基于智能路径选择的极化码译码方法及相关设备技术

本公开提供一种基于智能路径选择的极化码译码方法及相关设备包括：获取极化码，并确定所述极化码的参数；将所述参数输入至预先训练的神经网络模型中对所述极化码进行路径选择，以得到路径选择结果；对所述路径选择结果进行判定，得到判定结果，并将所述判定结果输入至译码器；通过所述译码器对所述极化码进行译码。本公开通过使用预设的神经网络模型对极化码进行路径选择，从而降低了对极化码译码过程中所产生的时延，同时还进一步提高了极化码译码器的性能。译码器的性能。译码器的性能。

【技术实现步骤摘要】
基于智能路径选择的极化码译码方法及相关设备


[0001]本专利技术涉及通信
，尤其涉及一种基于智能路径选择的极化码译码方法及相关设备。

技术介绍

[0002]在通信系统中，由Arikan所提出的极化码是信道编码领域一次新的突破，其也是可证明能达到香农信道容量的编码方案，因此引起了广大学者们的兴趣。同时，凭借其低复杂度的编译码方案，极化码已成为编码领域最重要的码之一。
[0003]现有技术中，在对极化码进行译码时，当极化码码长无限长时，在串行抵消(Successive Cancellation，SC)译码算法下可以达到二进制输入离散无记忆信道(Binary
‑
input discrete memoryless channel,BMCs)的信道容量。当极化码为有限码长时，通过循环冗余校验码(Cyclic Redundancy Check,CRC)辅助的串行抵消列表(Successive Cancellation List,SCL)来进行译码。
[0004]在传统SCL/CA
‑
SCL译码算法中，对极化码进行路径选择时，通常使用路径度量值为准则。通过对路径度量值进行度量排序，进而选择度量值较小的L条路径作为候选路径。
[0005]但是，在实际译码过程中，对路径度量值进行度量排序严重影响了译码器的吞吐率，并且在列表大小增加时，译码过程的的时延也会呈指数增加，进而也限制了高性能极化码译码器的发展。

技术实现思路

[0006]有鉴于此，本公开的目的在于提出一种基于智能路径选择的极化码译码方法及相关设备。
[0007]作为本公开的一个方面，提供了一种基于智能路径选择的极化码译码方法，其特征在于，包括：
[0008]获取极化码，并确定所述极化码的参数；
[0009]将所述参数输入至预先训练的神经网络模型中对所述极化码进行路径选择，以得到路径选择结果；
[0010]对所述路径选择结果进行判定，得到判定结果，并将所述判定结果输入至译码器；
[0011]通过所述译码器对所述极化码进行译码。
[0012]可选的，所述获取极化码，并对所述极化码的参数进行设定，包括：
[0013]确定所述极化码的码长，并通过所述码长计算所述极化码的码字；
[0014]对所述码字进行调制，得到所述码字的发送向量，并将所述发送向量输入至传输信道，得到接收向量；
[0015]根据所述接收向量计算所述极化码的各个路径中每个译码比特的对数似然比，并通过所述各个路径中每个译码比特的对数似然比计算相应路径的路径度量值。
[0016]可选的，所述将所述参数输入至预设的神经网络模型中对所述极化码进行路径选
择，包括：
[0017]对所述路径度量值进行特征提取，确定与所述路径度量值相对应的路径的长度；
[0018]响应于所述路径的长度，对所述路径进行分类；
[0019]基于所述分类的结果，对所述极化码进行所述路径选择。
[0020]可选的，所述将所述参数输入至预设的神经网络模型中对所述极化码进行路径选择还包括：
[0021]基于所述分类的结果计算所述神经网络模型的损失；
[0022]通过所述损失对所述神经网络模型进行优化。
[0023]可选的，所述对所述路径选择的结果进行判定，并将所述判定的结果输入至译码器，包括：
[0024]通过预设的门限值对所述路径选择的结果进行判定；
[0025]响应于确定所述路径选择的结果小于所述预设的门限值，将所述路径选择的结果输入至所述译码器；
[0026]响应于确定所述路径选择的结果大于所述预设的门限值，对所述路径选择的结果进行舍弃。
[0027]可选的，所述对所述路径选择的结果进行判定，并将所述判定的结果输入至译码器还包括：响应于确定所述判定的结果小于所述译码器的路径需求，对所述判定的结果进行补全。
[0028]可选的，所述神经网络模型包括输入层、输出层和隐藏层，其中所述输入层和所述输出层的神经元个数与所述译码器规模相同。
[0029]作为本公开的第二个方面，本公开还提供了一种基于智能路径选择的极化码译码器，包括：
[0030]参数设定模块，对极化码的参数进行设定；
[0031]路径选择模块，将所述参数输入至预设的神经网络模型中对所述极化码进行路径选择；
[0032]路径判定模块，对所述路径选择的结果进行判定；
[0033]路径补全模块，响应于确定所述判定的结果小于译码器的路径需求，则通过所述路径补全模块对所述判定的结果进行补全。
[0034]作为本公开的第三个方面，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现本公开所提供的上述基于智能路径选择的极化码译码方法。
[0035]作为本公开的第四个方面，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行如上任意一项所述的方法。
[0036]如上所述，本公开提供一种基于智能路径选择的极化码译码方法及相关设备。在本公开中，通过对极化码的参数进行设定得到了关于极化码的路径度量值，再将路径度量值输入至预设的神经网络模型中，进而实现了关于极化码的智能路径选择，以此降低了极化码译码过程所产生的时延，进而减少了极化码译码过程的时间。并且本公开中的预设的神经网络模型还可以被不断更新和优化，这使得在实际应用过程中通过此神经网络模型在
进行极化码路径选择时，还可以更加的快速，极大地节省了路径选择的时间。
附图说明
[0037]为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0038]图1A为本公开实施例所提供的一种基于智能路径选择的极化码译码方法示意图。
[0039]图1B为本公开实施例所提供的一种确定极化码参数的方法示意图。
[0040]图1C为本公开实施例所提供的一种极化码路径选择的方法示意图。
[0041]图1D为本公开实施例所提供的一种对路径选择的结果进行判定的方法示意图。
[0042]图2为本公开实施例所提供的一种基于智能路径选择的极化码译码器的示意图。
[0043]图3为本公开实施例所提供的一种基于智能路径选择的极化码译码方法的电子设备结构示意图。
具体实施方式
[0044]为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
[0045]需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于智能路径选择的极化码译码方法，其特征在于，包括：获取极化码，并确定所述极化码的参数；将所述参数输入至预先训练的神经网络模型中对所述极化码进行路径选择，以得到路径选择结果；对所述路径选择结果进行判定，得到判定结果，并将所述判定结果输入至译码器；通过所述译码器对所述极化码进行译码。2.根据权利要求1所述的方法，其特征在于，所述获取极化码，并对所述极化码的参数进行设定，包括：确定所述极化码的码长，并通过所述码长计算所述极化码的码字；对所述码字进行调制，得到所述码字的发送向量，并将所述发送向量输入至传输信道，得到接收向量；根据所述接收向量计算所述极化码的各个路径中每个译码比特的对数似然比，并通过所述各个路径中每个译码比特的对数似然比计算相应路径的路径度量值。3.根据权利要求2所述的方法，其特征在于，所述将所述参数输入至预设的神经网络模型中对所述极化码进行路径选择，包括：对所述路径度量值进行特征提取，确定与所述路径度量值相对应的路径的长度；响应于所述路径的长度，对所述路径进行分类；基于所述分类的结果，对所述极化码进行所述路径选择。4.根据权利要求3所述的方法，其特征在于，所述将所述参数输入至预设的神经网络模型中对所述极化码进行路径选择还包括：基于所述分类的结果计算所述神经网络模型的损失；通过所述损失对所述神经网络模型进行优化。5.根据权利要求1所述的方法，其特征在于，所述对所述路径选择的结果进行判定，并将所述...

【专利技术属性】
技术研发人员：牛凯，崔宏基，钟顺福，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：