公开(公告)号：CN110299921B

公开(公告)日：2023-01-17

申请号：CN201910500984.2

申请日：2019-06-11

申请人： 东南大学

发明人： 金石 ,  何云峰 ,  韩彬 ,  张静 ,  温朝凯

IPC分类号： H03M13/29 ,  G06N3/04

摘要： 本发明公开了一种模型驱动的Turbo码深度学习译码方法，首先将Turbo码迭代译码结构展开为一个“平铺”式的结构，并且将每一次迭代用一个DNN译码单元替代，构成用于Turbo码译码的网络TurboNet；然后构建传统Max‑Log‑MAP算法的图形结构并将其参数化，得到一个基于Max‑Log‑MAP算法的深度神经网络，将其作为TurboNet译码单元中的子网络，从而替代传统译码结构中的SISO译码器及由SISO译码器的输出获得外信息的计算；对由M个DNN单元组成的TurboNet进行训练，获得模型参数；最后对TurboNet的输出值用sigmoid函数归一化，并对归一化的结果进行硬判决，得到对真实信息序列u的估计值实现对Turbo码的译码。本发明可以提高Max‑Log‑MAP算法的误码率性能，且和纯数据驱动的模型相比，参数个数减少了2个数量级，极大地降低了时延。

公开(公告)号：CN110299921A

公开(公告)日：2019-10-01

申请号：CN201910500984.2

申请日：2019-06-11

申请人： 东南大学

发明人： 金石 ,  何云峰 ,  韩彬 ,  张静 ,  温朝凯

IPC分类号： H03M13/29 ,  G06N3/04

摘要： 本发明公开了一种模型驱动的Turbo码深度学习译码方法，首先将Turbo码迭代译码结构展开为一个“平铺”式的结构，并且将每一次迭代用一个DNN译码单元替代，构成用于Turbo码译码的网络TurboNet；然后构建传统Max-Log-MAP算法的图形结构并将其参数化，得到一个基于Max-Log-MAP算法的深度神经网络，将其作为TurboNet译码单元中的子网络，从而替代传统译码结构中的SISO译码器及由SISO译码器的输出获得外信息的计算；对由M个DNN单元组成的TurboNet进行训练，获得模型参数；最后对TurboNet的输出值用sigmoid函数归一化，并对归一化的结果进行硬判决，得到对真实信息序列u的估计值 实现对Turbo码的译码。本发明可以提高Max-Log-MAP算法的误码率性能，且和纯数据驱动的模型相比，参数个数减少了2个数量级，极大地降低了时延。