根据《基于深度残差收缩网络的LDPC译码算法》所述，为了研究瑞利衰落信道下提高低密度奇偶校验码（low density parity check，LDPC）信道译码算法纠错性能的方法，结合神经网络技术，有学者提出了一种基于深度残差收缩网络（deep residual shrinkage networks，DRSN）的归一化最小和（normalized min-sum，NMS）译码算法（简称DRSN-NMS译码算法）。

基于深度残差收缩网络的LDPC译码算法

首先，本译码算法使用深度残差收缩网络预测信道增益；然后结合接收信号计算对数似然比（log likelihood ratio，LLR），将其作为译码算法的输入进行译码，深度残差收缩网络通过学习接收信号中噪声的相关特征，以抑制噪声的方法使预测结果更加接近真实信道增益；最后使用实现较简便的NMS算法进行译码。

残差网络模块的改进：残差收缩网络模块

深度残差收缩网络在提取特征的过程中，会通过抑制无关噪声来提高特征提取的准确率。它的核心思想是神经网络在学习的过程中，在残差块结构中添加一个小型的子网络用于自适应阈值设置，以去除与当前任务无关的特征信息，提高神经网络预测的准确率。在残差块的基础上加入子网络，用于清除冗余信息，新结构即残差收缩块，其结构如图所示。

残差收缩网络：深度残差网络的改进

仿真试验结果表明，在高信噪比环境下，本译码算法的误码率最低时接近常规算法误码率的1/3，译码性能得到一定的提高。本研究结果可为译码算法降低误码率提供参考。