[发明专利]一种基于深度学习的极化码SSCL算法译码器

说明书

本发明提供了一种与深度学习结合的低时延极化码译码器，特别是相比于简化的连续取消列表(Simplified Successive Cancellation List，SSCL)译码器具有更少的计算次数。该装置包含5个模块，分别是正常SCL计算模块、Rate‑0计算模块、Rep计算模块、Rate‑1计算模块和普通节点的DNN计算模块。这种与深度神经网络结合的SSCL译码器除了保留原有的Rate‑0、Rate‑1和Rep节点的低译码延迟特性外，还用深度神经网络对普通节点译码来降低译码时延，最后达到降低整体译码延时的目的。实验计算得出，当码长为64、码率为1/2时，本发明的译码延迟比SSCL的译码延迟降低约27％。

技术领域

本发明属于通信信道编码的译码技术领域，涉及一种与深度学习结合的极化码译码器，特别是一种相比于传统的SSCL算法的译码器具有更少的计算次数，达到利用深度学习来降低译码延迟效果的极化码译码器。

背景技术

自信道编码理论建立之后，信道编码技术已经经历了几十年的发展和革新。极化码作为近十年来提出的一种编码技术，它具备了像代数编码那样特定的编译码结构，同时也采用了信道极化的方式来建立编译码的理论基础。极化码通过信道联合和信道分裂两种操作得到了若干分裂信道，它们的容量呈现出两极分化的趋势，即随着码长的增加或者趋向于完全噪声信道，或者趋向于完全无噪声信道，并以此为基础证明了极化码可以达到任意二进制输入离散无记忆信道的对称容量。极化码所采用的信道极化的编码思想和之前已经出现的编码技术完全不同，因此引起了人们的广泛关注。

Seyyed A.H.等人提出了SSCL译码的算法，这个算法为了降低SCL解码的时间复杂度，也提出了基于Rate-1、Rate-0和Rep节点的路径度量计算方法，这些节点的计算是源于原始的SCL算法。简化的路径度量依赖于由各自节点标识的根节点的LLR值。因此，可以不需要遍历所有节点来正确计算它们的LLR值。对于这三种节点，他们证明了所提出的计算与原始SCL中所提出的计算完全等价。而且还提出了一种硬件友好的Rate-1节点的路径度量计算方法，并证明它与遍历解码树的方法是等价的。

虽然SSCL相对于SCL具有更好的译码时延，但是对于这几种节点之外的情况仍使用原始SCL的计算方法，这样还会产生较高的译码延迟。本发明是对SSCL算法的进一步优化。

发明内容

本发明为了解决SSCL对于特殊节点以外的节点有较高延迟的问题，提供了一种结合深度学习神经网络的SSCL译码算法的译码器，主要包含5个计算模块，正常SCL计算模块、Rate-0计算模块、Rep计算模块、Rate-1计算模块和普通节点的DNN计算模块。对于一般节点也能减少译码延迟；同时用深度神经网络(DNN)进行极化码译码，其性能能够达到最大后验概率，这样相比于传统的译码会有一定的性能提升。

本发明的基本构思：针对SSCL无法应对的其他类型节点，采用一种深度神经网络的译码模块进行译码。但由于深度神经网络应用于极化码的译码有着一定的限制，因为在训练深度神经网络时，所采用的训练集要包含所用的译码可能，这样才能训练一个拟合较好的网络。当在译码过程中遇到上述提到的三种特殊节点以外的节点时，采用深度神经网络来进行译码。然后根据译码出的结果计算更新后的路径度量值，再继续进行译码。这种与深度神经网络结合的SSCL译码器除了保留原有的Rate-0、Rate-1和Rep节点的低译码延迟特性外，还用深度神经网络对普通节点译码来降低译码时延，最后达到一个降低整体译码延时效果。