一种基于深度神经网络的里德-所罗门码译码方法及系统
文献发布时间:2023-06-19 13:29:16
技术领域
本发明涉及通信技术领域,具体涉及一种基于深度神经网络的里德-所罗门码译码方法及系统。
背景技术
现代通信系统主要利用电磁波在自由空间的传输机理来完成信息传输,但通常情况下信道存在噪声干扰,所以如何在随机噪声的干扰下有效而可靠地输送信息成为通信系统研究的关键问题。纠错码是对信息在传输过程中产生错误时能自行发现或纠正的码,它的引入使得通信系统的可靠性大大提升,其中里德-所罗门码(Reed-Solomon Code,RSC)满足香农界,是最大距离可分码,具有很强的纠随机错误和突发错误的能力,使RS码在深空通信、移动通信、军用通信、网络和光盘等系统中得到广泛的应用,提高系统的性能。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
存在深度神经网络与传统通信系统融合过程中,主要是以数据驱动为中心的端到端的网络训练,需要大量的训练样本,并且对数据的依赖性高,深度神经网络缺乏可解释性,难以调整和局部优化的问题。
发明内容
针对现有技术中的缺陷,本申请实施例的目的是,通过提供一种基于深度神经网络的里德-所罗门码译码方法及系统,解决了现有技术中存在深度神经网络与传统通信系统融合过程中,主要是以数据驱动为中心的端到端的网络训练,需要大量的训练样本,并且对数据的依赖性高,深度神经网络缺乏可解释性,难以调整和局部优化的技术问题。达到了通过构造固定长度的RS码数据集,对译码网络进行训练,同时对超参数进行调整,从而得到最优参数,构建出适用于固定长度RS码字译码网络,以数据驱动的方式,结合专家知识构造译码神经网络,使其具备可解释性,能够降低译码复杂度的技术效果。
第一方面,本申请实施例提供一种基于深度神经网络的里德-所罗门码译码方法,其中,所述方法包括:生成预定长度的RS码字,获得所述RS码字的二进制的校验矩阵;利用所述RS码字的所述校验矩阵构造译码神经网络;将所述译码神经网络分为N次置信传播迭代过程,其中,N为正整数;对M次置信传播迭代的输出层输出的RS码字比特置信度进行排序,重构所述校验矩阵,对M+1次置信传播迭代中校验层和变量层的神经元进行恢复和删除,其中,M为小于N的正整数;获得预设训练周期;判断所述译码神经网络的训练周期是否满足所述预设训练周期;如果所述译码神经网络的训练周期满足所述预设训练周期,将第N次置信传播迭代的校验矩阵作为最优校验矩阵。
另一方面,本申请还提供了一种基于深度神经网络的里德-所罗门码译码系统,其中,所述系统包括:第一获得单元,所述第一获得单元用于生成预定长度的RS码字,获得所述RS码字的二进制的校验矩阵;第一构建单元,所述第一构建单元用于利用所述RS码字的所述校验矩阵构造译码神经网络;第一执行单元,所述第一执行单元用于将所述译码神经网络分为N次置信传播迭代过程,其中,N为正整数;第二执行单元,所述第二执行单元用于对M次置信传播迭代的输出层输出的RS码字比特置信度进行排序,重构所述校验矩阵,对M+1次置信传播迭代中校验层和变量层的神经元进行恢复和删除,其中,M为小于N的正整数;第二获得单元,所述第二获得单元用于获得预设训练周期;第三执行单元,所述第三执行单元用于判断所述译码神经网络的训练周期是否满足所述预设训练周期;第四执行单元,所述第四执行单元用于如果所述译码神经网络的训练周期满足所述预设训练周期,将第N次置信传播迭代的校验矩阵作为最优校验矩阵。
另一方面,本发明提供了一种基于深度神经网络的里德-所罗门码译码系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了生成预定长度的RS码字,获得所述RS码字的二进制的校验矩阵;利用所述RS码字的所述校验矩阵构造译码神经网络;将所述译码神经网络分为N次置信传播迭代过程,其中,N为正整数;对M次置信传播迭代的输出层输出的RS码字比特置信度进行排序,重构所述校验矩阵,对M+1次置信传播迭代中校验层和变量层的神经元进行恢复和删除,其中,M为小于N的正整数;获得预设训练周期;判断所述译码神经网络的训练周期是否满足所述预设训练周期;如果所述译码神经网络的训练周期满足所述预设训练周期,将第N次置信传播迭代的校验矩阵作为最优校验矩阵的技术方案。基于此,能够构建一种基于深度神经网络的里德-所罗门码译码方法,达到了通过构造固定长度的RS码数据集,对译码网络进行训练,同时对超参数进行调整,从而得到最优参数,构建出适用于固定长度RS码字译码网络,以数据驱动的方式,结合专家知识构造译码神经网络,使其具备可解释性,能够降低译码复杂度的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
通过阅读参照以下附图对非限制性实施例所做的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本申请实施例一种基于深度神经网络的里德-所罗门码译码方法的流程示意图;
图2为本申请实施例一种基于深度神经网络的里德-所罗门码译码方法中完成译码神经网络构建的流程示意图;
图3为本申请实施例一种基于深度神经网络的里德-所罗门码译码方法中的获得第一单位阵的流程示意图;
图4为本申请实施例一种基于深度神经网络的里德-所罗门码译码方法中的进行二进制校验矩阵转换的流程示意图;
图5为本申请实施例一种基于深度神经网络的里德-所罗门码译码方法中的神经元进行恢复和删除的流程示意图;
图6为本申请实施例一种基于深度神经网络的里德-所罗门码译码系统的结构示意图;
图7为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第一构建单元12,第一执行单元13,第二执行单元14,第二获得单元15,第三执行单元16,第四执行单元17,总线300,接收器301,处理器302,发送器303,存储器304,总线接口305。
具体实施方式
本申请实施例通过提供一种基于深度神经网络的里德-所罗门码译码方法及系统,解决了现有技术中存在深度神经网络与传统通信系统融合过程中,主要是以数据驱动为中心的端到端的网络训练,需要大量的训练样本,并且对数据的依赖性高,深度神经网络缺乏可解释性,难以调整和局部优化的技术问题。达到了通过构造固定长度的RS码数据集,对译码网络进行训练,同时对超参数进行调整,从而得到最优参数,构建出适用于固定长度RS码字译码网络,以数据驱动的方式,结合专家知识构造译码神经网络,使其具备可解释性,能够降低译码复杂度的技术效果。
下面,将参考附图详细的描述根据本申请的示例实施例。显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
现代通信系统主要利用电磁波在自由空间的传输机理来完成信息传输,但通常情况下信道存在噪声干扰,所以如何在随机噪声的干扰下有效而可靠地输送信息成为通信系统研究的关键问题。纠错码是对信息在传输过程中产生错误时能自行发现或纠正的码,它的引入使得通信系统的可靠性大大提升,其中里德-所罗门码(Reed-Solomon Code,RSC)满足香农界,是最大距离可分码,具有很强的纠随机错误和突发错误的能力,使RS码在深空通信、移动通信、军用通信、网络和光盘等系统中得到广泛的应用,提高系统的性能。现有技术中存在深度神经网络与传统通信系统融合过程中,主要是以数据驱动为中心的端到端的网络训练,需要大量的训练样本,并且对数据的依赖性高,深度神经网络缺乏可解释性,难以调整和局部优化的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供一种基于深度神经网络的里德-所罗门码译码方法,其中,所述方法包括:生成预定长度的RS码字,获得所述RS码字的二进制的校验矩阵;利用所述RS码字的所述校验矩阵构造译码神经网络;将所述译码神经网络分为N次置信传播迭代过程,其中,N为正整数;对M次置信传播迭代的输出层输出的RS码字比特置信度进行排序,重构所述校验矩阵,对M+1次置信传播迭代中校验层和变量层的神经元进行恢复和删除,其中,M为小于N的正整数;获得预设训练周期;判断所述译码神经网络的训练周期是否满足所述预设训练周期;如果所述译码神经网络的训练周期满足所述预设训练周期,将第N次置信传播迭代的校验矩阵作为最优校验矩阵
为了更好地理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
如图1所示,本申请实施例提供了一种基于深度神经网络的里德-所罗门码译码方法,其中,所述方法包括:
步骤S100:生成预定长度的RS码字,获得所述RS码字的二进制的校验矩阵;
步骤S200:利用所述RS码字的所述校验矩阵构造译码神经网络;
具体而言,RS码的译码方式分为硬判决和软判决译码,不同于硬判决译码,软判决译码充分利用了信道输出的软信息提高了一定的译码增益。预先设定RS码数据集的长度,构造一组固定长度的RS码数据集,并将其自身的软信息转化为码字对数似然比信息LLR,用于译码神经网络训练和测试,获得所述RS码字的二进制的校验矩阵。进一步的,利用RS码字的校验矩阵构造译码神经网络,对RS码字的校验矩阵做二进制图样映射,得到Tanner图。Tanner图中的变量节点对应码字比特位,校验节点对应校验位,根据BP译码算法,将译码期间消息传递的过程展开为参数化网络的形式,构造神经网络层,根据校验矩阵中变量节点和校验节点的连接关系初始化网络权重。从而实现构建出适用于固定长度RS码字的译码神经网络。
步骤S300:将所述译码神经网络分为N次置信传播迭代过程,其中,N为正整数;
步骤S400:对M次置信传播迭代的输出层输出的RS码字比特置信度进行排序,重构所述校验矩阵,对M+1次置信传播迭代中校验层和变量层的神经元进行恢复和删除,其中,M为小于N的正整数;
具体而言,将译码神经网络结构分为N次置信传播迭代过程,对小于N的M次迭代的输出层输出的RS码字比特置信度进行排序,对校验矩阵相应列进行高斯消去,重构校验矩阵,并且借鉴Droupout的思想,调整后一次迭代的网络层,对M+1次迭代中校验层和变量层的神经元进行恢复和删除,即如果校验节点和变量节点的连接边变为0则删除相应的神经元,如果连接边变为1则恢复神经元。分阶统计思想的引入,即通过置信度排序后对不可靠比特子块进行高斯消去,避免高密度奇偶校验矩阵中的循环现象,提高了译码方法的准确率。
步骤S500:获得预设训练周期;
步骤S600:判断所述译码神经网络的训练周期是否满足所述预设训练周期;
步骤S700:如果所述译码神经网络的训练周期满足所述预设训练周期,将第N次置信传播迭代的校验矩阵作为最优校验矩阵。
具体而言,预设网络的训练周期和学习率,判断训练周期是否满足所述预设训练周期,达到训练周期后,就可以得到每一次置信传播对应的校验矩阵,最后一次(第N次)置信传播对应最优的校验矩阵。随机构造固定长度的0,1序列,校验矩阵中的0,1分布包含变量节点和校验节点之间置信度的传递规律,用于构造神经网络层。经过双极性映射和AWGN信道,得到符合条件的测试集,将测试码字输入译码神经网络,神经网络输出码字的估计值。与真实值做比较统计误帧率和误比特率,根据结构调整网络的学习率,训练周期,网络深度等超参数,重新训练和测试,以达到最优的译码性能。
进一步的,所述判断所述译码神经网络的训练周期是否满足所述预设训练周期之后,步骤S600还包括:
步骤S610:如果所述译码神经网络的训练周期不满足所述预设训练周期,采用交叉熵损失作为网络损失函数,对每个输出层都附加交叉熵损失项,采用小批量随机梯度下降算法优化网络权重。
具体而言,交叉熵损失函数经常用于分类问题中,特别是在神经网络做分类问题时,也经常使用交叉熵作为损失函数,由于交叉熵涉及到计算每个类别的概率,所以交叉熵容易与sigmod函数一起出现。如果不满足预设的训练周期,则给每一个输出层附加上sigmod激活函数,将变量节点自身的置信度转化为概率信息,即o
进一步的,如图2所示,所述利用所述RS码字的所述校验矩阵构造译码神经网络,步骤S200包括:
步骤S210:根据所述第一译码神经网络的输出层输出所述RS码字比特更新后的置信度;
步骤S220:获得预设置信传播迭代次数L;
步骤S230:判断所述RS码字比特更新后的置信度是否满足所述预设置信传播迭代次数L;
步骤S240:如果所述RS码字比特更新后的置信度满足所述预设置信传播迭代次数L,则完成译码神经网络的初始构建。
具体而言,输入层的神经元对应变量节点,接收对数似然比信息I
输出层神经元对应变量节点,接收外部似然比信息q
进一步的,如图3所示,所述判断所述RS码字比特更新后的置信度是否满足所述预设置信传播迭代次数L之后,步骤S230包括:
步骤S231:如果所述RS码字比特更新后的置信度不满足所述预设置信传播迭代次数L,对所述RS码字比特更新后的置信度进行排序,将奇偶校验矩阵中置信度最低比特的子矩阵进行高斯消去处理,获得第一单位阵;
步骤S232:根据所述第一单位阵构造所述译码神经网络。
具体而言,如果所述RS码字比特更新后的置信度不满足预设的置信传播的迭代次数L,那么基于分阶统计的思想,首先对更新后的码字比特置信度|o
进一步的,如图4所示,其中,所述生成预定长度的RS码字,获得所述RS码字的二进制的校验矩阵,步骤S100包括:
步骤S110:获得所述RS码字的非二进制的校验矩阵;
步骤S120:通过二进制图样映射将所述非二进制的校验矩阵转换成二进制的校验矩阵。
具体而言,随机构造k位信息位,经过生成矩阵编码得到n位RS码字比特序列X=[x
进一步的,所述如果所述RS码字比特更新后的置信度满足所述预设置信传播迭代次数L,则完成译码神经网络的初始构建,步骤S240还包括:
步骤S241:如果所述RS码字比特更新后的置信度满足所述预设置信传播迭代次数L,采用交叉熵损失作为网络损失函数,对每个输出层都附加交叉熵损失项,采用小批量随机梯度下降算法优化网络权重。
具体而言,每一次置信度传播迭代都包含校验层,变量层和输出层。变量层接收关联的校验节点向变量节点传递的消息,表示对应码字比特取1或者0的置信度,校验层接收关联的变量节点向校验节点传递的消息,表示对应校验方程成立或者失败的置信度。输出层接收校验节点传递的外部信息,输出变量节点自身更新后的置信度。给每一个输出层附加上sigmod激活函数,将变量节点自身的置信度转化为概率信息,即o
经过硬判决得到码字比特的估计值,同时采用交叉熵损失项作为每一个输出层的损失函数,叠加后形成整个网络的多项损失项,即
进一步的,如图5所示,所述对M次置信传播迭代的输出层输出的RS码字比特置信度进行排序,重构所述校验矩阵,对M+1次置信传播迭代中校验层和变量层的神经元进行恢复和删除,步骤S400还包括:
步骤S410:对所述校验矩阵相应列进行高斯消去,根据重构后的所述校验矩阵,调整所述M+1次置信传播迭代的网络层;
步骤S420:如果校验节点和变量节点的连接边变为0,则删除相应的神经元;
步骤S430:如果连接边变为1则恢复神经元。
具体而言,在神经网络训练过程中,借鉴Dropout对神经元随机失活的思想,利用每次置信传播迭代后重构的校验矩阵对神经元进行规则性恢复和删除。对前一次迭代的输出层输出的RS码字比特置信度进行排序,对校验矩阵相应列进行高斯消去,根据重构后的校验矩阵,调整后一次迭代的网络层,如果校验节点和变量节点的连接边变为0则删除相应的神经元,如果连接边变为1则恢复神经元。
与现有技术相比,本发明具有如下的有益效果:
1、由于采用了生成预定长度的RS码字,获得所述RS码字的二进制的校验矩阵;利用所述RS码字的所述校验矩阵构造译码神经网络;将所述译码神经网络分为N次置信传播迭代过程,其中,N为正整数;对M次置信传播迭代的输出层输出的RS码字比特置信度进行排序,重构所述校验矩阵,对M+1次置信传播迭代中校验层和变量层的神经元进行恢复和删除,其中,M为小于N的正整数;获得预设训练周期;判断所述译码神经网络的训练周期是否满足所述预设训练周期;如果所述译码神经网络的训练周期满足所述预设训练周期,将第N次置信传播迭代的校验矩阵作为最优校验矩阵的技术方案。基于此,能够构建一种基于深度神经网络的里德-所罗门码译码方法,达到了通过构造固定长度的RS码数据集,对译码网络进行训练,同时对超参数进行调整,从而得到最优参数,构建出适用于固定长度RS码字译码网络,以数据驱动的方式,结合专家知识构造译码神经网络,使其具备可解释性,能够降低译码复杂度的技术效果。
2、由于采用了引入多项损失的方法,使得神经网络在训练时的梯度传播的更远,网络权重的更新使得权重变化范围扩大,达到了提升方法的泛化能力和译码性能的技术效果。
基于与前述实施例中一种基于深度神经网络的里德-所罗门码译码方法同样发明构思,本发明还提供了一种基于深度神经网络的里德-所罗门码译码系统,如图6所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于生成预定长度的RS码字,获得所述RS码字的二进制的校验矩阵;
第一构建单元12,所述第一构建单元12用于利用所述RS码字的所述校验矩阵构造译码神经网络;
第一执行单元13,所述第一执行单元13用于将所述译码神经网络分为N次置信传播迭代过程,其中,N为正整数;
第二执行单元14,所述第二执行单元14用于对M次置信传播迭代的输出层输出的RS码字比特置信度进行排序,重构所述校验矩阵,对M+1次置信传播迭代中校验层和变量层的神经元进行恢复和删除,其中,M为小于N的正整数;
第二获得单元15,所述第二获得单元15用于获得预设训练周期;
第三执行单元16,所述第三执行单元16用于判断所述译码神经网络的训练周期是否满足所述预设训练周期;
第四执行单元17,所述第四执行单元17用于如果所述译码神经网络的训练周期满足所述预设训练周期,将第N次置信传播迭代的校验矩阵作为最优校验矩阵。
进一步的,所述系统还包括:
第五执行单元,所述第五执行单元用于根据所述第一译码神经网络的输出层输出所述RS码字比特更新后的置信度;
第三获得单元,所述第三获得单元用于获得预设置信传播迭代次数L;
第六执行单元,所述第六执行单元用于判断所述RS码字比特更新后的置信度是否满足所述预设置信传播迭代次数L;
第七执行单元,所述第七执行单元用于如果所述RS码字比特更新后的置信度满足所述预设置信传播迭代次数L,则完成译码神经网络的初始构建。
进一步的,所述系统还包括:
第八执行单元,所述第八执行单元用于根据所述第一译码神经网络的输出层输出所述RS码字比特更新后的置信度;
第四获得单元,所述第四获得单元用于获得预设置信传播迭代次数L;
第九执行单元,所述第九执行单元用于判断所述RS码字比特更新后的置信度是否满足所述预设置信传播迭代次数L;
第十执行单元,所述第十执行单元用于如果所述RS码字比特更新后的置信度满足所述预设置信传播迭代次数L,则完成译码神经网络的初始构建。
进一步的,所述系统还包括:
第五获得单元,所述第五获得单元用于如果所述RS码字比特更新后的置信度不满足所述预设置信传播迭代次数L,对所述RS码字比特更新后的置信度进行排序,将奇偶校验矩阵中置信度最低比特的子矩阵进行高斯消去处理,获得第一单位阵;
第十一执行单元,所述第十一执行单元用于根据所述第一单位阵构造所述译码神经网络。
进一步的,所述系统还包括:
第六获得单元,所述第六获得单元用于获得所述RS码字的非二进制的校验矩阵;
第十二执行单元,所述第十二执行单元用于通过二进制图样映射将所述非二进制的校验矩阵转换成二进制的校验矩阵。
进一步的,所述系统还包括:
第十三执行单元,所述第十三执行单元用于如果所述RS码字比特更新后的置信度满足所述预设置信传播迭代次数L,采用交叉熵损失作为网络损失函数,对每个输出层都附加交叉熵损失项,采用小批量随机梯度下降算法优化网络权重。
进一步的,所述系统还包括:
第十四执行单元,所述第十四执行单元用于对所述校验矩阵相应列进行高斯消去,根据重构后的所述校验矩阵,调整所述M+1次置信传播迭代的网络层;
第十五执行单元,所述第十五执行单元用于如果校验节点和变量节点的连接边变为0,则删除相应的神经元;
第十六执行单元,所述第十六执行单元用于如果连接边变为1则恢复神经元。
前述图1实施例一中的一种基于深度神经网络的里德-所罗门码译码方法的各种变化方式和具体实例同样适用于本实施例的一种基于深度神经网络的里德-所罗门码译码系统,通过前述对一种基于深度神经网络的里德-所罗门码译码方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于深度神经网络的里德-所罗门码译码系统的实施方法,所以为了说明书的简洁,再次不再详述。
下面参考图7来描述本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实例施中一种基于深度神经网络的里德-所罗门码译码方法的发明构思,本发明还提供一种基于深度神经网络的里德-所罗门码译码系统,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种基于深度神经网络的里德-所罗门码译码系统的任一方法的步骤。
其中,在图7中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他系统通信的单元。处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本申请实施例提供一种基于深度神经网络的里德-所罗门码译码方法,其中,所述方法包括:生成预定长度的RS码字,获得所述RS码字的二进制的校验矩阵;利用所述RS码字的所述校验矩阵构造译码神经网络;将所述译码神经网络分为N次置信传播迭代过程,其中,N为正整数;对M次置信传播迭代的输出层输出的RS码字比特置信度进行排序,重构所述校验矩阵,对M+1次置信传播迭代中校验层和变量层的神经元进行恢复和删除,其中,M为小于N的正整数;获得预设训练周期;判断所述译码神经网络的训练周期是否满足所述预设训练周期;如果所述译码神经网络的训练周期满足所述预设训练周期,将第N次置信传播迭代的校验矩阵作为最优校验矩阵。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品,该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
- 一种基于深度神经网络的里德-所罗门码译码方法及系统
- 交叉穿插的里德-所罗门码的高速纠错译码系统