引言
低密度奇偶校验码（Low Density Parity Check, LDPC）是一种性能逼近香农极限[1]和具有高译码吞吐量[2]的前向纠错码，被广泛运用于有线、无线、卫星、以太网等通信系统中。编码后的LDPC码被附加上冗余信息，经调制和噪声信道后再进行译码，力求尽可能地纠正其中的误码。传统的LDPC译码算法包括和积译码（Sum Product, SP）、最小和译码（Min-sum, MS）、基于MS的改进算法有归一化最小和译码（Normalized Min-sum, NMS）与带偏置项的最小和译码（Offset Min-sum, OMS）。随着近年来人工智能的快速发展，基于神经网络的深度学习越来越广泛地应用于各领域的研究，将深度学习方法应用于信道译码的研究也成为了一大研究热点。Nachmanid等已证明对Tanner图的边缘分配权重，可相比传统置信传播（Belief Propogation, BP）算法减少迭代次数，提高译码性能[3]。Wang等人提出的DNN译码数学复杂度高，仅适用于短码，在长码译码中展现性能不佳[4]。Lugosch 等提出可用于硬件实现的神经偏置项最小和译码（Neural Offset Min-sum, NOMS）[5]， 但该方法也难以应用于长码译码。本文研究基于深度学习的LDPC长码译码方法。首先研究数据驱动译码算法，即预先设置适当结构的MLP网络，然后直接采用大量信息与编码数据进行训练，从而构建译码神经网络。由于没有将传统算法的迭代结构融入其中，此方法的译码效果不理想。而后提出神经归一化最小和译码（Neural Normalized Min-sum, NNMS），它将传统的NMS算法的迭代结构改造为神经网络，再对神经网络的参数进行训练。NNMS将传统NMS算法与神经网络相结合，相比于MS和NMS算法均得到了性能的提升。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006241
作者信息：
贾迪1，严伟1，姚赛杰2，张权2，刘亚欢2
（1.北京大学 软件与微电子学院，北京 102600；
2.裕太微电子股份有限公司，上海 201210）
