-
公开(公告)号：CN109547032B
公开(公告)日：2020-06-19
申请号：CN201811189094.6
申请日：2018-10-12
Applicant: 华南理工大学
Abstract: 本发明提供一种基于深度学习的置信度传播LDPC译码方法，包括以下步骤：第一步，建立LDPC译码的训练样本集；第二步，建立深度学习译码模型；第三步，确定深度学习译码模型的输入训练集；第四步，确定深度学习译码模型中隐藏层的激活函数；第五步，利用第三步的输入训练集采用批量梯度下降的训练方法对深度学习译码模型进行训练；第六步，对训练后的深度学习译码模型进行验证，对验证的输出结果做硬判决并相应调节权值w，并确定深度学习译码模型的参数；第七步，将需译码的LDPC码输入第六步得到确定参数后的深度学习译码模型中进行译码，完成LDPC译码。本发明可并行译码，并降低译码迭代次数和复杂度，实现从含有噪声和干扰的序列中还原发送端的数据。
-
-
公开(公告)号：CN109525253B
公开(公告)日：2020-10-27
申请号：CN201811250493.9
申请日：2018-10-25
Applicant: 华南理工大学
Abstract: 本发明提供一种基于深度学习和集成方法的卷积码译码方法，该方法设置弱分类器和弱分类器的个数；所述弱分类器采用深度神经网络或感知器对卷积码进行译码，并对深度神经网络的深度进行设置；最后采用集成方法对弱分类器的译码结果投票得到译码输出；所述深度神经网络为全连接神经网络、卷积神经网络、GAN或LSTM。本发明方法采用了深度学习算法和集成方法来对卷积码进行译码，并从带噪的软信息序列中还原发送的信息位序列。
-
Patent Agency Ranking
公开(公告)号：CN109361404B
公开(公告)日：2020-07-28
申请号：CN201811137705.2
申请日：2018-09-28
Applicant: 华南理工大学
Abstract: 本发明提供一种基于半监督深度学习网络的LDPC译码系统，包括用于将LDPC码字构建成适合深度学习网络样本集的输入单元；无监督学习模型；无监督学习模型包括用于对样本集进行降噪的降噪单元，以及用于对降噪后的数据进行提取特征和特征映射的特征提取和特征映射单元；以及用于针对特征映射后的输入进行有监督训练，回归出一批LDPC码字的信息位以完成LDPC批量译码的有监督学习单元；输入单元、降噪单元、特征提取和特征映射单元以及有监督学习单元依次连接。还提供基于半监督深度学习网络的LDPC译码方法。本发明利用训练好的深度学习网络实现无需迭代的高吞吐率译码，用于解决现有的LDPC软判决译码算法译码复杂度高，多次迭代带来的延时以及吞吐量低的问题。
-
公开(公告)号：CN109525253A
公开(公告)日：2019-03-26
申请号：CN201811250493.9
申请日：2018-10-25
Applicant: 华南理工大学
Abstract: 本发明提供一种基于深度学习和集成方法的卷积码译码方法，该方法设置弱分类器和弱分类器的个数；所述弱分类器采用深度神经网络或感知器对卷积码进行译码，并对深度神经网络的深度进行设置；最后采用集成方法对弱分类器的译码结果投票得到译码输出；所述深度神经网络为全连接神经网络、卷积神经网络、GAN或LSTM。本发明方法采用了深度学习算法和集成方法来对卷积码进行译码，并从带噪的软信息序列中还原发送的信息位序列。
-
-
公开(公告)号：CN109547032A
公开(公告)日：2019-03-29
申请号：CN201811189094.6
申请日：2018-10-12
Applicant: 华南理工大学
Abstract: 本发明提供一种基于深度学习的置信度传播LDPC译码方法，包括以下步骤：第一步，建立LDPC译码的训练样本集；第二步，建立深度学习译码模型；第三步，确定深度学习译码模型的输入训练集；第四步，确定深度学习译码模型中隐藏层的激活函数；第五步，利用第三步的输入训练集采用批量梯度下降的训练方法对深度学习译码模型进行训练；第六步，对训练后的深度学习译码模型进行验证，对验证的输出结果做硬判决并相应调节权值w，并确定深度学习译码模型的参数；第七步，将需译码的LDPC码输入第六步得到确定参数后的深度学习译码模型中进行译码，完成LDPC译码。本发明可并行译码，并降低译码迭代次数和复杂度，实现从含有噪声和干扰的序列中还原发送端的数据。
-
公开(公告)号：CN109361404A
公开(公告)日：2019-02-19
申请号：CN201811137705.2
申请日：2018-09-28
Applicant: 华南理工大学
Abstract: 本发明提供一种基于半监督深度学习网络的LDPC译码系统，包括用于将LDPC码字构建成适合深度学习网络样本集的输入单元；无监督学习模型；无监督学习模型包括用于对样本集进行降噪的降噪单元，以及用于对降噪后的数据进行提取特征和特征映射的特征提取和特征映射单元；以及用于针对特征映射后的输入进行有监督训练，回归出一批LDPC码字的信息位以完成LDPC批量译码的有监督学习单元；输入单元、降噪单元、特征提取和特征映射单元以及有监督学习单元依次连接。还提供基于半监督深度学习网络的LDPC译码方法。本发明利用训练好的深度学习网络实现无需迭代的高吞吐率译码，用于解决现有的LDPC软判决译码算法译码复杂度高，多次迭代带来的延时以及吞吐量低的问题。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.019 seconds)
