低密度奇偶校验码正则化神经网络归一化最小和译码算法

来源：电子与信息学报杂志2025年第5期北京时间：

作者：周华, 周鸣, 张立康

单位：1.南京信息工程大学电子与信息工程学院 南京 2100442.江苏省大气环境与装备技术协同创新中心 南京 210044

摘要：低密度奇偶校验(LDPC)码基于神经网络的归一化最小和(NNMS)译码算法按照网络中权重的共享方式可分为不共享(NNMS)、全共享(SNNMS)、部分共享(VC-SNNMS和CV-SNNMS)等。该文针对LDPC码在使用NNMS, VC-SNNMS和CV-SNNMS译码时因高复杂度导致的过拟合问题，引入正则化(Regularization)优化了神经网络中边信息的权重训练，抑制了基于神经网络译码的过拟合问题，分别得到 RNNMS, RVC-SNNMS和RCV-SNNMS算法。仿真结果表明：采用共享权重可以减轻神经网络训练负担，降低LDPC 码基于神经网络译码的误比特率(BER)；正则化能有效缓解过拟合现象提升神经网络的译码性能。针对码长为576，码率为0.75的LDPC码，当误码率BER=10–6时，RNNMS, RVC-SNNMS和RCV-SNNMS算法相较于NNMS, VC-SNNMS和CV-SNNMS算法分别得到了0.18 dB, 0.22 dB和0.27 dB的信噪比(SNR)增益，其中最佳的RVC-SNNMS算法相较于BP算法、NNMS算法和SNNMS算法，分别获得了0.55 dB, 0.51 dB和0.22 dB的信噪比增益。

关键词：低密度奇偶校验码, 神经网络, 归一化最小和译码, 过拟合, 正则化

基金资助：国家自然科学基金(62001238，62201271)