论文部分内容阅读
Turbo码是纠错编码技术的一个突破，它使用了一种全新的译码思想：迭代译码。虽然分组Turbo码的性能优异，但同时也有运算复杂度高和译码时延大等缺点。为了降低译码的运算量和译码所带来的时延，本文把神经网络与分组Turbo码的译码相结合，使用神经网络模型来简化分组Turbo码的译码，利用神经网络的优点来降低译码复杂度和减少译码时延。
本文通过对Turbo乘积码(TPC)外信息的推导，利用径向基函数(RBF)神经网络模型，对Turbo码分量译码器进行了修改，提出了一种新的基于RBF神经网络的迭代译码算法。并针对分组Turbo码(BTC)-BCH(n，k)BTC码和Turbo乘积码——BCH(n，k)2TPC码分别提出了相应的RBF神经网络迭代译码方案。这两种方案译码复杂度相差不大，比起MAP类算法均大大地降低了译码运算复杂度，提高了译码处理速度，并获得了很好的误比特率(BitErrorRate，BER)性能。在码率较高的情况下，RBF神经网络译码Turbo乘积码的性能较好，在码率较低的情况下，RBF译码分组Turbo码的性能则较优。同时，由于RBF神经网络的结构简单对称，因此，这两种RBF译码方案均易于用硬件实现。