CN115037312B - Ldpc译码软信息的量化方法、装置及设备 - Google Patents

Ldpc译码软信息的量化方法、装置及设备 Download PDF

Info

Publication number
CN115037312B
CN115037312B CN202210968862.8A CN202210968862A CN115037312B CN 115037312 B CN115037312 B CN 115037312B CN 202210968862 A CN202210968862 A CN 202210968862A CN 115037312 B CN115037312 B CN 115037312B
Authority
CN
China
Prior art keywords
soft information
neural network
mapping relation
optimal
quantization
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210968862.8A
Other languages
English (en)
Other versions
CN115037312A (zh
Inventor
李晓雷
李德建
赵东艳
赵旭
张玉冰
王勇
刘晗
李正浩
甘杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Shandong Electric Power Co Ltd
Beijing Smartchip Microelectronics Technology Co Ltd
Original Assignee
State Grid Shandong Electric Power Co Ltd
Beijing Smartchip Microelectronics Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Shandong Electric Power Co Ltd, Beijing Smartchip Microelectronics Technology Co Ltd filed Critical State Grid Shandong Electric Power Co Ltd
Priority to CN202210968862.8A priority Critical patent/CN115037312B/zh
Publication of CN115037312A publication Critical patent/CN115037312A/zh
Application granted granted Critical
Publication of CN115037312B publication Critical patent/CN115037312B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M13/00—Coding, decoding or code conversion, for error detection or error correction; Coding theory basic assumptions; Coding bounds; Error probability evaluation methods; Channel models; Simulation or testing of codes
    • H03M13/03—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words
    • H03M13/05—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words using block codes, i.e. a predetermined number of check bits joined to a predetermined number of information bits
    • H03M13/11—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words using block codes, i.e. a predetermined number of check bits joined to a predetermined number of information bits using multiple parity bits
    • H03M13/1102—Codes on graphs and decoding on graphs, e.g. low-density parity check [LDPC] codes
    • H03M13/1105—Decoding
    • H03M13/1111—Soft-decision decoding, e.g. by means of message passing or belief propagation algorithms
    • H03M13/1125—Soft-decision decoding, e.g. by means of message passing or belief propagation algorithms using different domains for check node and bit node processing, wherein the different domains include probabilities, likelihood ratios, likelihood differences, log-likelihood ratios or log-likelihood difference pairs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0045—Arrangements at the receiver end
    • H04L1/0047—Decoding adapted to other signal detection operation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0056—Systems characterized by the type of code used
    • H04L1/0061—Error detection codes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明涉及无线通信技术领域，其实施方式提供了一种LDPC译码软信息的量化方法、装置及设备。其中一种LDPC译码软信息的量化方法，包括：获取量化前的软信息与量化后的软信息之间的映射关系；通过神经网络拟合所述映射关系，得到神经网络量化器；所述神经网络量化器用于根据输入的软信息输出对应的软信息。本发明提供的实施方式提升了译码器性能鲁棒性，并以较小的性能损失，减少了软信息存储比特。

Description

LDPC译码软信息的量化方法、装置及设备
技术领域
本发明涉及无线通信领域，具体地涉及一种LDPC译码软信息的量化方法、一种LDPC译码软信息的量化装置、一种LDPC译码软信息的量化设备以及一种计算机可读存储介质。
背景技术
目前主流的量化方法分为均匀量化和非均匀量化，然而不论对LLR直接进行均匀量化还是非均匀量化，译码器性能损失都很大。此外，虽然已经有一些改进的均匀量化或者非均匀量化方法在一定程度上降低了LLR的位宽并且保证译码器性能损失在一定范围内，但是在不同MCS（调制和编码方案）场景下，可能存在鲁棒性问题，即量化方法在某些场景下可能损失很大。
目前的一些方案中的门限阈值α基本是固定的，不随场景而自适应变化，但是实际场景复杂，不同信道，MCS下，该量化方案可能有损失大的场景。
目前的另外一些方案的主要思想为确定软信息的第一范围和第二范围，针对不同范围采用不同的量化方案，即第一范围的值采用均匀量化（或者线性量化），第二范围的值采用非均匀量化。但是实际场景复杂，不同信道及不同MCS下，由于软信息数据动态范围不一样，所以区分第一范围和第二范围的门限不好确定。较好的做法是将数据先进行截断处理再进行量化，该方案并没有提供相关解决思路。
发明内容
本发明实施例的目的是提供一种LDPC译码软信息的量化方法、装置及设备，以解决以上部分问题。
为了实现上述目的，本发明的第一方面提供了一种LDPC译码软信息的量化方法，该方法包括：获取量化前的软信息与量化后的软信息之间的映射关系；通过神经网络拟合所述映射关系，得到神经网络量化器；所述神经网络量化器用于根据输入的软信息输出对应的软信息。
优选的，获取量化前的软信息与量化后的软信息之间的映射关系，包括：基于软信息的处理函数作为所述映射关系；或者基于软信息的分布函数得到归一化表达式作为所述映射关系。
优选的，所述处理函数中的参数包括截断阈值，所述截断阈值通过以下步骤确定：确定截断阈值的搜索范围和最佳量化评价指标；根据截断后的软信息经译码器得到的译码比特与发射比特计算最佳量化评价指标的值；根据所述最佳量化评价指标的值，从所述搜索范围确定最佳的截断阈值作为最佳参数。
优选的，所述处理函数中的参数包括压缩系数，所述压缩系数通过以下步骤确定：根据量化后的软信息经译码器得到的译码比特与发射比特得到译码器性能指标的值；根据所述译码器性能指标的值得到最佳的压缩系数作为最佳参数。
优选的，通过神经网络拟合所述映射关系，得到神经网络量化器，包括：采用包含所述映射关系的数据样本对所述神经网络进行训练，以训练后的神经网络作为所述神经网络量化器；或者提取所述神经网络的数学表达式，根据包含所述映射关系的数据样本确定所述数学表达式中的参数，以确定参数后的数学表达式作为所述神经网络量化器；或者采用拟合曲线对所述映射关系进行拟合，通过包含所述映射关系的数据样本和所述神经网络确定所述拟合曲线中的特征参数，以确定特征参数后的拟合曲线作为所述神经网络量化器。
优选的，所述拟合曲线为折线，所述特征参数为折线的顶点，所述顶点以所述神经网络的输出值进行确定。
优选的，所述折线为三段折线，所述三段折线的顶点分别为（0，0）、（x1，y1）、（x2，1）、（1，1）；其中x1、y1、x2以所述神经网络的输出值进行确定。
优选的，所述神经网络能够采用其他机器学习模型进行替换。
在本发明的第二方面，还提供了一种LDPC译码软信息的量化装置，所述装置包括：映射获取模块，用于获取量化器的输入软信息与该输入软信息对应的输出软信息的映射关系；映射拟合模块，用于通过神经网络拟合所述映射关系，得到神经网络量化器；以及量化应用模块，用于所述神经网络量化器用于根据输入的软信息输出对应的软信息。
优选的，获取量化前的软信息与量化后的软信息之间的映射关系，包括：基于软信息的处理函数作为所述映射关系；或者基于软信息的分布函数得到归一化表达式作为所述映射关系。
优选的，所述处理函数中的参数包括截断阈值，所述截断阈值通过以下步骤确定：确定截断阈值的搜索范围和最佳量化评价指标；根据截断后的软信息经译码器得到的译码比特与发射比特计算最佳量化评价指标的值；根据所述最佳量化评价指标的值，从所述搜索范围确定最佳的截断阈值作为最佳参数。
优选的，所述处理函数中的参数包括压缩系数，所述压缩系数通过以下步骤确定：根据量化后的软信息经译码器得到的译码比特与发射比特得到译码器性能指标的值；根据所述译码器性能指标的值得到最佳的压缩系数作为最佳参数。
优选的，通过神经网络拟合所述映射关系，得到神经网络量化器，包括：采用包含所述映射关系的数据样本对所述神经网络进行训练，以训练后的神经网络作为所述神经网络量化器；或者提取所述神经网络的数学表达式，根据包含所述映射关系的数据样本确定所述数学表达式中的参数，以确定参数后的数学表达式作为所述神经网络量化器；或者采用拟合曲线对所述映射关系进行拟合，通过包含所述映射关系的数据样本和所述神经网络确定所述拟合曲线中的特征参数，以确定特征参数后的拟合曲线作为所述神经网络量化器。
优选的，所述拟合曲线为折线，所述特征参数为折线的顶点，所述顶点以所述神经网络的输出值进行确定。
优选的，所述折线为三段折线，所述三段折线的顶点分别为（0，0）、（x1，y1）、（x2，1）、（1，1）；其中x1、y1、x2以所述神经网络的输出值进行确定。
优选的，所述神经网络能够采用其他机器学习模型进行替换。
在本发明的第三方面，还提供了一种LDPC译码软信息的量化设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述的LDPC译码软信息的量化方法的步骤。
在本发明的第四方面，还提供了一种计算机可读存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行前述的LDPC译码软信息的量化方法的步骤。
本发明的第五方面提供一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现前述的LDPC译码软信息的量化方法。
上述技术方案至少具有以下有益效果：
（1）解决在不同信道和MCS下，LLR数据动态范围大而导致直接均匀量化或者非均匀量化译码器性能损失大的问题。
（2）在不同MCS下，提升了译码器性能鲁棒性。在bler=10%处，信噪比最多损失不超过0.1dB。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1示意性示出了根据本发明实施方式的LDPC译码软信息的量化方法的实施示意图；
图2示意性示出了LDPC译码过程及推断过程的示意图；
图3示意性示出了根据本发明实施方式的搜索截断阈值的流程示意图；
图4示意性示出了根据本发明实施方式的搜索缩放系数的流程示意图；
图5示意性示出了根据本发明实施方式的仿真获得的专家非均匀量化转换函数的示意图；
图6示意性示出了根据本发明实施方式中的神经网络的结构示意图；
图7示意性示出了根据本发明实施方式的神经网络量化函数的示意图；
图8示意性示出了根据本发明实施方式的神经网络辅助量化函数的示意图；
图9示意性示出了根据本发明实施方式中的神经网络的大体训练过程示意图；
图10示意性示出了根据本发明一种实施方式的仿真结果示意图；
图11示意性示出了根据本发明另一种实施方式的仿真结果示意图；
图12示意性示出了根据本发明实施方式LDPC译码软信息的量化装置的结构示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
图1示意性示出了根据本发明实施方式的LDPC译码软信息的量化方法的实施示意图。如图1所示，一种LDPC译码软信息的量化方法，该方法包括：
S01、获取量化前的软信息与量化后的软信息之间的映射关系；软信息也称为对数似然比（LLR）。本实施方式中所指的量化包括现有技术中的可以采用的量化方式。此处的映射关系可以包括体现该映射关系的数据样本。
S02、通过神经网络拟合所述映射关系，得到神经网络量化器；前述步骤获取的映射关系可能具有一定的局限性，例如离散性、区间限制或者取值适配等。利用神经网络等机器学习技术，能够使前述的映射关系变换为对应的映射模型，从而克服前述的局限性，得到能够与任意输入软信息适配的神经网络量化器。图2示意性示出了LDPC译码过程及推断过程的示意图，如图2所示，图中虚线为在训练时启动。在本步骤中，将专家非均匀量化器（映射关系）通过神经网络进行拟合，以拟合结果替代原来的量化器。
S03、所述神经网络量化器用于根据输入的软信息输出对应的软信息。
采用前述步骤得到的神经网络量化器通过部署，将输入的软信息进行映射处理，从而实现更佳的映射效果。
通过以上实施方式，能够提升软信息的译码效率，可以实现LLR比特数量从6bit（大于6比特也可以）减少到4bit，使存储器所需要的硅面积减少大约15%。
在本发明的一些实施方式中，获取量化前的软信息与量化后的软信息之间的映射关系，包括：基于软信息的处理函数作为所述映射关系；具体包括：
（1）获取软信息最优的截断阈值和压缩系数，记作[β qm,cr ，η qm,cr ]，其中，qm = 2，4，6，8表示调制方式，分别对应QPSK，16QAM，64QAM和256QAM，cr表示码率，cr∈（0,1）。显然，由qm和cr可唯一表示一种MCS组合。
1）将待选截断阈值记作r k ∈（7，31），k=0，1，…，K-1，K为待选截断阈值个数，将初始软信息定义为第一软信息，并记作
Figure DEST_PATH_IMAGE001
。
通过将第一软信息进行如下限幅操作获取第二软信息，即：
Figure 544456DEST_PATH_IMAGE002
2）将第二软信息输入至译码器得到译码比特，记作
Figure 855352DEST_PATH_IMAGE003
，其中l表示slot索引，l=0,1,⋯,L-1，j表示比特索引，j=0,1,⋯,M-1而L，M分别表示slot个数和比特个数。
3）根据步骤2）得到的译码比特以及发射比特计算交叉熵损失,即：
Figure 657086DEST_PATH_IMAGE004
其中，k=0,1,⋯,K-1，表示截断阈值的索引。
4）计算最优的截断阈值，即：
Figure 205879DEST_PATH_IMAGE005
5）截断阈值β qm,cr 确定后，确定最优压缩系数η qm,cr ，其中压缩系数为如下非均匀量化器的参数：
Figure 559500DEST_PATH_IMAGE006
第1步，对第一软信息LLR j 1st 进行限幅，得到第二软信息。
Figure 482325DEST_PATH_IMAGE007
第2步，赋值η qm,cr = z t ，t=0,1,⋯,T-1，其中z t ∈（1,10），T为待选压缩系数的个数。将第二软信息取绝对值输入到如下量化器，得到第三软信息LLR i 3rd ：
Figure 477963DEST_PATH_IMAGE008
第3步，将第三软信息符号恢复后输入到译码器，得到译码器性能指标Bler，记作Bler t 。
第4步，计算最优的压缩系数，即：
Figure 553366DEST_PATH_IMAGE009
5）重复步骤1）~4），得到所有MCS组合下的截断阈值及压缩系数，并由此可以得到不同MCS对应的专家非均匀转换函数，记作f qm,cr 。
还例如：基于软信息的分布函数得到归一化表达式作为所述映射关系。设定软信息的分布函数为p L(x)，则将映射关系表示为：
Figure 77889DEST_PATH_IMAGE010
其中，
Figure 488010DEST_PATH_IMAGE011
，
Figure 959443DEST_PATH_IMAGE012
，H是归一化因子。
以上实施方式仅提供了可选的两种方法，该f qm,cr 可以通过任何技术手段获取，不限于理论推导、遍历仿真搜索等方法。
图3示意性示出了根据本发明实施方式的搜索截断阈值的流程示意图。如图3所示。截断阈值通过以下步骤确定：确定截断阈值的搜索范围和最佳量化评价指标；根据量化后的软信息经译码器得到的译码比特与发射比特计算最佳量化评价指标的值；根据所述最佳量化评价指标的值，从所述搜索范围确定最佳的截断阈值作为最佳参数。
图4示意性示出了根据本发明实施方式的搜索缩放系数的流程示意图；如图4所示，所述压缩系数通过以下步骤确定：根据量化后的软信息经译码器得到的译码比特与发射比特得到译码器性能指标的值；根据所述译码器性能指标的值得到最佳的压缩系数作为最佳参数。
图5示意性示出了根据本发明实施方式的仿真获得的专家非均匀量化转换函数的示意图，如图所示，图中细实线可表示为f 2，0.19，细虚线可表示为f 2，0.30，粗实线可表示为f 2，0.44。
在本发明的一些实施方式中，通过神经网络拟合所述映射关系，得到神经网络量化器，包括以下几种方式：
一些可选实施方式中，采用包含所述映射关系的数据样本对所述神经网络进行训练，以训练后的神经网络作为所述神经网络量化器下。神经网络经过训练之后，能够对输入的参数进行分类或回归，该训练后的神经网络使得以上数据演变中的映射关系从离散态转变为连续态。
一些可选实施方式中，神经网络量化器通过以下方式获取提取所述神经网络的数学表达式，根据包含所述映射关系的数据样本确定所述数学表达式中的参数，以确定参数后的数学表达式作为所述神经网络量化器。具体的，网络结构采用[1-2-2-1]结构，如图6所示。图6示意性示出了根据本发明实施方式中的神经网络的结构示意图。网络中每一层应用的SELU激活函数表示如下：
Figure 13987DEST_PATH_IMAGE013
每层的参数如下：
第1层：
Figure 115935DEST_PATH_IMAGE014
；
第2层：
Figure 822564DEST_PATH_IMAGE017
；
第3层：
Figure 997194DEST_PATH_IMAGE018
；
所以，将6bit软信息直接输入到网络，即可得到4比特的结果，即
Figure 738885DEST_PATH_IMAGE019
以上各层的中的参数均通过数据样本和损失函数进行确定。这样，神经网络量化器通过存储网络参数，对6bit软信息进行乘加操作即可完成4比特量化。这里存在一个问题，selu函数计算有指数计算，以往的方式是通过查表实现，为了节省存储，可以通过如下方式实现ex近似，即：
Figure 202227DEST_PATH_IMAGE020
神经网络训练时参数配置如下：
表1
Figure 812200DEST_PATH_IMAGE021
由此得到的神经网络量化函数如图7所示，图7示意性示出了根据本发明实施方式的神经网络量化函数的示意图。
采用以上实施方式时，虽然神经网络量化器不用截断，但是也要存储13个参数，并进行若干乘加操作，为了降低存储以及降低计算复杂度，可以采用拟合曲线对所述映射关系进行拟合，通过包含所述映射关系的数据样本和所述神经网络确定所述拟合曲线中的特征参数，以确定特征参数后的拟合曲线作为所述神经网络量化器。
图8示意性示出了根据本发明实施方式的神经网络辅助量化函数的示意图。如图8所示。在该实施方式中，所述拟合曲线为折线，所述特征参数为折线的顶点，所述顶点根据神经网络的输出值进行确定。此时对应的方法为多段线性量化，多段线性量化曲线是通过以上神经网络学习得到的。具体操作如下：
1）更改网络结构，神经网络采用[1-4-2-1]结构；
2）激活函数替换为relu；
Figure 965970DEST_PATH_IMAGE022
；
针对前一实施方式中的神经网络辅助量化函数，能够发现采用三段折线能够较好替代该每条拟合曲线，三段折线中的每段直线可由两点唯一近似表示，将参数坐标记作(x1 qm,cr，y1 qm,cr)，(x2 qm,cr，1)，此处上标qm,cr表示该x1、y1、x2与前述的调制方式和编码方式的组合相关。本实施方式采用折线拟合，能够更进一步降低存储和降低计算复杂度。
采用以上拟合曲线进行量化的过程及步骤如下：
1）查参数坐标表，得到当前MCS下的参数x1 qm,cr，y1 qm,cr，x2 qm,cr；
2）将译码器入口待量化6bit第一软信息进行归一化，即x j =LLR j 1st /31（称作第二软信息）；
3）将步骤2）第二软信息x j 进行如下操作得到归一化的4比特量化值，即
Figure 268775DEST_PATH_IMAGE023
4）将y j 进行如下处理得到第三软信息，即：
Figure 891517DEST_PATH_IMAGE024
；
说明：如上量化处理仅针对软信息大于等于0的情形，小于0的情况处理仅需对软信息取绝对值在过量化器，然后再乘以-1，处理方式与大于0的软信息是严格对称的。图9示意性示出了根据本发明实施方式中的神经网络的大体训练过程示意图。如图9所示，第一软信息通过归一化处理，通过神经网络与专家非均匀量化器输出结果之间的MSE Loss最小为原则，对神经网络进行训练和调整。
3、将第三软信息（4bit）送入基于NMS的LDPC译码器，进行译码操作。其中，译码器相关配置如下：译码迭代次数为15，归一化因子α=0.75。
以下通过不同的量化方法对本发明实施方式的效果进行仿真验证，并将码器性能对比如下。
参与对比的不同量化方法说明：
表2
Figure 305181DEST_PATH_IMAGE025
其中，4bit uniQ及4bit nonuniQ方法性能比较差，所以后面不在对比范围内。
图10示意性示出了根据本发明一种实施方式的仿真结果示意图，如图10所示。图中的NMS AWGN Qm=2 CR=0.3表示：译码器采用NMS算法，基于AWGN信道，调制方式为QPSK，码率为0.3。图11示意性示出了根据本发明另一种实施方式的仿真结果示意图，如图11所示。图中的NMS AWGN Qm=2 CR=0.44表示：译码器采用NMS算法，基于AWGN信道，调制方式为QPSK，码率为0.44。
由上面的结果能够发现在两个码率下，本发明实施方式不论是神经网络非均匀量化器还是神经网络辅助量化器，性能均好于其它对比方法，而且神经网络辅助量化器性能更佳，在Bler=10%工作点，信噪比损失小于0.1dB。所以在存储占用和计算复杂度等指标综合考虑后，神经网络辅助量化器是芯片具体实现较好的选择。
4bit α-nonuniQ方法α=0.5，先根据α门限对6bit LLR截断，再进行非均匀量化，量化表如下：
表3
Figure 313457DEST_PATH_IMAGE026
4bit β-uniQ方法采用截断阈值对6bit LLR先进行截断，然后再进行均匀量化，量化表如下：
表4
Figure 990426DEST_PATH_IMAGE027
基于同一发明构思，本发明还提供了一种LDPC译码软信息的量化装置。图12示意性示出了根据本发明实施方式LDPC译码软信息的量化装置的结构示意图，如图12所示。一种LDPC译码软信息的量化装置，所述装置包括：映射获取模块，用于获取量化器的输入软信息与该输入软信息对应的输出软信息的映射关系；映射拟合模块，用于通过神经网络拟合所述映射关系，得到神经网络量化器；以及量化应用模块，用于利用所述神经网络量化器根据输入的软信息输出对应的软信息。
在一些可选实施方式中，获取量化前的软信息与量化后的软信息之间的映射关系，包括：基于软信息的处理函数作为所述映射关系；或者基于软信息的分布函数得到归一化表达式作为所述映射关系。
在一些可选实施方式中，所述处理函数中的参数包括截断阈值，所述截断阈值通过以下步骤确定：确定截断阈值的搜索范围和最佳量化评价指标；根据发射比特和译码比特计算最佳量化评价指标的值；根据所述最佳量化评价指标，从所述搜索范围确定最佳的截断阈值作为最佳参数。
优选的，所述处理函数中的参数包括压缩系数，所述压缩系数通过以下步骤确定：根据发射比特和译码比特得到译码器性能指标的值；根据所述译码器性能指标的值得到最佳的压缩系数作为最佳参数。
在一些可选实施方式中，通过神经网络拟合所述映射关系，得到神经网络量化器，包括：采用包含所述映射关系的数据样本对所述神经网络进行训练，以训练后的神经网络作为所述神经网络量化器；或者提取所述神经网络的数学表达式，根据包含所述映射关系的数据样本确定所述数学表达式中的参数，以确定参数后的数学表达式作为所述神经网络量化器；或者采用拟合曲线对所述映射关系进行拟合，通过包含所述映射关系的数据样本和所述神经网络确定所述拟合曲线中的特征参数，以确定特征参数后的拟合曲线作为所述神经网络量化器。
在一些可选实施方式中，所述拟合曲线为折线，所述特征参数为折线的顶点，所述顶点以所述神经网络的输出值进行确定。
优选的，所述折线为三段折线，所述三段折线的顶点分别为（0，0）、（x1，y1）、（x2，1）（1，1）；其中x1、y1、x2以所述神经网络的输出值进行确定。
在一些可选实施方式中，所述神经网络能够采用其他机器学习模型进行替换。
上述的LDPC译码软信息的量化装置中的各个功能模块的具体限定可以参见上文中对于LDPC译码软信息的量化方法的限定，在此不再赘述。上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在本发明提供的一些实施方式中，还提供了一种LDPC译码软信息的量化设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述的LDPC译码软信息的量化方法的步骤。此处的处理器具有数值计算和逻辑运算的功能，其至少具有数据处理能力的中央处理器CPU、随机存储器RAM、只读存储器ROM、多种I/O口和中断***等。处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现前述的方法。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
在本发明的一种实施方式中，还提供了一种计算机可读存储介质，所述存储介质中存储有指令，当其在计算机上运行时，该指令在被处理器执行时使得处理器被配置成执行上述的LDPC译码软信息的量化方法。
在本发明提供的一种实施方式中，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现上述的LDPC译码软信息的量化方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（***）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (16)

1.一种LDPC译码软信息的量化方法，其特征在于，该方法包括：
获取量化前的软信息与量化后的软信息之间的映射关系，包括：基于软信息的处理函数作为所述映射关系，或者基于软信息的分布函数得到归一化表达式作为所述映射关系；
通过神经网络拟合所述映射关系，得到神经网络量化器；
所述神经网络量化器用于根据输入的软信息输出对应的软信息；
其中，基于软信息的处理函数作为所述映射关系，包括：1）将初始软信息定义为第一软信息；通过将第一软信息进行限幅操作获取第二软信息；2）将第二软信息输入至译码器得到译码比特；3）根据步骤2）得到的译码比特以及发射比特计算交叉熵损失；4）计算最优的截断阈值；5）截断阈值确定后，确定最优压缩系数；6）重复步骤1）至步骤5），得到所有MCS组合下的截断阈值及压缩系数，并得到不同MCS对应的非均匀转换函数。
2.根据权利要求1所述的方法，其特征在于，所述处理函数中的参数包括截断阈值，所述截断阈值通过以下步骤确定：
确定截断阈值的搜索范围和最佳量化评价指标；
根据截断后的软信息经译码器得到的译码比特与发射比特计算最佳量化评价指标的值；
根据所述最佳量化评价指标的值，从所述搜索范围确定最佳的截断阈值作为最佳参数。
3.根据权利要求1所述的方法，其特征在于，所述处理函数中的参数包括压缩系数，所述压缩系数通过以下步骤确定：
根据量化后的软信息经译码器得到的译码比特与发射比特得到译码器性能指标的值；
根据所述译码器性能指标的值得到最佳的压缩系数作为最佳参数。
4.根据权利要求1所述的方法，其特征在于，通过神经网络拟合所述映射关系，得到神经网络量化器，包括：
采用包含所述映射关系的数据样本对所述神经网络进行训练，以训练后的神经网络作为所述神经网络量化器；或者
提取所述神经网络的数学表达式，根据包含所述映射关系的数据样本确定所述数学表达式中的参数，以确定参数后的数学表达式作为所述神经网络量化器；或者
采用拟合曲线对所述映射关系进行拟合，通过包含所述映射关系的数据样本和所述神经网络确定所述拟合曲线中的特征参数，以确定特征参数后的拟合曲线作为所述神经网络量化器。
5.根据权利要求4所述的方法，其特征在于，所述拟合曲线为折线，所述特征参数为折线的顶点，所述顶点以所述神经网络的输出值进行确定。
6.根据权利要求5所述的方法，其特征在于，所述折线为三段折线，所述三段折线的顶点分别为（0，0）、（x1，y1）、（x2，1）、（1，1）；其中x1、y1、x2以所述神经网络的输出值进行确定。
7.根据权利要求1所述的方法，其特征在于，所述神经网络能够采用其他机器学习模型进行替换。
8.一种LDPC译码软信息的量化装置，其特征在于，所述装置包括：
映射获取模块，用于获取量化前的软信息与量化后的软信息之间的映射关系，包括：基于软信息的处理函数作为所述映射关系，或者基于软信息的分布函数得到归一化表达式作为所述映射关系；
映射拟合模块，用于通过神经网络拟合所述映射关系，得到神经网络量化器；以及
量化应用模块，用于利用所述神经网络量化器根据输入的软信息输出对应的软信息；
其中，基于软信息的处理函数作为所述映射关系，包括：1）将初始软信息定义为第一软信息；通过将第一软信息进行限幅操作获取第二软信息；2）将第二软信息输入至译码器得到译码比特；3）根据步骤2）得到的译码比特以及发射比特计算交叉熵损失；4）计算最优的截断阈值；5）截断阈值确定后，确定最优压缩系数；6）重复步骤1）至步骤5），得到所有MCS组合下的截断阈值及压缩系数，并得到不同MCS对应的非均匀转换函数。
9.根据权利要求8所述的装置，其特征在于，所述处理函数中的参数包括截断阈值，所述截断阈值通过以下步骤确定：
确定截断阈值的搜索范围和最佳量化评价指标；
根据截断后的软信息经译码器得到的译码比特与发射比特计算最佳量化评价指标的值；
根据所述最佳量化评价指标，从所述搜索范围确定最佳的截断阈值作为最佳参数。
10.根据权利要求8所述的装置，其特征在于，所述处理函数中的参数包括压缩系数，所述压缩系数通过以下步骤确定：
根据量化后的软信息经译码器得到的译码比特与发射比特得到译码器性能指标的值；
根据所述译码器性能指标的值得到最佳的压缩系数作为最佳参数。
11.根据权利要求8所述的装置，其特征在于，通过神经网络拟合所述映射关系，得到神经网络量化器，包括：
采用包含所述映射关系的数据样本对所述神经网络进行训练，以训练后的神经网络作为所述神经网络量化器；或者
提取所述神经网络的数学表达式，根据包含所述映射关系的数据样本确定所述数学表达式中的参数，以确定参数后的数学表达式作为所述神经网络量化器；或者
采用拟合曲线对所述映射关系进行拟合，通过包含所述映射关系的数据样本和所述神经网络确定所述拟合曲线中的特征参数，以确定特征参数后的拟合曲线作为所述神经网络量化器。
12.根据权利要求11所述的装置，其特征在于，所述拟合曲线为折线，所述特征参数为折线的顶点，所述顶点以所述神经网络的输出值进行确定。
13.根据权利要求12所述的装置，其特征在于，所述折线为三段折线，所述三段折线的顶点分别为（0，0）、（x1，y1）、（x2，1）、（1，1）；其中x1、y1、x2以所述神经网络的输出值进行确定。
14.根据权利要求8所述的装置，其特征在于，所述神经网络能够采用其他机器学习模型进行替换。
15.一种LDPC译码软信息的量化设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项权利要求所述的LDPC译码软信息的量化方法的步骤。
16.一种计算机可读存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行权利要求1至7中任一项权利要求所述的LDPC译码软信息的量化方法的步骤。
CN202210968862.8A 2022-08-12 2022-08-12 Ldpc译码软信息的量化方法、装置及设备 Active CN115037312B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210968862.8A CN115037312B (zh) 2022-08-12 2022-08-12 Ldpc译码软信息的量化方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210968862.8A CN115037312B (zh) 2022-08-12 2022-08-12 Ldpc译码软信息的量化方法、装置及设备

Publications (2)

Publication Number Publication Date
CN115037312A CN115037312A (zh) 2022-09-09
CN115037312B true CN115037312B (zh) 2023-01-17

Family

ID=83130982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210968862.8A Active CN115037312B (zh) 2022-08-12 2022-08-12 Ldpc译码软信息的量化方法、装置及设备

Country Status (1)

Country Link
CN (1) CN115037312B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111490798B (zh) * 2019-01-29 2022-04-22 华为技术有限公司 译码的方法和译码装置
US11177831B2 (en) * 2020-04-09 2021-11-16 Kabushiki Kaisha Toshiba LLR estimation for soft decoding
CN112929033B (zh) * 2021-01-26 2023-09-01 福州大学 基于深度学习的MLC型NAND闪存Polar-RNNA量化器的优化方法
CN113962385A (zh) * 2021-10-21 2022-01-21 上海商汤阡誓科技有限公司 神经网络训练及数据处理方法和装置、介质及计算机设备
CN114244375B (zh) * 2021-12-22 2023-07-21 中山大学 基于神经网络的ldpc归一化最小和译码方法及装置

Also Published As

Publication number Publication date
CN115037312A (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN109859281B (zh) 一种稀疏神经网络的压缩编码方法
JP4981174B2 (ja) 確率テーブルの動的な計算によるシンボルプレーン符号化／復号化
CN107666370B (zh) 编码方法和设备
CN110249384B (zh) 具有索引编码和位安排的量化器
US9853659B2 (en) Split gain shape vector coding
US11315583B2 (en) Audio encoders, audio decoders, methods and computer programs adapting an encoding and decoding of least significant bits
CN110491398B (zh) 编码方法、编码装置以及记录介质
CN114285524B (zh) Llr矢量量化的计算方法、装置与通信***
US10869029B2 (en) Hybrid digital-analog coding
JP6470339B2 (ja) 不均一ｑａｍコンステレーションのための低複雑性ｌｌｒ計算
CN115037312B (zh) Ldpc译码软信息的量化方法、装置及设备
CN101266796B (zh) 一种量化编解码方法及装置
CN108055107B (zh) 一种基于穿刺极化码的信息通信方法
JPH11355147A (ja) 符号化装置
US20230299788A1 (en) Systems and Methods for Improved Machine-Learned Compression
CN101266795A (zh) 一种格矢量量化编解码的实现方法及装置
CN115037313B (zh) Ldpc译码量化方法、装置、设备、ldpc译码方法及***
KR20040075944A (ko) 디지털 정보신호의 데이터 압축 및 압축해제
KR20230010854A (ko) 뉴럴 네트워크 파라미터들의 표현에 대한 향상된 개념
WO2020122749A1 (en) Apparatus and method for obtaining concatenated code structures and computer program product therefor
JP2019521398A (ja) 適応オーディオコーデックシステム、方法および媒体
US11935550B1 (en) Audio compression for low overhead decompression
KR102552282B1 (ko) 블록 직교 희소 중첩 코드 인코딩 및 디코딩 방법, 및 그 장치
CN116684042A (zh) 基于双空间耦合ldpc码的滑窗分组调度译码方法及***
WO2018053764A1 (zh) 一种确定信息集合的方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant