一种极化码译码参数的快速优化方法技术

本发明专利技术提供了一种极化码译码参数的快速优化方法，所述方法首先从收集、整理样本数据开始；然后以样本数据的特点及大小作为依据进行建模，并采用监督学习和随机梯度优化方法来训练网络；然后再将由接收信号计算得到的似然比输入到已完成训练的径向基函数神经网络模型中，输出M；最后将L初始化为M，执行串行抵消列表译码算法。该方法通过将径向基函数神经网络技术与极化码译码技术进行结合，避免了不必要的计算操作，从而极大降低了极化码的译码复杂度。

A fast optimization method for decoding parameters of polarization codes

The present invention provides a fast optimization method for decoding parameters of polarization codes, which starts with collecting and sorting out sample data, then models based on the characteristics and size of sample data, trains the network by supervised learning and stochastic gradient optimization method, and calculates the received signal. The likelihood ratio of L is input to the trained RBF neural network model and M is output. Finally, L is initialized to M and the serial cancellation list decoding algorithm is implemented. This method combines radial basis function neural network technology with polarization decoding technology, avoids unnecessary calculation operation, and greatly reduces the decoding complexity of polarization code.

【技术实现步骤摘要】
一种极化码译码参数的快速优化方法
本专利技术属于通信
，特别涉及一种用径向基函数神经网络来优化串行抵消列表译码算法的极化码译码参数的方法。
技术介绍
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。在极化码被提出之初，串行抵消(SC)译码也随之被提出。SC译码能够被看作是在二叉树上的路径搜索过程。SC译码算法从码树根节点开始，逐层依次向叶子节点层进行搜索，每一层扩展后，从两条后继中选择较好的一条进行扩展。SC译码的特点主要有两方面，一方面是其复杂度低、译码结构简单；另一方面是其在理论上被证明在码长足够大时能够达到香农极限。但SC译码算法在码长为有限长的配置下，纠错性能不理想。为了提高性能，提出串行抵消列表(SCL)译码。SCL译码是SC译码的一种改进版本。与SC不同的是，SCL译码算法不再是从两条后继中选择较好的一条进行扩展，而是尽可能地保留不大于L条的后继路径，在下一层扩展时，所有这不多于L条的候选路径都会分别被扩展。当结束叶子节点层的扩展时，有至多L条候选路径被保留在列表中。由于SCL译码只有在较高的信噪比下，才能够实现最大似然译码性能，故循环冗余校验(CRC)被引入来提升极化码的译码性能，通过使用CRC来对这L条候选路径进行校验，最终输出一条能通过CRC的且最有可能的候选路径。CRC辅助的SCL有着比Turbo码与LDPC码更好的译码性能，但是随着L增大，译码复杂度也会增大。为了解决这一问题，自适应串行抵消列表(AD-SCL)译码算法通过自适应地控制L，避免对不必要的路径进行计算，大大的减少了译码复杂度。但是，在较低的信噪比下，AD-SCL会频繁出现高译码复杂度情况。AD-SCL算法总是把L的初始值配置为1。若基于L＝1的AD-SCL译码失败，该译码会将L更新为2L并继续进行译码，直至L＝Lmax，Lmax是根据实际情况设定的最大列表大小。在低信噪比与L＝1的配置下，AD-SCL算法失败的概率高，因此需要频繁更新L值，增加了复杂度。如果在译码开始时，将L初始化为一个合适的值，尽可能地执行一次译码就能成功，那么，将能够显著地降低译码复杂度。为了降低译码复杂度，在保证极化码译码性能的前提下通过寻找一个合适的L值来减少计算量，本专利技术专利提出了一种极化码译码参数的快速优化方法，通过构建并训练径向基函数神经网络来优化L值，以实现减少运算量的目标，最终降低译码复杂度。
技术实现思路
本专利技术提出了一种基于SCL译码算法的径向基函数神经网络辅助的参数优化方法，在保证译码性能不变的情况下，通过优化L值来降低译码复杂度，并把这一个优化的L值记为M。在样本数据准备阶段，基于不同信噪比，执行50000次自适应串行抵消列表译码算法，将每一次译码成功时由接收信号计算得到的似然比和译码成功时对应的L记录下来，一次成功译码所记录的似然比与对应的L构成一组样本数据。随机选取10000组样本数据，从这10000组数据中随机选取75％组数据作为训练样本，并将余下的25％组数据作为测试样本。径向基函数神经网络(RBFNN)是一种具有单隐藏层的三层前向网络且分类能力强，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。搭建径向基函数神经网络模型时，层级结构包括1个输入层、1个隐藏层及1个输出层，我们将输入层的节点数目设置为1，隐藏层的节点数目设置为300，输出层的节点数目设置为6，采用全连接方式来搭建径向基函数神经网络，隐藏层神经元与输出层神经元的模型不同，隐藏层节点激活函数为径向基函数(高斯函数)，输出层节点激活函数为线性函数，似然比为网络输入，标签L包括6种不同的大小，即L∈{1,2,4,8,16,32}，分为6类。训练径向基函数神经网络时，基于监督学习和误差反向传播算法，通过随机梯度下降来对网络中径向基函数的中心、方差和隐藏层到输出层的权值进行监督训练优化，修正每个参数，直至完成径向基函数神经网络的训练。在极化码译码端，将由接收信号计算得到的似然比输入到径向基函数神经网络模型中，得到M，并将L初始化为M，执行串行抵消列表译码算法。在参数优化过程中，适用以下步骤：步骤1，准备样本数据，并对样本数据进行预处理；步骤2，搭建径向基函数神经网络，并训练径向基函数神经网络；步骤3，在极化码译码阶段，将似然比输入到径向基函数神经网络模型中，得到一个值M，并将L初始化为M，执行串行抵消列表译码算法；其中，步骤1中准备样本数据指的是，执行50000次自适应串行抵消列表译码算法，将每一次译码成功时由接收信号计算得到的似然比和译码成功时对应的L记录下来，一次成功译码所记录的似然比与对应的L构成一组样本数据，随机选取10000组样本数据，从这10000组数据中随机选取75％组数据作为训练样本，并将余下的25％组数据作为测试样本；步骤2中搭建径向基函数神经网络指的是，将输入层的节点数目设置为1，隐藏层的层数设置为1，隐藏层的节点数目设置为300，输出层的节点数目设置为6。有益效果本专利技术对比已有技术具有以下创新点：用径向基函数神经网络来优化参数L。在极化码译码端，将似然比输入到已完成训练的径向基函数神经网络中，则可输出M，实现似然比的快速分类。在此基础上，在保证极化码性能的前提下，译码算法能够以一个合适的L值来降低译码复杂度。将径向基函数神经网络技术与极化码译码技术进行结合。在样本数据准备阶段，样本数据来源于多次执行自适应串行抵消列表译码算法；在搭建和训练径向基函数神经网络阶段，输入层的输入是似然比，输出层的输出为L；在译码端，以SCL译码算法为基础，将L初始化为M。此时，SCL译码成功的概率较高，不需要频繁更新L值，避免不必要的运算操作，减少译码器的运算量，从而大幅降低计算复杂度。附图说明图1是确定径向基函数神经网络结构时搭建的径向基函数神经网络示意图；图2是优化参数L的方法流程图。具体实施方式下面将结合附图和实施例对本专利技术做进一步的描述。本专利技术提供一种极化码译码参数的快速优化方法，主要包括准备样本数据、搭建并训练径向基函数神经网络及译码三部分。在样本数据准备阶段，首先在不同信噪比下执行50000次自适应串行抵消列表译码算法，并将每一次译码成功时由接收信号计算得到的似然比和译码成功时对应的L记录下来，然后随机选取10000组样本数据，最后从这10000组数据中随机选取75％组数据作为训练样本，并将余下的25％组数据作为测试样本；在搭建与训练径向基函数神经网络阶段，首先根据训练样本的特点及大小来确定网络的层级结构及参数，搭建径向基函数神经网络，然后通过随机梯度下降来对网络中的径向基函数的中心、方差和隐藏层到输出层的权值都进行监督训练优化，并修正、调整每个参数；在极化码译码端，首先将由接收信号计算得到的似然比输入到径向基函数神经网络模型中，然后得到M，最后将L初始化为M，执行串行抵消列表译码算法。在样本数据准备阶段，在不同信噪比，执行50000次自适应串行抵消列表译码算法，并将每一次译码成功时由接收信号计算得到的似然比和译码成功时对应的L记录下来，一次成功译码所记录的似然比与对应的L构成一组样本数据；然后随机选取10000组样本数据；最后从这10000本文档来自技高网...

【技术保护点】
1.一种极化码译码参数的快速优化方法，其特征在于，所述方法用径向基函数神经网络来优化串行抵消列表译码的列表大小L，所述参数优化方法包括以下步骤：步骤1，准备样本数据，并对样本数据进行预处理；步骤2，搭建径向基函数神经网络，并训练径向基函数神经网络；步骤3，在极化码译码阶段，将似然比输入到径向基函数神经网络模型中，得到一个值M，并将L初始化为M，执行串行抵消列表译码算法。

【技术特征摘要】
1.一种极化码译码参数的快速优化方法，其特征在于，所述方法用径向基函数神经网络来优化串行抵消列表译码的列表大小L，所述参数优化方法包括以下步骤：步骤1，准备样本数据，并对样本数据进行预处理；步骤2，搭建径向基函数神经网络，并训练径向基函数神经网络；步骤3，在极化码译码阶段，将似然比输入到径向基函数神经网络模型中，得到一个值M，并将L初始化为M，执行串行抵消列表译码算法。2.根据权利要求1所述的一种极化码译码参数的快速优化方法，其特征在于，步骤1中准备样本数据指的是，执行50000次自...

【专利技术属性】
技术研发人员：李世宝，卢丽金，潘荔霞，刘建航，黄庭培，陈海华，邓云强，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东,37