一种基于深度学习的极化码翻转译码方法及系统技术方案

本发明专利技术公开了一种基于深度学习的极化码翻转译码方法及系统，属于无线通信领域。本发明专利技术的方法为先构建神经网络单元并进行训练，再将译码单元输出的软信息输入至神经网络单元得到可能的译码错误位置；而后将可能的译码错误位置反馈至译码单元，译码单元将译码错误位置的译码结果进行翻转，而后重新开始译码直至得到译码结果。本发明专利技术的系统包括神经网络单元和译码单元，神经网络单元和译码单元相连接；译码单元包括置信传播单元、校验单元和翻转单元。本发明专利技术解决了现有技术中传统的翻转译码算法复杂度较高，性能不够理想的不足，降低译码复杂度，满足通信系统不同的信道环境及配置要求。

A decoding method and system of polarization code flip based on deep learning

【技术实现步骤摘要】
一种基于深度学习的极化码翻转译码方法及系统
本专利技术涉及无线通信
，更具体地说，涉及一种基于深度学习的极化码翻转译码方法及系统。
技术介绍
迄今，信道编码已发展了70余年。作为第一个可实现对称二进制或非二进制输入离散无记忆通道(binary-inputornonbinary-input,discrete,memorylesschannels,B-DMC)信道容量的码字，极化码吸引了越来越多的关注。在5G标准化进程中，极化码因其较大的性能提升效果，被选为5G增强信道场景(enhancedmobilebroadband,eMBB)控制信道的前向纠错(forwarderrorcorrection,FEC)代码。为了满足5G的低延迟和高速要求，研究令人满意的具有高并行度及低复杂度的高效极化码译码器是十分迫切且有必要的。目前来说，应用最广的极化码译码算法包括连续消除(successivecancellation,SC)译码算法及置信传播(beliefpropagation,BP)译码算法。作为极化码较好的译码算法，SC译码算法虽然在复杂度方面可显示出其优势，但受到逐位译码策略的限制，无法获得令人满意的有限长度纠错性能。通过在译码过程中进行更多次尝试，连续消除列表(successivecancellationlist,SCL)译码算法和连续消除堆栈(successivecancellationstack,SCS)译码算法被提出作为SC译码算法的改进。仿真结果表明这两种基于SC的改良译码器均可实现接近最大似然(maximumlikelihood,ML)译码器的性能。与SC译码算法相比，BP译码器更适合于低延迟和高吞吐量应用，因为其能够并行处理接收到码字的对数似然比(log-likelihoodratios,LLRs)。但是，与传统SC译码相似，BP译码的性能需要被提升。受SC比特翻转(SCbit-flipping,SCF)译码算法的启发，基于临界集的BP比特翻转(BPbit-flipping,BPF)译码算法被提出，以识别可能的错误比特并执行翻转操作。现有的BP算法存在下述问题：现有基于BPF的工作有效地识别了不可靠的比特，但是与传统的BP译码器相比，译码延迟更长，因此能够以较少的BP译码翻转尝试次数来准确地识别不可靠比特的最佳翻转策略仍然是一个悬而未决的问题。近年来，深度学习(deeplearning,DL)因其强大的解决复杂任务的能力而被用于许多领域以实现性能提升，同样应用于极化码译码领域。传统基于深度学习的译码器通过学习大量码字，直接用神经网络对译码算法进行拟合来取得接近最优的误码率(biterrorratio,BER)性能。但是，因其在训练时指数增长的复杂度，所提出的译码器仅适用于较短的码字。因此，较高的训练复杂度和较为困难的长码拟合是阻碍应用深度学习作为极化码译码性能提升方案的两个主要障碍。中国专利申请一种基于比特翻转的极化码置信传播译码方法，申请号CN201811423884.6，公开日2019年6月4日，公开了一种基于比特翻转的极化码置信传播译码方法，涉及无线通信中的信道编码
，本专利技术中基于比特翻转的极化码置信传播译码方法，使用的码字是循环冗余校验码和极化码形成的级联码。本专利技术中提出的ω阶关键集合，是在现有的关键集合的概念上进行变换得到的，避免了现有的基于CS的译码方法存在的试探性译码数量呈指数增长的问题。本专利技术中的方法在传统BP译码器的译码结果未通过CRC校验的情况下，通过构造CS-ω，对极化码中位于CS-ω内的信息比特进行翻转(本专利技术中的比特翻转指的是将被翻转比特的先验对数似然比设置为无穷大)，能够纠正传统BP译码器中的错误，从而提高BP译码器的误组率性能。该专利技术的关键集合基于码树的码率1结点，只利用了极化码的性质，而非BP译码器的输出信息，特别是在低信噪比时性能不够理想。基于以上的分析可知，现有的极化码译码方法不足以很好地满足实际应用的需求。
技术实现思路
1.要解决的技术问题针对现有技术中存在的现有的BPF译码方法计算复杂度较高的不足问题，本专利技术提供了一种基于深度学习的极化码翻转译码方法及系统，可以在提高系统的译码性能的同时，降低译码复杂度，更好地满足通信系统应用的需求。2.技术方案本专利技术的目的通过以下技术方案实现。本专利技术的一种基于深度学习的极化码翻转译码方法，先构建神经网络单元并进行训练，再将译码单元输出的软信息输入至训练好的神经网络单元中得到可能的译码错误位置；而后将可能的译码错误位置反馈至译码单元，译码单元将译码错误位置的译码结果进行翻转，根据翻转位的信息重新开始译码，直至得到译码结果。更进一步地，包括如下步骤：步骤一、构建神经网络单元，构建一个神经网络单元并进行训练，所述神经网络单元包括输入层、隐藏层和输出层；步骤二、译码单元初始化，将译码过程中所需的两类对数似然比信息和进行初始化，其中i表示译码单元的第i阶，j表示第j个结点，i∈(1，...，n+1)，i∈(1，...，N)，n＝log2N，N表示码长，t表示译码单元迭代次数；步骤三、译码，译码单元执行译码操作，对数似然比信息在迭代过程中不断更新，直至达到最大迭代次数，译码结束，将译码后的软信息传递给译码单元中的校验单元进行校验，若无法通过校验则激活神经网络单元预测可能出错的比特位置；步骤四、预测，将译码后的软信息LLRi输入至神经网络单元得到可能出错的比特位置Zi，再将可能出错的比特位置Zi输入至译码单元；其中，i∈(1，...，Q)，Q为出错比特位置集合的最大数目；步骤五、翻转译码，根据可能出错的比特位置Zi，译码单元中的翻转单元依次将Zi对应的R值翻转为正无穷或负无穷，继续进行译码，直到通过校验，若将Z对应的比特翻转完毕仍未通过校验，则重复步骤四及步骤五，直到达到最大翻转位数w。更进一步的，步骤二中译码单元初始化公式如下：其余的软信息置为0。更进一步的，步骤三中对数似然比信息和的更新公式如下所示：其中g执行的是box-plus运算，box-plus运算也称为运算，公式如下所示：更进一步地，步骤四中可能出错的比特位置Zi根据以下公式计算：其中，Wij为权重，bj为偏置，xj为每层对应的输入值。更进一步地，神经网络单元输入层的结点数等于信息位长度K，输入向量为译码后的软信息LLRi，隐藏层结点数为2*N，N为码长，输出层结点数为K。更进一步地，利用TensorFlow平台对神经网络进行训练，其中，最大迭代次数Tepoch为100。一种基于深度学习的极化码翻转译码系统，使用所述的一种基于深度学习的极化码翻转译码方法，系统包括神经网络单元和译码单元，所述神经网络单元和译码单元连接；神经网络单元用于计算可能出错的比特位置，译码单元用于对待输入译码路径信息进行译码及执行比特翻转操作。更进一本文档来自技高网...

【技术保护点】
1.一种基于深度学习的极化码翻转译码方法，其特征在于，先构建神经网络单元并进行训练，再将译码单元输出的软信息输入至训练好的神经网络单元中得到可能的译码错误位置；而后将可能的译码错误位置反馈至译码单元，译码单元将译码错误位置的译码结果进行翻转，根据翻转位的信息重新开始译码，直至得到译码结果。/n

【技术特征摘要】
1.一种基于深度学习的极化码翻转译码方法，其特征在于，先构建神经网络单元并进行训练，再将译码单元输出的软信息输入至训练好的神经网络单元中得到可能的译码错误位置；而后将可能的译码错误位置反馈至译码单元，译码单元将译码错误位置的译码结果进行翻转，根据翻转位的信息重新开始译码，直至得到译码结果。


2.根据权利要求1所述的一种基于深度学习的极化码翻转译码方法，其特征在于，包括以下步骤：
步骤一、构建神经网络单元
构建一个神经网络单元并进行训练，所述神经网络单元包括输入层、隐藏层和输出层；
步骤二、译码单元初始化
将译码过程中所需的两类对数似然比信息和进行初始化，其中i表示译码单元的第i阶，j表示第j个结点，i∈(1，...，n+1)，i∈(1，...，N)，n＝log2N，N表示码长，t表示译码单元迭代次数；
步骤三、译码
译码单元执行译码操作，对数似然比信息在迭代过程中不断更新，直至达到最大迭代次数，译码结束，将译码后的软信息传递给译码单元中的校验单元进行校验，若无法通过校验则激活神经网络单元预测可能出错的比特位置；
步骤四、预测
将译码后的软信息LLRi输入至神经网络单元得到可能出错的比特位置Zi，再将可能出错的比特位置Zi输入至译码单元；其中，i∈(1，...，Q)，Q为出错比特位置集合的最大数目；
步骤五、翻转译码
根据可能出错的比特位置Zi，译码单元中的翻转单元依次将Zi对应的R值翻转为正无穷或负无穷，继续进行译码，直到通过校验，若将Z对应的比特翻转完毕仍未通过校验，则重复步骤四及步骤五，直到达到最大翻转位数w。


3.根据权利要求2所述的一种基于深度学习的极化码翻转译码方法，其特征在于，步骤二中译码单元初始化公式如下：



其余的软信息置为0。


4.根据权利要求2所述的一种...

【专利技术属性】
技术研发人员：李丽，宋文清，傅玉祥，何书专，
申请(专利权)人：南京宁麒智能计算芯片研究院有限公司，
类型：发明
国别省市：江苏;32