Skip to content

README_CN.md

Latest commit

 

History

History
84 lines (63 loc) · 4.42 KB

README_CN.md

File metadata and controls

84 lines (63 loc) · 4.42 KB

OSD-CNN：CNN增强的 LDPC NMS/OSD 译码器

OSD-CNN: CNN-Enhanced LDPC NMS/OSD Decoder

English Version | 中文版本 / Chinese Version

本仓库集中在一个 Jupyter Notebook（osd_cnn.ipynb）中，完成了 NMS→OSD→CNN 混合译码 的端到端实验：从CCSDS标准LDPC码加载、混合SNR数据生成、DIANet训练、NMS/OSD-1/OSD-2/CNN-OSD的对比仿真以及可视化。当前实现使用统一的NMS归一化因子 alpha=0.78，在训练和仿真阶段保持一致，确保数据分布对齐。

✨ 特性 / Features

  • 📦 标准LDPC码支持 / Standard LDPC Code Support：从Alist格式文件加载CCSDS (128, 64)码，自动通过高斯消元生成G矩阵。
  • 🔁 统一的NMS归一化策略 / Unified Alpha：decode_nms_trajectory 和混合 OSD 都使用同一个 alpha=0.78，方便复现实验并避免数据分布漂移。
  • 📚 混合SNR训练数据 / Mixed-SNR Data：训练集覆盖 2.0–4.0 dB，多 SNR 样本共享相同的 NMS 配置。
  • 🧠 DIANet 轨迹学习 / DIANet Trajectory Learner：输入为 NMS LLR 轨迹 (n, T)，输出每个比特的软信息增益。
  • 🎯 OSD算法实现 / OSD Algorithm Implementation：支持OSD-1和OSD-2，包含自适应高斯消元和Top-K加速优化。
  • 🛟 CNN-OSD 融合 / CNN-OSD Fusion：hybrid_soft = y + 0.78 * cnn_logits，直接在 OSD-1/2 中使用增强的软信息。
  • 📈 全流程可视化 / End-to-end Visualization：Notebook 内置 FER曲线、增益柱状图与性能对比表格，同时展示OSD-1和OSD-2的结果。

📁 仓库内容 / Repository Layout

osd-cnn/
├── osd_cnn.ipynb              # 主实验 Notebook（含代码+说明）
├── dia_model_best.pth         # 训练好的 DIANet 模型参数
├── CCSDS_ldpc_n128_k64.alist  # CCSDS标准LDPC码的Alist格式文件
├── README.md                   # 英文文档
└── README_CN.md                # 当前文档（中文）

⚡ 快速开始 / Quick Start

方式一：Google Colab

  1. 直接打开 Colab。
  2. Runtime → Change runtime type → 选择 GPU。
  3. 逐个运行单元，Notebook 会自动安装依赖、生成数据、训练 DIANet 并执行仿真。

方式二：本地环境

  1. 安装依赖（若 Notebook 中未自动安装，可参考需求列表自行 pip 安装）。
  2. 启动 Jupyter：jupyter notebook。
  3. 打开 osd_cnn.ipynb 并按顺序执行全部单元。

🧩 核心模块 / Core Components

模块 内容 亮点
LDPC码加载 从Alist文件加载CCSDS (128, 64)码，高斯消元生成G矩阵 支持标准格式，自动验证H@G.T=0
NMS译码 + 轨迹记录 decode_nms_trajectory，固定 alpha=0.78 记录迭代 LLR 轨迹，输出失败样本
混合SNR数据生成 只保留 NMS 失败帧，TOTAL_SAMPLES = 60000 SNR 随机采样但共享同一 alpha
DIANet 训练 BCEWithLogitsLoss + Adam (1e-3) + EarlyStopping 以轨迹为输入，预测比特错误倾向
OSD算法 OSD-1/OSD-2，自适应高斯消元，Top-K加速 支持标准OSD和CNN增强混合OSD
CNN-OSD 融合 hybrid_soft = y + 0.78 * cnn_logits 与纯OSD比较 FER/BER/耗时
可视化 FER曲线、增益柱状图、性能表格 展示 NMS / OSD-1/2 / CNN-OSD 的整体表现

🧮 关键超参 / Key Hyper-Parameters

  • MAX_ITER_NMS = 12：NMS 迭代次数。
  • alpha = 0.78：NMS 归一化因子，训练和仿真阶段统一使用固定值，确保数据分布一致。
  • MAX_FRAMES = 1,000,000、MIN_CNN_ERRORS = 50：仿真终止条件。
  • BATCH_SIZE = 512：DIANet 训练批量。
  • TOTAL_SAMPLES = 60,000：混合SNR失败帧，用于训练。
  • R = 0.5：码率（CCSDS (128, 64) 码）。

📊 最新仿真概览 / Latest Simulation Snapshot

仿真使用CCSDS (128, 64)码，统一alpha=0.78，SNR范围2.0-4.0 dB（步长0.2 dB）。

📚 参考 / References

  1. Gallager, R. G. Low-density parity-check codes, 1962.
  2. Fossorier, M. P. C., & Lin, S. Soft-decision decoding of linear block codes, 1995.
  3. Chen, J., & Fossorier, M. P. C. Near optimum universal belief propagation based decoding of LDPC codes, 2002.
  4. Jia, M. et al. Ordered Statistics Decoding for Short Block Codes, 2019.