买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：澳门理工大学

摘要：本发明公开了一种基于深度学习的低复杂度置信度传播译码方法，使用基于TR分解的压缩算法来压缩NBP译码算法中的参数和数学计算，其中，针对参数的压缩不仅压缩学习权重，还压缩变量节点和校验节点之间传递的消息，针对数学运算的压缩包括对NBP算法中的tanh函数、tanh函数的级联乘法和tanh‑1函数执行基于TR分解的压缩，以减少NBP算法的计算复杂度和所需的存储资源；同时提出NBP译码的联合压缩，将基于TR分解的压缩应用于CENBP译码算法的奇数层，CENBP译码算法原本利用循环码的移位不变特性对学习到的权重进行压缩，本发明在此基础上对奇数层中的消息进行基于TR分解的压缩，压缩后的CENBP算法保留了高性能的优势，降低了时间复杂度，进一步减少了所需的内存存储资源。

主权项：1.一种基于深度学习的低复杂度置信度传播译码方法，其特征在于，包括如下步骤：S1、基于深度学习的神经置信传播NBP译码算法，引入基于张量分解的压缩方法，进行NBP算法的压缩，降低NBP译码算法的复杂度；所述NBP算法的压缩包括：学习权值的压缩、消息的压缩、学习权重和消息的压缩；选择TR分解作为所述张量分解的算法，添加学习权重和消息参与校验节点更新过程的计算，将待压缩矩阵转换为高阶张量，并对所述高阶张量进行TR分解，得到TR格式的若干因子张量，所述TR分解为张量环分解，方法如下：将学习权重转置为四阶张量对得到的高阶张量进行TR分解如下： 其中，为经过TR分解后的三个因子张量，c为校验节点符号，v为变量节点符号，t为迭代次数；将消息转置为四阶张量对得到的高阶张量进行TR分解如下： 其中，为经过TR分解后的三个因子张量；使用Mc表示连接到校验节点c的变量节点集，v′是集合Mc中除了变量节点v之外的元素；所述学习权值的压缩，使用TRw-NBP算法，具体为：使用TR分解来减少学习权重的数量，从而降低时间复杂度和所需的内存存储资源；NBP算法是通过将BP算法展开为神经网络的形式，并对其进行参数化来获得，公式如下： 其中，为第t次迭代从校验节点c传递到变量节点v的消息；对上式中的学习权重进行TR分解如下： 其中，TR·代表TR分解运算，用于通过减少学习权重来降低NBP译码的复杂度；S2、使用张量分解的压缩方法，对NBP算法中数学运算进行压缩，用于降低NBP算法中与tanh函数相关的数学计算的复杂度；S3、使用基于张量分解的联合压缩方法，进一步降低NBP译码算法的复杂度，包括：利用张量分解联合循环码特性对NBP译码算法进行压缩，以及利用张量分解联合分段函数逼近对NBP译码算法进行压缩。

全文数据：

权利要求：

百度查询： 澳门理工大学 一种基于深度学习的低复杂度置信度传播译码方法