经统计分析,Turbo码译码输出的交叉熵与译码错误之间有着十分密切的关系,且该关系具有非线性性质.神经网络技术具有独特的非线性输入、输出映射能力,因此可通过对神经网络进行某种训练来检测Turbo码译码数据中出现的错误.在训练过程中,将交叉熵作为神经网络输入端的样本值,译码错误作为期望输出值进行自适应模拟.另外,考虑到Turbo码译码的实时性和运算量要求,采用了改进型的Levenberg Marquardt神经网络算法对神经网络进行训练,并用以检测译码错误.仿真结果表明:该方法比起传统的循环冗余校验(cyclic redundancy check, CRC)方法在检测Turbo码译码错误时,检测性能和运算复杂度均得到了很大的改善.
NETL
NSTL
维普
万方数据
