基于循环神经网络的低复杂度最小和译码算法

摘要：

针对神经网络信念传播译码算法具有高复杂度的问题,提出一种新的低复杂度的深度学习译码算法,降低译码方法硬件实现时的复杂度.通过给出置信传播译码算法替代图形,结合Min-sum算法,去除了双曲函数运算并将工程实际中需要消耗大量资源的乘法操作转换为简单的加法操作.结合循环神经网络结构,将多层不同的参数约束成单层的参数.结合不同信息的属性,不对来自信道的对数似然比消息附加额外的参数,只是将参数附加于校验节点更新时的边缘上.结合边缘参数的分布,发现部分权重数值与1偏离很大,判定为需要添加权重的边缘.提取有效深度神经网络权重进行训练来降低译码网络的参数数目.经实验验证,所提出的译码方法有效地降低了神经网络的译码复杂度,将神经网络参数减少约20％.并且算法与置信传播译码相比,在高信噪比区域取得1 dB的性能提升,便于硬件实现,具有较强的实用性.

关键词：深度学习、信道译码、Tensorflow

所属期刊栏目：44

分类号：TN911.22

在线出版日期：2021-07-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：74-80