高性能信道编译码改进算法的研究

高性能信道编译码改进算法的研究

论文摘要

Turbo码的产生和低密度奇偶校验(Low Density Parity Check,LDPC)码的重新发现是信道编码研究领域的巨大进展。虽然这两种码的纠错性能已逼近香农信道容量的极限,但其较高的编译码复杂度和较大的处理时延仍然限制了它们的应用。因此提出高性能,低复杂度和低时延的信道编译码算法是信道编码技术实用化的重要环节,也是当前学术界关注的研究课题。本文在对卷积码、Turbo码和LDPC码研究的基础上,提出了几种低复杂度和低时延的改进算法,分析了这些算法的性能和译码复杂度,并进行了仿真验证。主要创新点包括如下几方面。针对传统LDPC串行译码算法计算存在冗余的问题,提出了一种改进的LDPC串行译码算法。与传统算法不同的是,该算法只在初始化时完整地计算一次变量节点对校验节点软信息的求和,而在后续的迭代译码过程中通过对它局部更新得到求和结果,从而显著减少了计算量。与传统算法相比,所提出的算法在不降低纠错性能的前提下,具有更低的计算复杂度和更快的处理速度。提出了一类级联的卷积码混合译码算法。该算法包括两级译码过程,第1级采用置信传播(Belief-Propagation,BP)算法,第2级则采用修改的维特比(Modified Viterbi Decoding,MVD)译码算法。在中高信噪比条件下,BP预译码能够纠正接收序列中的大部分错误,余下的少量的错误可以通过MVD进一步纠正。仿真表明,与传统的维特比译码算法相比,混合译码算法的误码性能只有很小的损失,且平均译码复杂度在中高信噪比条件下有明显降低。基于扩展咬尾递归系统卷积(Extended Tail Biting RecursiveSystematic Convolutional,ETB-RSC)码的思想,提出了一种用于长帧数据传输的高度并行的咬尾Turbo码(High Paralleled Tail Biting TurboCode,HP-TBTC)结构,其特点是在发/收端,信息序列/接收序列被拆分为若干等长的子序列同时作编/译码处理。虽然HP-TBTC结构是以牺牲一定的硬件资源为代价换取编译码的并行处理,但它可以成倍地提高编译码处理速度。仿真表明,在适中信噪比条件下,HP-TBTC的性能也略好于传统的咬尾Turbo码。提出了一种适用于短帧数据传输的Turbo-like码(TLC)。该码的分量编码器采用的是消除环4的前向系统卷积(Feed-forwardSystematic Convolutional,FSC)编码器,与之对应的分量译码器采用的是改进的LDPC串行译码算法。仿真表明,当码字长度低于某个值时,TLC的性能比Turbo码更好,并且在中高信噪比时,TLC具有更低的功率损耗和极低的译码复杂度。

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 绪论
  • 1.1 引言
  • 1.2 信道编码的目的
  • 1.3 差错控制方式
  • 1.3.1 ARQ
  • 1.3.2 FEC
  • 1.3.3 HARQ
  • 1.4 信道编码发展史
  • 1.5 信道译码算法的研究现状和主要任务
  • 1.6 本文的主要贡献和论文结构
  • 1.7 本章参考文献
  • 第二章 迭代译码算法简介
  • 2.1 引言
  • 2.2 MAP算法
  • 2.2.1 代价函数
  • 2.2.2 初始值的设定
  • 2.2.3 归一化问题
  • 2.3 Log-MAP算法与Max-Log-MAP算法
  • 2.4 SOVA
  • 2.5 几类算法的比较
  • 2.6 本章参考文献
  • 第三章 改进的LDPC串行译码算法
  • 3.1 引言
  • 3.2 LDPC码简介
  • 3.2.1 规则的LDPC码与非规则的LDPC码
  • 3.2.2 LDPC码性能影响的因素──环
  • 3.3 LDPC译码算法简介
  • 3.3.1 BF算法
  • 3.3.2 BP译码算法
  • 3.3.3 对数域上的BP译码算法
  • 3.4 LDPC串行译码算法
  • 3.4.1 传统串行译码算法
  • 3.4.2 改进的串行译码算法
  • 3.5 算法复杂度的分析比较
  • 3.6 结论
  • 3.7 本章参考文献
  • 第四章 卷积码混合译码算法的研究
  • 4.1 引言
  • 4.2 卷积码编译码
  • 4.2.1 卷积码的生成矩阵
  • 4.2.2 网格图
  • 4.2.3 最大似然译码与最大后验概率译码准则
  • 4.2.4 维特比译码算法
  • 4.2.5 列表译码算法
  • 4.3 HD-I算法
  • 4.3.1 系统模型
  • 4.3.2 伴随式与混合序列
  • 4.3.3 断点与译码路径
  • 4.3.4 PPVD和CPVD
  • 4.3.5 MVD-I算法
  • 4.4 HD-II算法
  • 4.4.1 HD-II与HD-I算法的区别
  • 4.4.2 MVD-II算法
  • 4.5 算法仿真与复杂度分析
  • 4.5.1 HD与VD所需运算量的分析
  • 4.5.2 HD-I与VD的比较
  • 4.5.3 HD-II与VD的比较
  • 4.6 结论
  • 4.7 本章参考文献
  • 第五章 高度并行的Turbo码
  • 5.1 引言
  • 5.2 Turbo码简介
  • 5.2.1 Turbo编码器
  • 5.2.2 Turbo译码器
  • 5.3 HP-TBTC结构
  • 5.4 ETB-RSC编译码
  • 5.4.1 ETB-RSC编码
  • 5.4.2 ETB-RSC译码算法
  • 5.4.3 S-TBD算法
  • 5.5 仿真分析
  • 5.6 结论
  • 5.7 本章参考文献
  • 第六章 一种新型的Turbo-like码
  • 6.1 引言
  • 6.2 Turbo-like码
  • 6.2.1 系统模型
  • 6.2.2 消除环4的FSC码
  • 6.3 算法仿真与复杂度分析
  • 6.4 结论
  • 6.5 本章参考文献
  • 第七章 结束语
  • 7.1 全文总结
  • 7.2 还需改进的方面
  • 致谢
  • 攻读博士学位期间发表和已投的学术论文
  • 相关论文文献

    • [1].算法:一种新的权力形态[J]. 治理现代化研究 2020(01)
    • [2].算法决策规制——以算法“解释权”为中心[J]. 现代法学 2020(01)
    • [3].面向宏观基本图的多模式交通路网分区算法[J]. 工业工程 2020(01)
    • [4].算法中的道德物化及问题反思[J]. 大连理工大学学报(社会科学版) 2020(01)
    • [5].算法解释请求权及其权利范畴研究[J]. 甘肃政法学院学报 2020(01)
    • [6].算法新闻的公共性建构研究——基于行动者网络理论的视角[J]. 人民论坛·学术前沿 2020(01)
    • [7].算法的法律性质:言论、商业秘密还是正当程序?[J]. 比较法研究 2020(02)
    • [8].关键词批评视野中的算法文化及其阈限性[J]. 学习与实践 2020(02)
    • [9].掌控还是被掌控——大数据时代有关算法分发的忧患与反思[J]. 新媒体研究 2020(04)
    • [10].美国算法治理政策与实施进路[J]. 环球法律评论 2020(03)
    • [11].算法解释权:科技与法律的双重视角[J]. 苏州大学学报(哲学社会科学版) 2020(02)
    • [12].大数据算法决策的问责与对策研究[J]. 现代情报 2020(06)
    • [13].大数据时代算法歧视的风险防控和法律规制[J]. 河南牧业经济学院学报 2020(02)
    • [14].风险防范下算法的监管路径研究[J]. 审计观察 2019(01)
    • [15].模糊的算法伦理水平——基于传媒业269名算法工程师的实证研究[J]. 新闻大学 2020(05)
    • [16].算法推荐新闻对用户的影响及对策[J]. 新媒体研究 2020(10)
    • [17].如何加强对算法的治理[J]. 国家治理 2020(27)
    • [18].“后真相”背后的算法权力及其公法规制路径[J]. 行政法学研究 2020(04)
    • [19].算法规制的谱系[J]. 中国法学 2020(03)
    • [20].论算法排他权:破除算法偏见的路径选择[J]. 政治与法律 2020(08)
    • [21].政务算法与公共价值:内涵、意义与问题[J]. 国家治理 2020(32)
    • [22].算法的法律规制研究[J]. 上海商业 2020(09)
    • [23].新闻算法分发对隐私权的冲击及规制[J]. 青年记者 2020(27)
    • [24].算法如何平等:算法歧视审查机制的建立[J]. 南海法学 2020(02)
    • [25].蚁群算法在文字识别中的应用研究[J]. 信息与电脑(理论版) 2019(22)
    • [26].大数据聚类算法研究[J]. 无线互联科技 2018(04)
    • [27].RSA算法的改进研究[J]. 计算机与网络 2018(14)
    • [28].智能时代的新内容革命[J]. 国际新闻界 2018(06)
    • [29].改进的负载均衡RSA算法[J]. 电脑知识与技术 2018(25)
    • [30].基于深度学习的视觉跟踪算法研究综述[J]. 计算机科学 2017(S1)

    标签:;  ;  ;  

    高性能信道编译码改进算法的研究
    下载Doc文档

    猜你喜欢