论文部分内容阅读
信道编码技术在通信领域是非常重要的,而Turbo码是一种得到广泛应用的重要编码方式,机器学习手段在当今自然语言处理、图像领域得到了很大发展并成为了其核心技术,而基于机器学习方法的Turbo码闭集识别却无人研究,为了码字识别计算智能化的发展,研究基于机器学习手段的Turbo码识别是非常重要的。Turbo码的生成可以看作是由编码器和交织器组成。本文对编码的各个部分进行了研究,分别是基于机器学习的m序列预测、卷积码闭集识别和Turbo码闭集识别。其中m序列部分有望应用于交织器部分,卷积码部分的研究则可以广泛适应于Turbo码的编码器部分,最后部分是Turbo码闭集识别的单帧和多帧实验。本文主要研究成果主要分为三部分:1、首次研究了机器学习对伪随机序列的识别问题,在理论上证明了神经网络对m序列完备的学习能力,讨论了网络基本设置并实验了25、50、75、100阶下网络对不同系数稀疏程度的m序列表现能力,使用截取的2000、5000、10000长度的信息序列可以分别学习出25、50、75阶下m序列的稀疏系数,并给出了参考使用的网络结构,通过对含错序列的实验,探究了神经网络能够对m序列容错的原因,由此总结了神经网络对二进制运算的表达能力。2、首次研究了机器学习对卷积码闭集识别问题,对未知先验的截取卷积码数据,通过深度卷积网络和改进的卷积型神经网络进行分类实验,实现了对未知对齐位置下卷积码的快速闭集识别,容错性能强,通用程度高,为机器学习的Turbo码的编码器研究提供了重要参考。研究发现改进的卷积型神经网络对于短记忆深度下码字识别能力出众,其效果优于3个数量级以上参数量的深度残差网络。3、首次研究了机器学习对Turbo码的闭集识别问题,通过归零结构获得码字的帧结构,并对单帧和多帧数据分别建立相应的神经网络,研究分析了单帧和多帧的码字识别差异,为并行化处理提供了新的多帧数据集生成方案。单帧下网络可以完成编码器的识别,而多帧下神经网络则能够实现编码器和交织器的联合识别,将来会对更高交织深度的网络使用更轻量化的网络进行识别。