公开(公告)号：CN116226643B

公开(公告)日：2025-04-18

申请号：CN202310243037.6

申请日：2023-03-14

Applicant: 兰州大学

Inventor： 袁磊 ,  郭宇航 ,  罗诺 ,  高晓亮 ,  陈剑斌

IPC: G06F18/213 ,  G06F18/24 ,  G06F18/21 ,  G06F18/241 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084 ,  H03M13/11 ,  H04L1/00

Abstract: 一种基于深度学习的低密度奇偶校验码码率盲识别方法，有训练和验证两个阶段。训练阶段，发射端从码率集合中选取码率，对原始信息序列S通过低密度奇偶校验编码生成码字序列C，码字序列C通过二进制移项键控调制得到发送符号序列X，经过加性高斯白噪声信道到达接收端，接收端得到接收符号序列Y作为训练输入；训练标签为向量P。构造码率识别神经网络模型，Y作为训练数据输入模型，对应其码率类别的概率向量P作为模型输出，采用随机梯度下降算法训练模型，计算分类交叉熵损失并对模型权重和偏置进行更新，得到优化的码率识别神经网络模型；验证阶段，生成验证序列Yv，输入优化的模型对其进行码率盲识别。本发明相比传统码率识别方法，在低信噪区间性能提升明显。

公开(公告)号：CN116226643A

公开(公告)日：2023-06-06

申请号：CN202310243037.6

申请日：2023-03-14

Applicant: 兰州大学

Inventor： 袁磊 ,  郭宇航 ,  罗诺 ,  高晓亮 ,  陈剑斌

IPC: G06F18/213 ,  G06F18/24 ,  G06F18/21 ,  G06F18/241 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084 ,  H03M13/11 ,  H04L1/00

Abstract: 一种基于深度学习的低密度奇偶校验码码率盲识别方法，有训练和验证两个阶段。训练阶段，发射端从码率集合中选取码率，对原始信息序列S通过低密度奇偶校验编码生成码字序列C，码字序列C通过二进制移项键控调制得到发送符号序列X，经过加性高斯白噪声信道到达接收端，接收端得到接收符号序列Y作为训练输入；训练标签为向量P。构造码率识别神经网络模型，Y作为训练数据输入模型，对应其码率类别的概率向量P作为模型输出，采用随机梯度下降算法训练模型，计算分类交叉熵损失并对模型权重和偏置进行更新，得到优化的码率识别神经网络模型；验证阶段，生成验证序列Yv，输入优化的模型对其进行码率盲识别。本发明相比传统码率识别方法，在低信噪区间性能提升明显。