码本设计方法、通信设备以及码本训练方法技术

本发明专利技术提供一种码本设计方法、通信设备以及码本训练方法，其中，该码本设计方法，包括：根据预定的码本子集设计，从一组源数据矢量中获得分布信息；根据预定的码本长度L以及该分布信息，为每一个码本子集确定码字个数Ns；将每一个源数据矢量分到对应的码本子集；训练码本子集中的源数据矢量；以及将默认码本矢量值分配到没有源数据矢量的码本子集。使用本发明专利技术提供的技术方案，能够使得码本搜索更有效率。

【技术实现步骤摘要】
码本设计方法、通信设备以及码本训练方法
本专利技术涉及移动通信网络，以及，尤其涉及基于简化的最大互信息（maximummutualinformation，MMI）矢量量化（VectorQuantization，VQ）的混合自动重复请求（HybridAutomaticRepeatRequest，HARQ）缓存减少的方案。
技术介绍
长期演进（LongTermEvolution，LTE）系统是一种现代的移动通信标准，已被设计成在用户设备（UserEquipment,UE）和封包数据网络（packagedatanetwork,PDN）之间提供无缝的互联网协议（IP）连接。长期演进系统中使用HARQ，努力保证传输的可靠性以及提高信道的吞吐量。HARQ是停止以及等待（stop-and-wait）的传输方案，其中，在发送端，只有从接收实体接收到ACK/NACK之后，后续的发送才能发生。在接收端，已接收的信息被暂时存储在HARQ存储器。如果所接收到的消息没有被正确的解码，被存储的有用信息能够与随后的同一消息的信息结合，以正确的解码该消息。随着移动网络中不断增加的数据速率，在接收的HARQ队列中要存储的数据量急剧增加。例如，第4类HARQ需要大约11兆(mega)比特的外部存储器和1.4兆比特的内部存储器，用于存储一个HARQ副本。为了减轻增加HARQ存储器空间大小的需求，需要在接收HARQ队列中进行数据压缩。矢量量化（VectorQuantization，VQ）是一种高效的基于块编码（blockcoding）原则的数据压缩方法。一矢量量化将矢量空间中的k维矢量映射成一组有限的矢量，称为码字。所有的码字的集合是码本。矢量量化获得源数据矢量（sourcedatavector）以及将该源数据矢量关联到码字，该码字是最近的邻居。当使用矢量量化压缩HARQ数据，应该考虑该HARQ数据的一些特殊特性。HARQ是前向纠错（forwarderrorcorrection，FEC），错误检测（errordetection）和重传机制（retransmissionscheme）的强大合并。为了最大限度地提高纠错编码的性能，当等待下一个重传的时候，通常以对数似然比（log-likelihoodratio,LLR）的形式，存储被传输的比特的后验概率（posteriorprobabilities）。对于对数似然比，一种常见的压缩方案是基于最大互信息（MMI）的矢量量化，其准则是将多个原始比特与被量化的对数似然比之间的互信息最大化。用于HARQ数据的矢量量化设计存在两个问题。第一个是如何有效地生成码本。第二个是如何优化MMI方案，以用于矢量量化。在一个简单的矢量量化设计中，代码矢量被划分成码本中的码字。存储代码矢量的索引，而不是存储代码矢量本身。当解压缩的时候，索引被用于检索最接近该代码矢量的码字。简单的矢量量化方法对每个数据矢量都需要穷举搜索码本。这样的过程需要很大的计算量。因此，需要一种更有效的实时HARQ数据的矢量量化设计。其中，一个问题是如何有效地产生码本。由于通用劳埃德算法（GeneralizedLloydalgorithm，GLA）的简易性和相对良好的保真度（fidelity），该经典的广义的劳埃德算法是被引用最多的和广泛使用的矢量量化方法。但是，它需要很高的处理资源。为了使用Lloyd算法，距离被定义在RK，其中K>1，K表示维度。Lloyd算法包括两个步骤的迭代（iteration）。在第一步骤中，基于被选择的距离测度，将训练点关联到码本中的最近点，称为最近邻居状态（nearestneighborcondition）。在第二步骤中，每一组训练点的质心（centroid）被选择作为新的重建值，称为质心状态(centroidcondition)。该算法可以以其他算法提供的原始码本开始或者以简单的从训练组中随机提取的码本开始。为了计算该距离，通常将Lloyd算法与欧几里德距离（Euclideandistance）结合，这会导致均方误差（meansquarederror，MSE）最小化。对于Lloyd算法，使用其他的距离测度也是适用的，比如MMI方法。在传统的Lloyd算法或者一些改进的Lloyd算法中，存在的问题是不能有效的生成码本或需要实施额外的缓存器/存储器空间。另一个问题是如何优化MMI方案，以用于矢量量化。传统矢量量化算法的局限性是要求高处理能力和存储空间。假设随机矢量l={l1,…,lk}。为了设计一个最优的码本，我们拉出l的nτ个样本作为训练点，我们可以模拟随机矢量，t={t1,...,tK}，具有数字集合Γ={1，...，N}中的值，其中N是矢量量化单元（cell）的数目。对于具有对数似然比的HARQ，假设xk是初始比特以及yk是它的对数似然比的重建值。I(.;.)是随机变量之间的互信息（mutualinformation），H(.)是熵（entropy）和H(.|.)是假定另一个被观察的情况下的随机变量的条件熵（conditionalentropy）。为了最大化多个初始比特以及被量化的对数似然比之间的互信息，该矢量量化需要确保互信息损失最小化，互信息损失为ΔI=H(Xk|Yk)–H(Xk|Lk)。进一步，输入点落入区域Ri的概率被定义为：p(i)=ni/nΓ，其中，ni=|{t∈Ri}|，其为既定量化器输出的概率，该概率被落入与输出值i相关区域的训练点的相关数量近似。后验概率p(xk|i),能够由公式p(xk|i)=获得，其是在多个训练点属于Ri的条件下的初始比特的平均后验概率（averageposteriorprobability）。对数似然比的量化版本能够被与矢量量化器输出相关的索引表示，以及条件熵（conditionalentropy）满足：互信息损失的最终表达式其中DKL(p||q)是在概率分布p以及q之间的KL分支，其定义在共享相同字母（alphabet）的多个随机变量上。应用这个算法来实现最大互信息矢量量化需要大的额外缓存空间以及可能引进大失真，它不是有效的码本设计。本专利技术揭示了优化的矢量量化算法来使得码本设计更有效。
技术实现思路
本专利技术实施例揭示一种码本设计方法、通信设备以及码本训练方法。本专利技术一实施例提供一种码本设计方法，包括：根据预定的码本子集设计，从一组源数据矢量中获得分布信息；根据预定的码本长度L以及该分布信息，为每一个码本子集确定码字个数Ns；将每一个源数据矢量分到对应的码本子集；训练码本子集中的源数据矢量；以及将默认码本矢量值分配到没有源数据矢量的码本子集。本专利技术另一实施例提供一种通信设备，包括：分布信息模块，用于根据预定的码本子集设计，从一组源数据矢量中获得分布信息；码本子集模块，用于根据预定的码本长度L以及该分布信息，为每一个码本子集确定码字个数Ns；划分模块，用于将每一个源数据矢量分到对应的码本子集；训练模块，用于训练码本子集中的源数据矢量；以及分配模块，用于将默认的码本矢量值分配给不具有源数据矢量的码本子集。本专利技术又一实施例提供一种码本训练方法，该码本训练方法使用劳埃德算法，以用于矢量量化，该方法包括：a)、将一组源数据分割成具有重建值Yi的k维区域Ri，以及初始本文档来自技高网...

【技术保护点】
一种码本设计方法，其特征在于，包括：根据预定的码本子集设计，从一组源数据矢量中获得分布信息；根据预定的码本长度L以及该分布信息，为每一个码本子集确定码字个数NS；将每一个源数据矢量分到对应的码本子集；训练码本子集中的源数据矢量；以及将默认码本矢量值分配到没有源数据矢量的码本子集。

【技术特征摘要】
2012.12.27 US 13/729,0161.一种码本设计方法，其特征在于，包括：根据预定的码本子集设计，从一组源数据矢量中获得分布信息；根据预定的码本长度L以及该分布信息，为每一个码本子集确定码字个数Ns；将每一个源数据矢量分到对应的码本子集；训练码本子集中的源数据矢量；以及将默认码本矢量值分配到没有源数据矢量的码本子集；将训练后的每一码本子集排序，得到具有长度L的最终码本；将输入数据矢量映射到所述最终码本的一个码本子集；在所映射到的码本子集中搜索，以发现用于该输入数据矢量的最小失真码字。2.根据权利要求1所述的方法，其特征在于，该源数据矢量是对数似然比矢量，该预定的码本子集设计是基于该对数似然比矢量的符号标记。3.根据权利要求2所述的方法，其特征在于，用于每一个码本子集的训练方法涉及使用劳埃德算法，以用于矢量量化。4.根据权利要求3所述的方法，其特征在于，该矢量量化是基于最大互信息，训练方法包括：a)、将源数据矢量分割成具有重建值Yi的k维区域Ri，以及初始化旧的互信息损失ΔIold以及新的互信息损失ΔInew为无限大；b)、分配该新的互信息损失等于该旧的互信息损失：ΔInew＝ΔIold；c)、对于每一个源数据矢量r，将r分配到Ri，以使得Yi以及r具有最小互信息失真；d)、如果存在一个或者多个空的区域Ri，将一个或者多个非空区域Ri分割，以及返回从步骤c)重复执行；e)、对于每一个i，根据预定的算法，更新该重建值为其中，ni是Ri中相关矢量的数量；以及lk代表Ri中源数据矢量r对应的对数似然比；f)、更新该新的互信息损失其中，是r以及Yi之间的互信息失真；τ表示码本子集中源数据矢量的集合，以及g)、重复步骤b)到f)直到满足其中，ε表示预定义的界限。5.根据权利要求3所述的方法，其特征在于，该矢量量化是基于欧几里德距离，该训练方法包括：a)、将该源数据矢量分割成具有重建值Yi的k维区域Ri，以及初始化旧的欧几里德距离Δdold以及新的欧几里德距离Δdnew为无限大；b)、分配该新的欧几里德距离等于该旧的欧几里德距离：Δdnew＝Δdold；c)、对于每一个源数据矢量r，将r分配到Ri，以使得Yi以及r具有最小的欧几里德距离；d)、如果存在一个或者多个空的区域Ri，将一个或者多个非空区域Ri分割，以及返回从步骤c)重复执行；e)、对于每一个i，更新该重建值为其中，ni是Ri中相关矢量的数量；以及lk代表Ri中该源数据矢量r对应的对数似然比；f)、更新该新的欧几里德距离Δdnew＝∑r∈τ||r-Yi||2，其中，||r-Yi||2是r以及Yi之间的欧几里德距离；τ表示码本子集中源数据矢量的集合；g)、重复步骤b)到f)直到满足其中，ε表示预定的界限。6.根据权利要求1所述的方法，其特征在于，用于每一个码本子集的训练方法使用劳埃德算法，该方法包括：a)、将一组源数据分割成具有重建值Yi的k维区域Ri，以及初始化旧的失真测度ΔDold以及新的失真测度ΔDnew为无限大；b)、安排该新的失真测度等于该旧的失真测度：ΔDnew＝ΔDold；c)、对于每一个源数据矢量r，将r分配到Ri，以使得Yi以及r具有最小失真测度；d)、如果存在空的区域Ri，将一个或者多个非空区域Ri分割，以及返回从步骤c)重复执行；e)、对于每一个Ri，根据预定的算法，更新重建值Yi；f)、根据该更新的重建值Yi，更新该新的ΔDnew；以及g)、重复执行步骤b)到f)，直到满足其中，ε表示预定的界限。7.根据权利要求6所述的方法，其特征在...

【专利技术属性】
技术研发人员：李俊强，
申请(专利权)人：联发科技新加坡私人有限公司，
类型：发明
国别省市：新加坡;SG