论文部分内容阅读
随着通信技术的飞速发展,信道编码在基础理论和工程实现方面都取得了较大的进展,提高了信息传输的可靠性和准确性。BCH(Bose–Chaudhuri–Hocquenghem)码和RS(Reed-Solomn)码属于信道编码中的一种高密度线性分组码,由于其具备较高纠错能力,已被广泛地应用到卫星通讯和高密度存储等领域。人工神经网络是当今一种新兴技术,为解决传统通信问题提供了新思路,因此利用该技术来提高译码性能是一个非常值得研究的方向。本文对神经网络译码方法进行了探索,在BCH码的置信传播神经网络基础上,提出了一种利用深度卷积神经网络来降低置信传播网络估计误差的方法。由于RS码是一种多进制BCH码,所以不能直接采用置信传播神经网络进行译码,鉴于此,本文针对RS码提出一种降噪神经网络和纠错神经网络级联的译码方法。仿真结果表明,本文提出的BCH码和RS码的神经网络译码方法均可以取得较低的误帧率。本文所包含的主要内容和工作如下:1、首先简要概述了伽罗华域的基本理论、线性分组码和循环码的特性,接着介绍了利用生成矩阵进行BCH码的编码方法,通过伴随式、错误位置多项式和钱搜索方法进行硬判决译码方法,由于RS码的多进制特性,需要利用生成多项式,在BCH码的译码基础上结合BM(Berlekamp-Massey)迭代算法和Forney算法完成硬判决译码。2、人工神经网络是本文解决译码问题的重要支撑。首先阐释了人工神经网络的基本结构、激活函数、代价函数和反向传播算法等概念。接着介绍了现在比较成熟的神经网络模型,其中前馈神经网络和递归神经网络分别作为BCH码和RS码译码神经网络的主要结构,最后介绍了本文的实验工具Tensorflow。3、首先介绍了利用多层感知机进行译码的方法,该方法的复杂度和译码误帧率均较高,接着引入了置信传播译码算法,并介绍了根据Tanner图设计的置信传播神经网络译码结构。由于该网络输出的结果中存在着较大的估计误差,所以本文设计了一种针对BCH码的一维卷积神经网络来降低估计误差,并阐述了该网络结构的设计思想和原理,最终利用Tensorflow验证了本文所提出的改进方案较置信传播译码网络具有较低的误帧率。4、本文提出了一种针对RS码的神经网络译码方法,该译码神经网络由降噪神经网络和纠错神经网络两部分组成。首先设计了一种针对多进制RS码的递归神经网络,来实现对信道接收的RS码字降噪功能,接着设计了一种码字重排乘法器,使得递归神经网络可以更好地挖掘码字中的序列关系,并且设计了一种多级残差神经网络,来实现对降噪RS码字进行纠错的功能,最终通过实验确定了降噪神经网络和纠错神经网络的具体模型结构,获得了RS码的译码神经网络,并进行了误帧率实验,结果表明本文提出的方法可以完成RS码的译码工作,且与传统译码方法相比具有更好的误码性能。