[发明专利]一种基于深度神经网络的极化码译码方法

说明书

本发明提供了一种基于深度神经网络的极化码译码方法，所述方法首先从收集、整理样本数据开始；然后设置参数进行建模，并采用反向传播算法来训练网络；然后再将Rate‑R结点对应的似然比输入到已完成训练的深度神经网络模型中，得到0或1；最后根据0、1状态执行简化的连续消除译码算法。该方法通过将深度神经网络技术与极化码译码技术进行结合，减少对Rate‑R结点的遍历操作，提高译码速度，降低译码时延。

技术领域

本发明属于通信技术领域，特别涉及一种用深度神经网络来辅助简化的连续消除译码算法进行快速译码。

背景技术

极化码是2008年由E.Arikan提出的一种新型信道编码。极化码是第一种能够通过严格的数学方法证明达到信道容量的构造性编码方案，并且具有明确而简单的编码及译码算法。通过信道编码学者的不断努力，当前极化码所能达到的纠错性能超过目前广泛使用的Turbo码、LDPC码。

极化码的基础是信道极化。当参与信道极化的信道(时隙)数足够多时，所得到的极化信道的信道容量会出现极化现象，即一部分信道的容量将会趋于1、其余趋于0。在信道极化的基础上，极化码在传送信息时，只需要在一部分容量趋于1的信道上传输信息比特，而在剩下的容量趋于1的信道以及容量趋于0的信道上传输收发端己知的固定比特。用K表示用于传输信息比特的信道数，由此形成一个由K个信息比特到N个发送比特的一一映射关系，这一映射即是极化编码。极化码被提出之初，连续消除(SC)译码也随之被提出。SC译码虽然复杂度低、译码结构简单，但只能逐比特译码，带来较高的时延。为了降低时延，提出了简化的连续消除(SSC)译码算法。随后，基于SSC译码算法的多种改进版本也相继被提出。在SSC算法中，将结点分为3种类型，分别为Rate-1结点、Rate-0结点、Rate-R结点。每一种结点都对应着不同的译码规则。基于组合码的树结构，SSC译码算法能够简化Rate-1结点的译码来提高译码速度，降低时延。

深度神经网络(DNN)其实就是按照一定规则连接起来的多个神经元。在实现数据分类方面，DNN以其强大的学习能力和泛化能力呈现出一个理想的准确度，满足对数据的快速、精准分类需求。

为了进一步降低译码时延，本发明专利提出了一种基于深度神经网络的极化码译码方法。通过采用深度神经网络来辅助简化的连续消除译码算法进行快速译码，提高译码速度，从而降低译码时延。

发明内容

本发明提出了一种基于深度神经网络的极化码译码方法，在保证译码性能不变的情况下，通过深度神经网络的辅助来提高简化的连续消除译码算法的译码速度，降低译码时延，把这种译码算法称为深度神经网络辅助的简化连续消除(DNA-SSC)译码算法。

在样本数据准备阶段，已知1000帧码字，在同一信噪比下，发送到简化的连续消除译码器中，记录每一个Rate-R结点对应的似然比向量α，每一个α都对应着一个已知的叶子结点序列S，对每一个α进行硬判决，得到向量β，再给β乘上一个对应已知的生成矩阵G，得到序列比较α对应的序列与S，将两个序列的码元完全相同的情况记为1，将两个序列的码元不完全相同的情况记为0，即该特征α向量对应的标签为1或0，α与1、α与0构成一组样本，从所记录的样本中随机选80％作为训练样本，并将余下的20％作为测试样本。

深度神经网络是一个包含多个隐藏层的多层感知机且可用作分类器，其特征是层级结构和训练规则可以根据实际情况来设定。搭建DNN时，层级结构包括1个输入层、3个隐藏层及1个输出层，输入层的输入是一个长度为N的α向量，每一个隐藏层的节点数分别设置为128、64、32，输出层的节点数目设置为2，采用全连接方式来搭建DNN，并将sigmoid函数设定为激活函数。训练DNN时，基于监督学习，利用误差反向传播算法来训练网络，通过求出输出层和3个隐藏层的误差项来调整权值和神经元偏置，直至完成DNN的训练。

在极化码译码端，将Rate-R结点对应的似然比输入到深度神经网络模型中，得到0或1，并根据0、1状态执行简化的连续消除译码算法。