当前位置: 首页 > 专利查询>东南大学专利>正文

基于深度学习的极化码译码算法制造技术

技术编号:16367005 阅读:311 留言:0更新日期:2017-10-10 23:26
本发明专利技术公开了一种基于深度学习的极化码译码算法,提出了多维度缩放Min‑sum置信度传播(Beliefpropagation)译码算法,用以加快译码算法收敛速度;然后根据BP算法的因子图与深度神经网络的相似性,实现了基于深度神经网络的极化码译码器,利用深度学习技术训练深度神经网络译码器,相比原始BP译码算法减少了近90%的译码迭代次数,同时取得了更好的译码性能;最后本发明专利技术给出了深度神经网络极化码译码器基本运算模块的硬件实现,并且利用硬件折叠技术减少了50%的硬件消耗。

Polarization code decoding algorithm based on depth learning

The invention discloses a decoding algorithm based on deep learning polarization code, we proposed a multi dimension zoom Min sum belief propagation (Beliefpropagation) decoding algorithm is used to accelerate the convergence speed of decoding algorithm; then according to the similarity of BP algorithm the factor graph and the depth of the neural network, the neural network decoder polarization depth based on the deep learning technology training depth neural network decoder, compared with the original BP decoding algorithm can reduce the iteration number nearly 90%, and achieved better decoding performance; finally, the invention gives the realization of the depth of the neural network polarization decoder basic arithmetic module of the hardware, and use hardware folding technology reduces the hardware cost 50%.

【技术实现步骤摘要】
基于深度学习的极化码译码算法
本专利技术属于深度神经网络和极化码译码领域,尤其涉及一种基于深度学习的极化码译码算法。
技术介绍
极化码(Polarcode)是由ErdalArikan在2009年一篇论文“Channelpolarization:Amethodforconstructingcapacity-achievingcodesforsymmetricbinary-inputmemorylesschannels”中提出的一种可以趋于香农极限的编码方式。信道极化现象是指当信道数量趋于无穷大时,一部分信道趋于完美,而一部分信道趋于纯噪声信道。基于此信道极化现象,选取组合信道中比较好的信道,构造极化码。极化码是第五代(5G)移动通信系统中十分重要的技术之一。最常见的两种极化码译码算法是连续消除(SC)算法和置信度传播(BP)算法。其中,SC译码计算复杂度低,并且有良好的纠错性能,但是由于SC算法的串行运算结构,它存在较长的译码延迟。和SC译码相比,BP译码,由于其并行结构,在长码情况下译码延迟远小于SC译码;但是由于BP译码需要进行多次迭代处理,因此BP译码的计算复杂度很高,而且译码性本文档来自技高网...
基于深度学习的极化码译码算法

【技术保护点】
一种基于深度学习的极化码译码算法,其特征在于:具体包括以下步骤:(1)基于缩放Min‑sum的BP算法,提出改进的多维缩放Min‑sum的BP算法;(2)根据极化码BP译码因子图与神经网络结构的相似性,展开极化码BP译码因子图构成深度神经网络译码器;(3)生成全零码字,经过AWGN信道传输后,利用深度学习技术中的后向传播和Mini‑batch随机梯度下降算法训练深度神经网络译码器;(4)基于原始BP译码器给出改进型BP译码器的硬件架构,利用硬件折叠技术减少硬件消耗。

【技术特征摘要】
1.一种基于深度学习的极化码译码算法,其特征在于:具体包括以下步骤:(1)基于缩放Min-sum的BP算法,提出改进的多维缩放Min-sum的BP算法;(2)根据极化码BP译码因子图与神经网络结构的相似性,展开极化码BP译码因子图构成深度神经网络译码器;(3)生成全零码字,经过AWGN信道传输后,利用深度学习技术中的后向传播和Mini-batch随机梯度下降算法训练深度神经网络译码器;(4)基于原始BP译码器给出改进型BP译码器的硬件架构,利用硬件折叠技术减少硬件消耗。2.根据权利要求1所述的基于深度学习的极化码译码算法,其特征在于:所述步骤(1)中,多维缩放Min-sum的BP算法为:

【专利技术属性】
技术研发人员:张川徐炜鸿吴至臻尤肖虎
申请(专利权)人:东南大学
类型:发明
国别省市:江苏,32

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1