反馈神经网络卷积码解码器在光纤通信中的研究

反馈神经网络卷积码解码器(RNN)的性能接近传统的Viterbi解码器,RNN的复杂度是随约束长度成线性增加的,而Viterbi的复杂度是成指数增加的,RNN的性能已经在加性白噪声信道中得到了肯定。对RNN解码器在以放大自发发射(ASE)噪声为主的光纤信道中的性能进行了研究,在以ASE噪声为主的3种信道模型中,同时研究了RNN解码器和Viterbi解码器的性能,发现RNN的性能同样很好,在解码过程中还有优势。

截断卷积码的重量枚举函数的计算

针对 Turbo码和串行级联卷积码的好码搜索 ,提出了一种栅格合并方案实现卷积码的码重分布统计 .该方案以起始的局部栅格经编码后所得的码重分布为基础 ,按照把栅格路径长度每次增加为原来的 2倍的频率对栅格进行迭代合并 ,最终得到相应的全局码重分布 .与传统的利用状态转移图计算卷积码的码重分布的方法相比 ,这种栅格合并方案在中、低交织时延下与传统方法的计算复杂度相当 ,但是省去了大量的预备工作 ,具有一定的实用意义 .

RNN卷积码解码器在超宽带通信中的研究

反馈神经网络卷积码解码器(RNN)的性能接近传统的Viterbi解码器,RNN的复杂度是随约束长度成线性增加的,而Viterbi的复杂度是成指数增加的。在加性白噪声信道中,RNN的性能已经得到了肯定,对应不同的卷积码有不同结构的RNN解码器。本文我们研究了RNN解码器在超宽带通信系统中的性能。

TURBO码中的交织器设计及其改进

Turbo码是近年来提出的一种信道编码。该系统在编码时采用并行的反馈系统卷积码( RSC)。在编码的同时 ,对原始信息和经过交织 ( interleave)乱序的信息进行编码。 Turbo码的解码一般采用软输入软输出解码器 ( SISO)。其解码算法主要有 SOVA、MAP以及改进的 L OGMAN算法。Turbo码的编解码中 ,交织器的性能是一个关键问题。文章对交织器的设计和各种交织器的性能进行了探讨 ,并提出了一种易于硬件实现的交织器设计方法。

非系统Turbo码

本文分析了非系统Turbo码的特性,从错误平层角度上看,非系统Turbo码有效自由距离属性使它比系统Turbo码取得更低的错误平层。本文还设计了一种新型的非系统Tuebo码的编译码器,并对相应的等价的非系统Turbo码与系统Turbo码的性能进行了比较。

关于Turbo码可实现解码方法的研究

Turbo码解码算法包括SOVA(softoutputviterbialgorithm) ,MAP (maxaposterior) ,以及LOGMAP算法 .其中LOGMAP算法兼有高性能和低计算复杂度的优点 .为了降低解码复杂度 ,对LOGMAP算法进行了模拟优化 ;为进一步减少解码时间 ,在解码过程中引入了滑动窗技术 .并对整个Turbo码解码过程进行量化模拟 ,得出了优化结果 .