基于双序列反序的(4,L)规则girth-8 QC-LDPC短码

围长较大的短码长准循环(QC)低密度奇偶校验(LDPC)码的显式构造对于QC-LDPC短码的理论研究与工程应用具有重要意义。首先提出一种基于成对策略的贪婪搜索算法,并根据此算法在列重J为4时的经验结果,归纳总结出一种具有双序列反序特征的指数矩阵。随后证明了该指数矩阵对于任意行重L均对应于围长为8的QC-LDPC码。与现有的典型显式构造方法即最大公约数(GCD)方法相比,新QC-LDPC码提供的码长显著降低。最后,将指数矩阵的拆分拼接和掩膜处理技巧与新QC-LDPC码结合起来,设计出了译码性能在高信噪比区超过5G NR LDPC码的合成码。

一种适用于DTMB系统的NR译码方法

在分析国标数字电视传输系统NR编码的基础上,提出一种以节省硬件资源为目标的NR译码方法。首先根据DTMB系统中(16,8,6)NR编码关系式,推导出由衍生比特表示信息比特的生成关系式;进而,结合信息比特表示衍生比特的生成关系式、衍生比特表示信息比特的生成关系式和(16,8,6)NR码至多可以纠正2位误码的特点,通过逻辑分析,给出了NR译码方法;然后,根据译码方法,设计了硬件实现结构;最后,通过实例分析了本文方法的译码过程及可行性,并分析了硬件实现资源情况。本文方法能够达到(16,8,6)NR码纠2位误码的纠错极限,与传统的最大似然估计算法相比,实现简单,极大降低了译码器的复杂度,节省了硬件资源。

5G NR信道编码研究

信道编码是5G的关键技术之一,描述了5G新空口(NR——New Radio Access)的低密度奇偶校验码(LDPCC——Low Density Parity Check Codes)和极化码(Polar Codes)的关键技术;通过仿真,比较了5G NR的信道编码方案与4G LTE信道编码方案的性能。另外,还比较了这2代信道编码技术的复杂度和吞吐量。

DTMB中NR码软解码的实现

提出了一种有效的软输入软输出NR解码方法,可应用于地面数字电视广播传输标准(DTMB)中。其算法基于软输入的最大似然概率译码,使用最大相关码字和次最大相关码字产生输出软信息。经仿真验证,引入此方案的NR解码后,P8码率LDPC解码性能提高了约3.6dB。

一种低迭代次数的极化码置信传播译码算法

针对置信传播(Belief Propagation,BP)译码算法在迭代次数较多时吞吐量和译码时延性能提升受限的问题,提出了一种低迭代次数的极化码BP译码算法,通过采用比特翻转和子信道冻结的方式,降低译码过程中的迭代次数。仿真结果表明,相对于传统极化码BP译码算法(设置最大迭代次数为40次),所提算法在信噪比为3 dB时可将平均迭代次数减少约53%,处理单元平均计算次数减少约68%。该算法所带来的低时延和低功耗效益可运用在对功耗要求较高的大规模机器类型通信,以及对时延要求较高的超可靠低延迟通信等5G场景下的极化码译码中。

极化码的K-best译码算法

基于K-best算法和球形译码算法,提出了一种占用极少内存的K-best译码算法,该算法解决了短码情况下SC译码算法性能不佳和SCL译码算法硬件实现占用内存过多的问题,改进了SD时间复杂度不固定和译码性能过于依赖初始半径选择的问题,可以通过调整K大小在纠错性能和复杂性之间提供良好的折衷,具有固定时间复杂度,并且不涉及半径。仿真结果表明,目标算法与SC算法和SCL算法的译码性能几乎相同,但仅占SCL算法48%的内存。

一种NR无线小站的同步设计与实现

通过介绍一种无线通信产品,讲述了一种空口同步的实现方法,在主控端输入的通信信号通过数字采样转换后,逻辑处理器FPGA先通过5G同步模块获取开关信息。得到开关信息后,先将开关信号进行差分编码和扩频,脉冲成形滤波,并插值混频后,送至DAC通过空口发送到分布式单元。分布式单元对前传接收的空口通信信号进行解扩,恢复出时分开关信号,然后再通过一些数字同步技术如扩频跟踪、相位校准、时钟恢复调教,用于调整vcxo的频率,从而实现与主单元和分布式单元主控之间的频相同步。

发射分集TDS-OFDM系统中迭代NR译码辅助的信道估计

为了改善信道估计的精度并提高时域同步正交频分复用(TDS-OFDM)系统在衰落信道下的性能,在发射分集TDS-OFDM系统中提出了一种迭代NR(Nordstrom-Robinson)译码辅助的信道估计方法。该方法利用对NR译码后的比特辅助指导信道估计,更新后的信道估计结果又重新辅助进行NR译码。完成迭代后,对NR译码结果进行帧间解交织,最后经过低密度奇偶校验(low-density parity-check,LDPC)译码输出最终的比特流。仿真结果表明:该方法应用于发射分集TDS-OFDM系统中在仅迭代1次的条件下即能有效改善信道估计的精度,获得显著的分集增益。

基于aLSTM的5G网络冲突预测

提出了一种自适应长短期记忆(adaptive long short-term memory,aLSTM)模型,以学习网络输入的超参数,以优化LDPC的编码率,网络平均流的吞吐量,以及上面所述间距离的用户和所述基站和用户数。分析了两个不同城市和地区用户数量的影响农村地区的延时。提高了网络覆盖和用户传输速率。通过比较的示例性数据与所述预测结果的LSTM预测方法,验证了所提出的aLSTM预测模型,实验结果表明,所提出的aLSTM预测模型使用的参数减少了0%~20%,且迭代次数减少了一半。该方法不仅有效,而且具有较高的预测精度。