技術(shù)特征：

1.一種基于受限玻爾茲曼機的LDPC譯碼方法，其特征在于，包括如下步驟：

(1)根據(jù)應(yīng)用需求確定校驗矩陣H，大小為m×n，列重為L，行重為K；

(2)根據(jù)校驗矩陣中“1”的位置建立Tanner圖，確定變量節(jié)點和校驗節(jié)點的連接關(guān)系；

(3)根據(jù)Tanner圖建立受限玻爾茲曼機模型，Tanner圖中的變量節(jié)點作為顯層神經(jīng)元，校驗節(jié)點作為隱層神經(jīng)元；

(4)根據(jù)K輸入異或的布爾表達式e＝X₁⊕X₂⊕…⊕X_k，構(gòu)造隱層神經(jīng)元的輸出函數(shù)；將K輸入異或的布爾表達式改寫成最小項之和的形式，對于布爾表達式中布爾型的變量X_i，用實值變量表達式1+x_i替換，對于布爾型的變量用實值變量表達式1-x_i替換，其中x_i為信息比特的值；

(5)構(gòu)造受限玻爾茲曼機的能量函數(shù)，能量函數(shù)為：式中e_j為(4)中第j個隱層神經(jīng)元的輸出，E為整個模型的能量；

(6)將接收到的BPSK調(diào)制后的信息比特的值賦值給顯層神經(jīng)元；

(7)前饋計算，顯層神經(jīng)元的值傳遞給隱層神經(jīng)元，通過(4)確定的輸出函數(shù)計算隱層神經(jīng)元e_j的值和能量函數(shù)E的值；

(8)反饋計算，根據(jù)本次迭代所得的能量函數(shù)值，通過梯度下降法修改顯層神經(jīng)元的值，具體方法如下：

${\mathrm{\Δx}}_i=\mathrm{\α}\underset{j=1}{\overset{L}{\Σ}}{e}_j\frac{\∂e_j}{\∂x_i}$

式中x_i代表第i個信息比特的值，α代表學(xué)習(xí)率，用于調(diào)控每次迭代下降的步長，求和是對每一個信息比特參與的L個隱層神經(jīng)元提供的梯度求和。

(9)更新顯層神經(jīng)元的值，進行硬判決，即令大于等于0的顯層神經(jīng)元的值為1，小于0的顯層神經(jīng)元的值為-1，帶入(5)中的能量函數(shù)。若E＝0，則譯碼成功；否則重復(fù)步驟(7)(8)；

(10)當(dāng)?shù)螖?shù)大于設(shè)定的最大迭代次數(shù)時，不再進行譯碼，直接輸出。

2.根據(jù)權(quán)利要求1所述的基于受限玻爾茲曼機的LDPC譯碼方法，其特征在于：利用受限玻爾茲曼機對LDPC譯碼過程進行建模，通過異或的布爾表達式構(gòu)造連續(xù)可微的隱層神經(jīng)元的輸出函數(shù)，通過最小化能量函數(shù)的方式來獲得最優(yōu)的信息比特分布；在最小化能量函數(shù)的過程中采用梯度下降法，可以自適應(yīng)地根據(jù)距離優(yōu)化目標的遠近調(diào)整步長。

3.一種基于受限玻爾茲曼機的LDPC譯碼裝置，其特征在于，包括控制模塊、前饋計算模塊、反饋計算模塊、顯層神經(jīng)元賦值模塊，裝置在控制模塊的調(diào)控下，在每次迭代開始時將顯層神經(jīng)元賦值模塊中的信息比特值送入前饋計算模塊，前饋計算得出的隱層神經(jīng)元的值和能量函數(shù)值送入反饋計算模塊計算梯度值和顯層神經(jīng)元的修正值，最后顯層神經(jīng)元將本次迭代信息比特的初始值與修正值相加，得到下一次迭代的信息比特值；

所述控制模塊，用于控制譯碼裝置的執(zhí)行順序；

所述前饋計算模塊用于將顯層神經(jīng)元的值傳遞給隱層神經(jīng)元，通過構(gòu)造的隱層神經(jīng)元的輸出函數(shù)計算隱層神經(jīng)元e_j的值和能量函數(shù)E的值，包括與隱層神經(jīng)元數(shù)目相同的并行輸出函數(shù)計算模塊和能量函數(shù)計算模塊；輸出函數(shù)計算模塊根據(jù)輸入的顯層神經(jīng)元x_i的值計算隱層神經(jīng)元e_j的值，并輸出給能量函數(shù)計算模塊；能量函數(shù)計算模塊根據(jù)輸出函數(shù)計算模塊的輸出計算能量函數(shù)E的計算，若E＝0，則向控制模塊輸出停止迭代信號，否則向反饋計算模塊輸出能量函數(shù)E的值；

反饋計算模塊根據(jù)本次迭代所得的能量函數(shù)值，通過梯度下降法修改顯層神經(jīng)元的值，具體方法如下：

${\mathrm{\Δx}}_i=\mathrm{\α}\underset{j=1}{\overset{L}{\Σ}}{e}_j\frac{\∂e_j}{\∂x_i}$

式中x_i代表第i個信息比特的值，α代表學(xué)習(xí)率，用于調(diào)控每次迭代下降的步長，求和是對每一個信息比特參與的L個隱層神經(jīng)元提供的梯度求和；包括并行梯度計算模塊和對應(yīng)的修正值計算模塊。梯度計算模塊根據(jù)前饋計算模塊輸出的隱層神經(jīng)元的值計算其對應(yīng)于每個顯層神經(jīng)元的梯度，即由于梯度值和輸出函數(shù)計算模塊的中間結(jié)果相同，因此梯度計算模塊共享輸出函數(shù)計算模塊的中間結(jié)果；修正值計算模塊接收梯度計算模塊輸出的梯度值，按照上述的具體方法分組進行加權(quán)求和、乘學(xué)習(xí)率等運算，向顯層神經(jīng)元賦值模塊輸出Δx_i；

顯層神經(jīng)元賦值模塊，將反饋計算模塊輸出的修正值和上一次迭代的顯層神經(jīng)元的值相加，送入前饋計算模塊。