一种串行抵消列表译码参数的快速确定方法技术

本发明专利技术提供了一种串行抵消列表译码参数的快速确定方法，所述方法首先从收集、整理数据开始；然后确定核函数并初始化参数，构造支持向量机多类分类器，并训练支持向量机多类分类器模型；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支持向量机多类分类器模型中，输出G；最后将L初始化为G，执行串行抵消列表译码算法。该方法通过将支持向量机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。

【技术实现步骤摘要】
一种串行抵消列表译码参数的快速确定方法
本专利技术属于通信
，特别涉及一种用支持向量机来确定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串行抵消列表译码参数的快速确定方法，通过训练支持向量机多类分类器模型来确定一个合适的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译码算法的支持向量机辅助的参数确定方法，在保证译码性能不变的情况下，通过确定一个合适的L值来降低译码复杂度，并把这一个合适的L值记为G。在数据准备阶段，基于不同信噪比，执行100000次自适应串行抵消列表译码算法，一次成功译码所对应的L会出现6种不同的大小，可分为6类，从第一类到第六类的类别分别对应着1，2，4，8，16，32，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。在准备数据集时，每一类别从所记录的数据中随机选取1000个数据，任意两类样本之间生成一个训练集和一个测试集，从任意两类样本中分别随机抽取75％的数据生成训练集，并将余下的25％作为测试集，共生成15个训练集和15个测试集，此时的数据集仅包含似然比；在准备标签集时，将15个训练集对应的标签与15个测试集对应的标签分别整理出来，此时的标签集只有大小不同的L。支持向量机(SVM)本身是一个二值分类器，其特征是当处理多类问题时，需要构造合适的多类分类器。构造SVM多类分类器的方法为一对一法，其做法是在任意两类样本之间设计一个SVM，因存在6个类别，所以需要设计15个SVM。最初，将每一个SVM的惩罚参数均设置为一个默认值，核函数类型确定为RBF，核函数的参数均设置为一个默认值，于是便得到15个设计好的SVM。当对一个未知样本进行分类时，最后得票最多的类别即为该未知样本的类别。15个训练集经过训练后，得到15个训练结果。在测试的时候，把样本对应的向量分别对15个训练结果进行测试，然后采取投票形式，经过投票之后得到一组结果，并把该结果作为分类结果。最后依据测试集的预测结果来优化惩罚参数和核函数参数，直至完成所有样本训练。在极化码译码端，将由接收信号计算得到的似然比输入到支持向量机多类分类器模型中，得到G，并将L初始化为G，执行串行抵消列表译码算法。在参数确定过程中，适用以下步骤：步骤1，准备数据，并对数据进行预处理；步骤2，确定核函数类型，构造支持向量机多类分类器，并训练支持向量机多类分类器模型；步骤3，在极化码译码阶段，将似然比输入到支持向量机多类分类器模型中，得到一个值G，并将L初始化为G，执行串行抵消列表译码算法；其中，步骤1中准备数据包括准备数据集和准备标签集，执行100000次自适应串行抵消列表译码算法，一次成功译码所对应的L会出现6种不同的大小，可分为6类，从第一类到第六类的类别分别对应着1，2，4，8，16，32，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，在准备数据集时，每一类别从所记录的数据中随机选取1000个数据，任意两类样本之间生成一个训练集和一个测试集，从任意两类样本中分别随机抽取75％的数据生成训练集，并将余下的25％作为测试集，共生成15个训练集和15个测试集，此时的数据集仅包含似然比，在准备标签集时，将15个训练集对应的标签与15个测试集对应的标签分别整理出来，此时的标签集只有大小不同的L；步骤2中确定核函数类型指的是，将核函数类型确定为径向基函数。有益效果本专利技术对比已有技术具有以下创新点：用支持向量机来确定参数L。在极化码译码端，将似然比输入到已完成训练的支持向量机多类分类器模型中，则可输出G，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。将支持向量机技术与极化码译码技术进行结合。在数据准备阶段，样本数据来源于多次执行自适应串行抵消列表译码算法；在训练支持向量机多类分类器模型阶段，训练集的数据为似然比；在译码端，基于SCL译码算法，将L初始化为G。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串行抵消列表译码参数的快速确定方法，主要包括准备样本数据、构造并训练支持向量机多类分类器模型及译码三部分。在数据准备阶段，首先在不同信噪比下执行100000次自适应串行抵消列表译码算法，一次成功译码所对应的L会出现6种不同的大小，可分为6类，从第一类到第六类的类别分别对应着1，2，4，8，16，32，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，在准备数据集时，每一类别从所记录的数据中随机选取1000个数据，任意两类样本之间生成一个训练集和一个测试集，从任意两类样本中分别随机抽取75％的数据生成训练集，并将余下的25％作为测试集，共生成15个训练集和15个测试集，此时的数据集仅包含似然比，在准备标签本文档来自技高网...

【技术保护点】
1.一种串行抵消列表译码参数的快速确定方法，其特征在于，所述方法用支持向量机来确定串行抵消列表译码的列表大小L，所述参数确定方法包括以下步骤：步骤1，准备数据，并对数据进行预处理；步骤2，确定核函数类型，构造支持向量机多类分类器，并训练支持向量机多类分类器模型；步骤3，在极化码译码阶段，将似然比输入到支持向量机多类分类器模型中，得到一个值G，并将L初始化为G，执行串行抵消列表译码算法。

【技术特征摘要】
1.一种串行抵消列表译码参数的快速确定方法，其特征在于，所述方法用支持向量机来确定串行抵消列表译码的列表大小L，所述参数确定方法包括以下步骤：步骤1，准备数据，并对数据进行预处理；步骤2，确定核函数类型，构造支持向量机多类分类器，并训练支持向量机多类分类器模型；步骤3，在极化码译码阶段，将似然比输入到支持向量机多类分类器模型中，得到一个值G，并将L初始化为G，执行串行抵消列表译码算法。2.根据权利要求1所述的一种串行抵消列表译码参数的快速确定方法，其特征在于，步骤1中准备数据包括准备数据集和准备标签集，执行100000次自适应串行抵消列表译码算法，一次成功译码所对应的L会出现6种不同的大小，可分为6类，从第一类...

【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