码时延降低为串行结构的一半。为了进一步降低译码复杂度和译码时延,在低可信度码元的搜索,候选码字欧氏距离的计算以及似然码字和竞争码字的搜索方面进一步作了优化。其中在欧氏距离的计算中采用格雷编码的测试图样,较大的减少了译码复杂度。最后完成了TPC译码并行改进结构的硬件实现,实测表明4次迭代的TPC译码器可以达到28Mbps的译码速度。     

神经网络算法在Turbo码译码错误检测中的应用

经统计分析,Turbo码译码输出的交叉熵与译码错误之间有着十分密切的关系,且该关系具有非线性性质。神经网络技术具有独特的非线性输入、输出映射能力,因此可通过对神经网络进行某种训练来检测Turbo码译码数据中出现的错误。在训练过程中,将交叉熵作为神经网络输入端的样本值,译码错误作为期望输出值进行自适应模拟。另外,考虑到Turbo码译码的实时性和运算量要求,采用了改进型的LevenbergMarquardt神经网络算法对神经网络进行训练,并用以检测译码错误。仿真结果表明:该方法比起传统的循环冗余校验(cyclicredundancycheck,CRC)方法在检测Turbo码译码错误时,检测性能和运算复杂度均得到了很大的改善。     

Turbo-DFH迭代译码算法

针对Turbo-DFH系统的特点,提出了修改的SOVA算法,用于迭代译码过程中子译码器软输出的计算。在AWGN信道下,对Turbo-DFH系统的性能进行了计算机仿真。仿真结果表明Turbo-DFH系统的误比特率性能比采用维特比检测算法的传统DFH系统有明显改善。     

快速低密度校验码迭代译码量化算法

提出一种低密度校验码快速量化置信传播译码算法，其中量化电平标号作为定点算术操作数，运算由寻址表完成，中间计算以较高精度包含在表中，该算法具有明显低的时间复杂度，应用对称特性，可以显著降低所需存储容量；在不增加复杂度的前提下，可以方便地实现均匀及各种为改进性能而设计的非均匀量化方案；适当增加复杂度还可实现时变译码，该算法使低密度校验码在实际通信系统中的应用比时已经接近连续译码，而高信誉噪比时比连续译码差0.2dB。合适的高阶量化译码可以获得接近连续译码的性能，高信噪比时甚至优于连续译码。     

Turbo码及其译码算法研究

介绍Turbo码的编译码原理,以及Log-MAP,SOVA译码算法。通过基于MATLAB的仿真实验,比较分析不同译码算法的性能。仿真结果表明,Log-MAP算法能够准确的实现译码,但需以增加译码延时为代价。而SOVA算法的译码速度更快,译码复杂度更低,译码算法更简单,在实际的系统中易于实现。     

基于OSD的Turbo乘积码迭代译码算法

Turbo乘积码(TPC)由于其优越的性能在当前许多系统中得到了应用。本文在介绍TPC基本编译码方法的基础上给出了一种新的基于OSD的迭代译码算法,在分量码SISO译码时采用Order-1OSD与Chase相结合的方法产生候选码字,提高了输出码字和软信息的准确度。仿真结果表明,这种基于OSD的迭代译码算法性能要优于基于Chase的迭代译码算法,与基于Max-Log-MAP的迭代译码性能接近,在性能和复杂度之间获得了良好的折中。     

利用外信息平衡因子改善Turbo码译码性能

一般在Turbo码的迭代译码过程中，所利用的外信息均来源于信道的接收信息，而这种单一的外信息来源方式，并不能使Turbo码的性能达到最佳；引入了外信息平衡因子，在译码硬判决后通过误码检测提取有用的误码信息，提高外信息的可靠性；给出了一个图像传输系统的实例及其结果分析；实验结果表明：采用该方法可以减少迭代次数，进一步提高Turbo码的译码性能。     

串行级联码的改进译码设计和SOVA算法

为了提高采用短交织器的串行级联卷积码在低级迭代译码时的性能 ,将对数最大似然算法的译码结构引入传统的SOVA中以增强其在短交织时延时的性能 .由于对数最大似然算法和SOVA算法的结合避免了对最大路径中每步度量的更新 ,该算法也对低时延要求有所贡献 .对几种串行级联卷积码仿真的结果表明改进的译码器能在短帧交织时获得满意的性能 .改进的串行级联卷积码的译码算法和设计适用于高比特率低时延的通信系统 .     

基于MapReduce框架的BCH码并行译码研究

传统BCH码串行迭代译码算法计算量大、译码速度慢,无法满足大数据环境下快速译码的要求。本文提出一种基于MapReduce分布式框架的并行译码算法,通过译码的分布式和并行化减少译码时间,通过查找表译码减少译码时的计算量,从而获得较好的译码性能。     

TPC码纠错能力分析及一种改进的迭代译码算法

针对Turbo乘积码实际纠错能力与理论纠错能力的差距,在对Turbo乘积码的编码构造方法的研究基础上,推导证明了Turbo乘积码的理论纠错能力、实际能达到的纠错能力,得出了若分量码纠错能力均为t,则TPC纠错能力为(t 1)2 t的结论;提出了一种可串接在常规算法之后的改进的译码算法,可对常规算法可以检测但无法纠错的情况进行处理.仿真结果表明,在信噪比较低的情况下,本译码算法可进一步提高译码性能.     

BCJR算法在Turbo码迭代译码过程中的SNR失配及估计

通过对BCJR译码算法中信噪比失配对Turbo码译码性能影响的分析，证明了Turbo码迭代译码过程中的信噪比估计对Turbo码的译码性能有着直接的影响。对于Turbo码BCJR译码算法中信噪比估计，提出了自适应信噪比估计器来估计BCJR算法中信噪比失配的设计方案。该方案能以较为简单的运算很好地跟踪Turbo码译码过程中信噪比变化，Matlab的模拟仿真试验证明了该方案在底信噪比条件下具有很好的收敛性，且衰落信道的条件下更为有利。     

快速低密度校验码迭代译码量化算法

提出一种低密度校验码快速量化置信传播译码算法,其中量化电平标号作为定点算术操作数,运算由寻址表完成,中间计算以较高精度包含在表中.该算法具有明显低的时间复杂度,应用对称特性,可以显著降低所需存储容量;在不增加复杂度的前提下,可以方便地实现均匀及各种为改进性能而设计的非均匀量化方案;适当增加复杂度还可实现时变译码.该算法使低密度校验码在实际通信系统中的应用成为可能,同时它也用于实现快速仿真系统.仿真结果表明,6 bit非均匀量化优于均匀量化0.2 dB,低信噪比时已经接近连续译码,而高信噪比时比连续译码差0.2 dB.合适的高阶量化译码可以获得接近连续译码的性能,高信噪比时甚至优于连续译码.