低轨卫星低信噪比场景下的极化码译码算法、接收端和系统技术方案

本发明专利技术公开了一种低轨卫星低信噪比场景下的极化码译码算法、接收端和系统。算法包括：S1，对接收的极化信号进行解调处理获得信号流，计算信号流的似然值；S2，将似然值输入译码器，译码器输出译码结果；译码器包括至少一条译码链路，每条译码链路上设有M个BP译码网络模块和M个神经网络模块，BP译码网络模块和神经网络模块交替设置，位于不同译码链路上的位置对应的BP译码网络模块之间具有数据交互支路，似然值分块输入各译码链路起始端的BP译码网络模块，组合所有译码链路尾端神经网路模块的输出信号获得译码结果。相比于传统SC算法本方法降低了译码延迟，提高了译码准确率，提高神经网络训练速度。神经网络训练速度。神经网络训练速度。

【技术实现步骤摘要】
低轨卫星低信噪比场景下的极化码译码算法、接收端和系统


[0001]本专利技术涉及编译码
，特别是涉及一种低轨卫星低信噪比场景下的极化码译码算法、接收端和系统。

技术介绍

[0002]自从2009年Arikan提出极化码以来，极化码这一个全新的编译码方式获得了巨大的成功。无论在编码、译码的复杂度还是编码、译码的误码率控制方面，极化码都表现出了相当的优势。
[0003]在译码算法部分，现有常用算法以串行消除算法(Successive Cancellation Algorithm，下文简称为SC算法，衍生算法如SCL等)和置信度传播(Belief Propagation，BP)算法为主。其中SC算法具有较低计算复杂度的优势(根据Arikan的分析，SC译码算法复杂度为N＊log N)，但由于极化码在信道极化方面的优势只有在码长达到一定程度时才会体现，由于SCL算法以提高运算复杂度为代价提高了SC算法在短码下的译码准确率，SC算法的特性导致其必然具有无法采用并行算法，同时该算法在误码修正方面能力较为欠缺；BP算法虽然可以采用并行计算，但复杂度较高且无法在较低的迭代数下难以达到理想的误码率。
[0004]近年来深度学习算法及相应的人工神经网络的兴起，深度学习强大的判决能力给译码算法带来了一些新的思路。在极化码成为5G无线通信的标准的背景下，人工智能神经网络其对译码速度的提高收到了业界的重视。然而在目前缺乏足够大量训练数据的前提下，分段线性神经网络译码模型(Partitioned Linear NN Decoding Model，PLNN)成为了一个更为理想的选择。分段线性神经网络(PLNN)，即激活函数采用分析线性函数的神经网络。典型的分段线性激活函数包括ReLU及ReLU家族激活函数、MaxOut激活函数。

技术实现思路

[0005]本专利技术旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种低轨卫星低信噪比场景下的极化码译码算法、接收端和系统。
[0006]为了实现本专利技术的上述目的，根据本专利技术的第一个方面，本专利技术提供了一种低轨卫星低信噪比场景下的极化码译码算法，包括：S1，对接收的极化信号进行解调处理获得信号流，计算所述信号流的似然值；S2，将所述似然值输入译码器，所述译码器输出译码结果；所述译码器包括至少一条译码链路，每条译码链路上设有M个BP译码网络模块和M个神经网络模块，所述BP译码网络模块和神经网络模块交替设置，位于不同译码链路上的位置对应的BP译码网络模块之间具有数据交互支路，所述似然值分块输入各译码链路起始端的BP译码网络模块，组合所有译码链路尾端神经网路模块的输出信号获得译码结果，M为正整数。
[0007]上述技术方案：似然值的各分块先后输入各自对应的译码链路中进行译码处理，该译码器可并行地对似然值分块进行处理，在各译码链路中依次通过M个神经网络模块对似然值的分块进行迭代学习输出判决结果，相比于传统SC算法本方法降低了译码延迟，提
高了译码准确率，神经网络模块将数据分割为多个短码码块没能够提高训练速度，降低训练所需训练集的要求，本算法的计算复杂度和神经网络层数都可调节，使网络训练非常灵活。
[0008]为了实现本专利技术的上述目的，根据本专利技术的第二个方面，本专利技术公开了一种接收端，包括通信模块、似然值计算模块和译码器；所述似然值计算模块分别与通信模块和译码器连接；所述通信模块接收发射端发出的极化信号，对接收的极化信号进行解调处理形成信号流，并将所述信号流传输至似然值计算模块；所述似然值计算模块计算所述信号流的似然值并输出所述似然值至译码器；所述译码器包括至少一条译码链路，每条译码链路上设有M个BP译码网络模块和M个神经网络模块，所述BP译码网络模块和神经网络模块交替设置，位于不同译码链路上的位置对应的BP译码网络模块之间具有数据交互支路，所述似然值分块输入各译码链路起始端的BP译码网络模块，组合所有译码链路尾端神经网路模块的输出信号获得译码结果，M为正整数。
[0009]上述技术方案：该接收端对接收的极化信号进行译码处理，且译码过程中将似然值的各分块先后输入各自对应的译码链路中进行译码处理，该译码器可并行地对似然值分块进行处理，在各译码链路中依次通过M个神经网络模块对似然值的分块进行迭代学习输出判决结果，相比于传统SC算法本接收端降低了译码延迟，提高了译码准确率，神经网络模块将数据分割为多个短码码块没能够提高训练速度，降低训练所需训练集的要求，本接收端的计算复杂度和神经网络层数都可调节，使网络训练非常灵活。
[0010]为了实现本专利技术的上述目的，根据本专利技术的第三个方面，本专利技术公开了一种通信系统，包括发送端和接收端；所述发送端对N个比特信道进行线性转换得到传输特性极化的信道，将待发送信息进行编码处理，将编码处理后的信息进行CQPSK调制后通过加性高斯白噪声信道发送至接收端；所述接收端对接收的极化信号进行解调处理形成信号流，计算所述信号流的似然值；所述接收端将所述似然值输入译码器，所述译码器输出译码结果；所述译码器包括至少一条译码链路，每条译码链路上设有M个BP译码网络模块和M个神经网络模块，所述BP译码网络模块和神经网络模块交替设置，位于不同译码链路上的位置对应的BP译码网络模块之间具有数据交互支路，所述似然值分块输入各译码链路起始端的BP译码网络模块，组合所有译码链路尾端神经网路模块的输出信号获得译码结果，M为正整数。
[0011]上述技术方案：该系统在发射端确定译码器的信息位和固定位，生成的信号经CQPSK调制通过AWGN信道传递至接收端，系统的接收端对接收的极化信号进行译码处理，且译码过程中将似然值的各分块先后输入各自对应的译码链路中进行译码处理，该译码器可并行地对似然值分块进行处理，在各译码链路中依次通过M个神经网络模块对似然值的分块进行迭代学习输出判决结果，相比于传统SC算法本系统采用BP算法与PLNN相结合的方式降低译码延迟，提高了译码准确率，神经网络模块将数据分割为多个短码码块没能够提高训练速度，降低训练所需训练集的要求，本系统的计算复杂度和神经网络层数都可调节，使网络训练非常灵活。
附图说明
[0012]图1是本专利技术一具体实施方式中译码器的结构示意图；
[0013]图2是本专利技术一具体实施方式中BP网络结构示意图；
[0014]图3是本专利技术一具体实施方式中BP算法网元示意图；
[0015]图4是本专利技术一具体实施方式中通信系统的执行流程示意图。
具体实施方式
[0016]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。
[0017]在本专利技术的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种低轨卫星低信噪比场景下的极化码译码算法，其特征在于，包括：S1，对接收的极化信号进行解调处理获得信号流，计算所述信号流的似然值；S2，将所述似然值输入译码器，所述译码器输出译码结果；所述译码器包括至少一条译码链路，每条译码链路上设有M个BP译码网络模块和M个神经网络模块，所述BP译码网络模块和神经网络模块交替设置，位于不同译码链路上的位置对应的BP译码网络模块之间具有数据交互支路，所述似然值分块输入各译码链路起始端的BP译码网络模块，组合所有译码链路尾端神经网路模块的输出信号获得译码结果，M为正整数。2.如权利要求1所述的低轨卫星低信噪比场景下的极化码译码算法，其特征在于，通过如下公式计算所述信号流y的似然值LLR(y)；其中，σ2表示发射端与接收端传输信号通道的噪声方差。3.如权利要求1所述的低轨卫星低信噪比场景下的极化码译码算法，其特征在于，BP网络模块中的BP算法为：其中，函数A、B分别表示两个变量；R
i,j
表示BP网络模块中第j层的第i个比特向右的信息流，L
i,j
表示BP网络模块中第j层的第i个比特向左的信息流，L
i,j+1
表示BP网络模块中第j+1层的第i个比特向左的信息流，表示BP网络模块中第j+1层的第i+2
j-1
个比特向左的信息流，表示BP网络模块中第j层的第i+2
j-1
个比特向左的信息流，表示BP网络模块中第j层的第i+2
j-1
个比特向右的信息流，R
i,j+1
表示BP网络模块中第j+1层的第i个比特向右的信息流，表示BP网络模块中第j+1层的第i+2
j-1
个比特向右的信息流，i和j均为正整数。4.如权利要求1所述的低轨卫星低信噪比场景下的极化码译码算法，其特征在于，神经网络模块包括输入层、T个隐藏层和输出层，第t层输出矢量为：o
t
＝f
t
(o
t-1
)＝φ
t
(C
t
)；其中，变量C
t
＝o
t-1
ω
t
+b
t
，ω
t
表示第t层网络的权重矩阵，b
t
第t层网络的偏置矩阵，o
t-1
表示输入矢量，t∈[1,T+1]，T为正整数。5.如权利要求4所述的低轨卫星低信噪比场景下的极化码译码算法，其特征在于，神经
网络模块的第t层网络的权重矩阵ω
t
和偏置矩阵b
t
通...

【专利技术属性】
技术研发人员：温家乐，宋果林，王艳峰，
申请(专利权)人：东方红卫星移动通信有限公司，
类型：发明
国别省市：