译码的方法和译码装置制造方法及图纸

本申请提供了一种译码的方法和译码装置，该方法包括获取N个待译码比特的软信息，N为大于或等于2的整数；通过译码模型对所述软信息进行译码，获取译码结果，其中，所述译码模型由多个神经网络译码单元构成，每个神经网络译码单元均支持软信息的异或运算，所述译码模型是通过至少一次训练过程得到的。本申请实施例的译码模型能够满足高速率传输和低译码延时的需求，具有良好的译码性能。

【技术实现步骤摘要】
译码的方法和译码装置
本申请涉及通信领域，特别涉及一种译码的方法和译码装置。
技术介绍
无线通信的快速演进预示着未来第五代(5thgeneration，5G)通信系统将呈现出一些新的特点，最典型的三个通信场景包括增强型移动互联网(enhancemobilebroadband，eMBB)、海量机器连接通信(massivemachinetypecommunication，mMTC)和高可靠低延迟通信(ultrareliablelowlatencycommunication，URLLC)，这些通信场景的需求将对现有长期演进(longtermevolution，LTE)技术提出新的挑战。信道编码作为最基本的无线接入技术，是满足5G通信需求的重要研究对象之一。极化码(PolarCodes)在5G标准中被选作控制信道编码方式。极化码也可以称为Polar码，是第一种、也是已知的唯一一种能够被严格证明“达到”信道容量的信道编码方法。在不同码长下，尤其对于有限码，Polar码的性能远优于Turbo码和低密度奇偶校验码(lowdensityparitycheck，本文档来自技高网...

【技术保护点】
1.一种译码的方法，其特征在于，包括：/n获取N个待译码比特的软信息，N为大于或等于2的整数；/n通过译码模型对所述软信息进行译码，获取译码结果，其中，所述译码模型由多个神经网络译码单元构成，每个神经网络译码单元均支持软信息的异或运算，所述译码模型是通过至少一次训练过程得到的。/n

【技术特征摘要】
1.一种译码的方法，其特征在于，包括：
获取N个待译码比特的软信息，N为大于或等于2的整数；
通过译码模型对所述软信息进行译码，获取译码结果，其中，所述译码模型由多个神经网络译码单元构成，每个神经网络译码单元均支持软信息的异或运算，所述译码模型是通过至少一次训练过程得到的。


2.根据权利要求1所述的方法，其特征在于，
在所述译码模型中所述多个神经网络译码单元形成log2N层结构，其中，前一层神经网络译码单元的输出作为后一层的输入。


3.根据权利要求2所述的方法，其特征在于，
所述每个神经网络译码单元为2输入2输出且具有至少一个隐层结构。


4.根据权利要求3所述的方法，其特征在于，
所述神经网络译码单元包括神经网络译码单元参数，所述神经网络译码单元参数用于指示输入所述神经网络译码单元的输入信息与输出信息之间的映射关系，所述神经网络译码单元参数包括权重矩阵和偏移向量。


5.根据权利要求4任一项所述的方法，其特征在于，
输入一个神经网络译码单元的输入向量与输出所述一个神经网络译码单元的输出向量具有如下映射关系：



其中，y＝(y1，y2)T表示所述输入向量，x＝(x1，x2)T表示所述输出向量，w1和
w2表示所述权重矩阵，b1和b2表示所述偏移向量，h表示隐层单元向量，g1和g2表示激活函数，所述w1、w2均为实数矩阵，b1、b2、h、y、x均为实数向量。


6.根据权利要求5所述的方法，其特征在于，
所述输出向量x的取值为和中的任一种情况下，所述输出向量y与x具有以下映射关系：



x2＝y2。


7.根据权利要求6所述的方法，其特征在于，在通过译码模型对所述软信息进行译码之前，所述方法还包括：
获取所述译码模型。


8.根据权利要求7所述的方法，其特征在于，
所述译码模型是通过两次训练过程得到的。


9.根据权利要求8所述的方法，其特征在于，所述获取所述译码模型，包括：
构造初始神经网络译码单元，并设置初始神经网络译码单元参数，其中，所述初始神经网络译码单元参数用于指示输入所述初始神经网络译码单元的输入信息与输出信息之间的映射关系，所述初始神经网络译码单元参数包括初始权重矩阵和初始偏移向量；
使用预设的第一样本集合训练所述初始神经网络译码单元，将所述初始神经网络译码单元参数更新为中间神经网络译码单元参数，获取中间神经网络译码单元，所述中间神经网络译码单元包括所述中间神经网络译码单元参数，所述中间神经网络译码单元参数用于指示输入所述中间神经网络译码单元的输入信息与输出信息之间的映射关系，所述中间神经网络译码单元参数包括中间权重矩阵和中间偏移向量，所述第一样本集合包括至少一个第一样本，一个所述第一样本包括长度为2的第一列向量和长度为2的第二列向量，所述第二列向量为所述第一列向量译码的期望向量；
将多个所述中间神经网络译码单元组合在一起，获得第一初始译码模型；
使用预设的第二样本集合训练所述第一初始译码模型，将所述中间神经网络译码单元中的所述中间神经网络译码单元参数更新为所述神经网络译码单元参数，获得所述译码模型，其中，所述第二样本集合包括长度为N的第三列向量和长度为N的第四列向量，所述第四列向量为所述第三列向量译码的期望向量。


10.根据权利要求9所述的方法，其特征在于，所述将多个所述中间神经网络译码单元组合在一起，获得第一初始译码模型，包括：
获取译码网络图，其中，所述译码网络图中包括至少一个译码蝶形图，所述译码蝶形图用于指示所述译码蝶形图的输入信息与所述译码蝶形图的输出信息之间的校验关系；
使用所述中间神经网络译码单元对所述译码网络图中的码蝶形图进行替换，得到所述第一初始译码模型。


11.根据权利要求7所述的方法，其特征在于，
所述译码模型是通过一次训练过程得到的。


12.根据权利要求11所述的方法，其特征在于，所述获取所述译码模型，包括：
构造初始神经网络译码单元，并设置初始神经网络译码单元参数，其中，所述初始神经网络译码单元参数用于指示输入所述初始神经网络译码单元的输入信息与输出信息之间的映射关系，所述初始神经网络译码单元参数包括初始权重矩阵和初始偏移向量；
将多个所述初始神经网络译码单元组合在一起，获得第二初始译码模型；
使用预设的第三样本集合训练所述第二初始译码模型，将所述初始神经网络译码单元中的所述初始神经网络译码单元参数更新为神经网络译码单元参数，获得所述译码模型，其中，所述第三样本集合包括长度为N的第五列向量和长度为N的第六列向量，所述第六列向量为所述第五列向量译码的期望向量。


13.根据权利要求12所述的方法，其特征在于，所述将多个所述初始神经网络译码单元组合在一起，获得第二初始译码模型，包括：
获取译码网络图，其中，所述译码网络图中包括至少一个译码蝶形图，所述译码蝶形图用于指示所述译码蝶形图的输入信息与所述译码蝶形图的输出信息之间的校验关系；
使用初始神经网络译码单元对所述译码网络图中的译码蝶形图进行替换，得到所述第二初始译码模型。


14.一种译码装置，其特征在于，包括：
获取模块，用于获取N个待译码比特的软信息，N为大于或等于2的整数；
译码模块，用于通过译码模型对所述软信息进行译码，获取译码结果，其中，所述译码模型由多个神经网络译码单元构成，每个神经网络译码单元均支持软信息的异或运算，所述译码模型是通过至少一次训练过程得到的。
...

【专利技术属性】
技术研发人员：张朝阳，宋旭冉，秦康剑，朱致焕，徐晨，于天航，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：广东;44