[发明专利]一种基于深度学习的极化码FNSC译码器

说明书

本发明提出了一种改进的基于深度学习的极化码FNSC译码器。它主要在已有的F‑SSC算法与NSC算法上进行改进。该译码器通过一种新的训练策略来获得一个适用于一般节点的DNN网络代替NSC算法中的多个DNN网络，并且引入F‑SSC算法中对特殊节点的处理方式来进一步优化本发明中的译码算法。该译码算法FNSC相比于NSC算法在减低了译码延迟的同时也减少了资源消耗。实验证明，当码长为128，码率为0.5时FNSC的译码延迟比NSC的译码延迟降低21％，且节省了7个DNN网络的资源消耗。

技术领域

本发明属于信道编译码技术领域，涉及一种基于DNN的SC译码器，特别是一种结合训练单一DNN网络与特殊节点并行计算的SC译码改进算法。

背景技术

Arikan教授在2009年提出了基于信道极化现象的极化码，该信道纠错码首次被严格证明了在码长趋近于无穷大时，信道容量可以达到香浓极限。由Arikan教授提出的SC译码算法是极化码的基础译码算法。该算法采用的是连续按位译码，其译码延迟较大，码字间的相关性较强，这将会导致前面译码出错的位置影响后续译码的结果。极大的限制了SC译码算法的性能。学者们为了解决这个问题，分别提出了SCL和SCF两种算法。SCL算法通过搭建搜索树来计算SC译码的多种可能性，并通过减枝来保留可能性较高的L个分支，减枝的数量直接决定了SCL算法的性能。而SCF则是通过比特翻转，来对比较可能出错的信息位进行比特反转，然后从翻转位开始接着进行SC译码。以上两种SC的改进算法都是为了解决码间出错对后续译码的影响，两者都取得了较好的性能提升，但其依然存在译码延迟大、短码译码性能较差等缺陷。随着5G时代的到来，当下的通信技术已经越来越无法满足网络流量日益增长的需求。极化码作为5G的控制信道编码方案，其译码延迟与短码的性能将更受关注。

近年来，随着人工智能的发展，深度学习已经作为人工智能的一个重要的方法被应用到科学研究的各个领域，并且为这些领域带来了巨大的革新和突破。深度学习在信道编码领域的应用成果也逐渐增多，DNN网络用于极化码译码时可以看作是一个多标签分类器。当码长为16、码率为1/2时，其分类的类别有2⁸个。但由于DNN对训练集中不包含的码字的预测能力非常差，若当码字长度大于等于32时，此时DNN总类别数十分巨大，这使得DNN无法通过遍历所有种类的码字来提高译码器的性能。另外，由于类别的指数增长而造成的维数灾难将严重影响DNN网络的性能。

在已有的技术中，传统的F-SSC算法对4种冻结位与信息位存在特殊关系的节点进行并行运算以减少SC译码的延迟，然而对于SC中的一般节点，F-SSC依旧采用的是串行译码方式。当码长越长，每个节点包含的码字越多时，一般节点的个数就越多，这不利于低延迟SC译码器的设计。NSC算法从第S层之后的译码开始使用不同的小型DNN网络对不同分组的LLR值进行直接译码，这虽然大大降低了SC译码的译码延时，但还存在以下两个不足。(1)NSC算法DNN网络的数量取决于LLR的分组数，而分组数将随码长的增加而增加，这无疑增加了系统的资源消耗与设计复杂度。(2)SC译码树中的特殊节点采用F-SSC的计算方法比DNN网络更快，对特殊节点使用DNN将造成额外的系统延迟与资源消耗。

发明内容

本发明为了解决已有技术所存在的问题，提出了一种基于DNN网络的FNSC译码器，该译码器训练了一个适用于某一层所有一般节点的DNN译码网络，将该网络应用于所有的一般节点，而在特殊节点处采用F-SSC中已有的更简便的方法，该译码器在保证不损失性能的前提下具有降低译码延迟、减少资源消耗等特点。

基于以上技术问题，本发明所采用的技术方案为：本发明提供一种训练一个DNN网络适用于SC码树中某一层所有一般节点的方法。SC码树中同一层的每个节点历经的后续译码树是完全相同的，但其最后判决输出的判决方法却不尽相同(与冻结位的分布有关)，为了训练出一个适应所有节点的DNN网络，本发明采取的方法是去掉冻结位判决的影响，直接对最后一层的LLR进行硬判决并将其作为训练网络的期望值。

设编码码长为N，码率为1/2，假如DNN将与SC译码树的第S层连接，对于一个样本的制作可以分为以下步骤：