一种面向动态信噪比的译码方法及相关设备技术

本发明专利技术公开了一种面向动态信噪比的译码方法及相关设备，所述方法包括：获取原始的信息比特串，使用神经网络编码器对信息比特串进行编码，得到神经乘积码；将神经乘积码经过加性高斯白噪声信道，得到带噪的接收信号；使用神经网络分类器对接收信号基于信噪比高低进行分类，得到分类结果，其中，所述分类的依据为所述接收信号的信噪比水平；根据分类结果选择译码模块的对应分支，其中，所述译码模块包括多个不同复杂度的独立分支；使用所述译码模块中对应分支将所述接收信号进行译码，得到译码结果。本发明专利技术根据所估计的信噪比高低自适应地选择不同计算复杂度的译码流程，兼顾了译码的纠错性能，实现了整体计算量的降低和译码时间的减少。的减少。的减少。

【技术实现步骤摘要】
一种面向动态信噪比的译码方法及相关设备


[0001]本专利技术涉及电子通信
，尤其涉及一种面向动态信噪比的译码方法、系统、终端及计算机可读存储介质。

技术介绍

[0002]传统的信道编码技术依赖于人们利用编码理论构造编码和译码算法，需要人类全程参与编译码流程的设计。随着深度学习的发展，拥有端到端学习能力的神经网络也被用于自动化构造信道编码和译码算法的研究中，尝试使用神经网络优化编码和译码算法，获得超过经典编译码算法的表现。
[0003]目前，例如ProductAE利用自编码器结构组成了信道编码的编码模块和译码模块，它以端到端的方式来训练，得到了神经乘积码和对应的译码器。该结构所得到的神经乘积码在纠错性能上展现出了与同样使用自编码器结构的TurboAE和经典编码相比具有竞争力的效果。然而，ProductAE的译码模块忽略了信噪比这一信息，对所有的码字都一视同仁，采取相同计算复杂度的译码流程。在信道的信噪比变化的场景中，经过低信噪比信道的码字往往只需要更少的计算量就能实现良好的纠错，这种统一的译码流程将增加译码过程的计算量，降低处理速度，提高译码延迟。
[0004]因此，现有的神经乘积码和译码器有待于改进和发展。

技术实现思路

[0005]本专利技术的主要目的在于提供一种面向动态信噪比的译码方法、系统、终端及计算机可读存储介质，旨在解决现有技术中译码流程增加了译码过程的计算量，处理速度低，译码延迟高的问题。
[0006]为实现上述目的，本专利技术提供一种面向动态信噪比的译码方法，所述面向动态信噪比的译码方法包括如下步骤：获取原始的信息比特串，使用神经网络编码器对所述信息比特串进行编码，得到神经乘积码；将所述神经乘积码经过加性高斯白噪声信道，得到带噪的接收信号；使用神经网络分类器对所述接收信号基于信噪比高低进行分类，得到分类结果，其中，所述分类的依据为所述接收信号的信噪比水平；根据所述分类结果选择译码模块的对应分支，其中，所述译码模块包括多个不同复杂度的独立分支；使用所述译码模块中对应分支将所述接收信号进行译码，得到译码结果。
[0007]可选地，所述的面向动态信噪比的译码方法，其中，所述获取原始的信息比特串，使用神经网络编码器对所述信息比特串进行编码，得到神经乘积码，具体包括：对消息比特矩阵进行神经乘积码编码，所述消息比特矩阵中的每一个元素为0或1，每一行视为一个维行向量，每一列视为一个维的列向量；
其中，表示所述消息比特矩阵的行数，表示所述消息比特矩阵的列数；所述神经网络编码器包括两个级联的神经网络编码器，分别为第一神经网络编码器和第二神经网络编码器；利用所述第一神经网络编码器将所述消息比特矩阵中的行进行编码，每一行在经过所述第一神经网络编码器后都由原来的维向量编码为一个维的实值向量，得到的矩阵；使用所述第二神经网络编码器将矩阵中的列进行编码，每一列在经过所述第二神经网络编码器后都由原来的维向量编码为一个维的实值向量，得到矩阵的神经乘积码码字；其中，表示所述神经乘积码码字的行数，表示所述神经乘积码码字的列数。
[0008]可选地，所述的面向动态信噪比的译码方法，其中，所述将所述神经乘积码经过加性高斯白噪声信道，得到带噪的接收信号，具体包括：对于矩阵的神经乘积码码字，经过加性高斯白噪声信道，在接收端将获取到带噪声的接收信号；其中，所述接收信号同样为一个的矩阵。
[0009]可选地，所述的面向动态信噪比的译码方法，其中，所述使用神经网络分类器对所述接收信号基于信噪比高低进行分类，得到分类结果，具体包括：将信噪比范围平均分为个子区间为：，对接收信号按照信噪比水平的顺序，分别设定为第类，其中，为将区间划分开来的阈值；将所述接收信号输入到所述神经网络分类器，使用卷积层提取特征并通过一个全连接层，输出一个维概率向量，所述概率向量中的每一个元素分别代表将所述接收信号分为第类的概率，满足。
[0010]可选地，所述的面向动态信噪比的译码方法，其中，所述根据所述分类结果选择译码模块的对应分支，具体包括：所述译码模块包括个候选的译码分支，分别称为分支；根据所述使用神经网络分类器输出的分类结果，在译码分支选择概率最大的分支；可选地，所述的面向动态信噪比的译码方法，其中，所述使用所述译码模块中对应分支将所述接收信号进行译码，得到译码结果，具体包括：将所述接收信号输入到第个译码分支进行译码操作，所述第个译码分支的输出结果为最终的译码结果。
[0011]可选地，所述的面向动态信噪比的译码方法，其中，所述面向动态信噪比的译码方法还包括：对所述接收信号的行和列使用不同的神经网络交替进行译码操作。
[0012]此外，为实现上述目的，本专利技术还提供一种面向动态信噪比的译码系统，其中，所述面向动态信噪比的译码系统包括：信息编码模块，用于获取原始的信息比特串，使用神经网络编码器对所述信息比
特串进行编码，得到神经乘积码；信号处理模块，用于将所述神经乘积码经过加性高斯白噪声信道，得到带噪的接收信号；信号分类模块，用于使用神经网络分类器对所述接收信号基于信噪比高低进行分类，得到分类结果，其中，所述分类的依据为所述接收信号的信噪比水平；分支选择模块，用于根据所述分类结果选择译码模块的对应分支，其中，所述译码模块包括多个不同复杂度的独立分支；信号译码模块，用于使用所述译码模块中对应分支将所述接收信号进行译码，得到译码结果。
[0013]此外，为实现上述目的，本专利技术还提供一种终端，其中，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的面向动态信噪比的译码程序，所述面向动态信噪比的译码程序被所述处理器执行时实现如上所述的面向动态信噪比的译码方法的步骤。
[0014]此外，为实现上述目的，本专利技术还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有面向动态信噪比的译码程序，所述面向动态信噪比的译码程序被处理器执行时实现如上所述的面向动态信噪比的译码方法的步骤。
[0015]由上可见，本专利技术方案中，获取原始的信息比特串，使用神经网络编码器对所述信息比特串进行编码，得到神经乘积码；将所述神经乘积码经过加性高斯白噪声信道，得到带噪的接收信号；使用神经网络分类器对所述接收信号基于信噪比高低进行分类，得到分类结果，其中，所述分类的依据为所述接收信号的信噪比水平；根据所述分类结果选择译码模块的对应分支，其中，所述译码模块包括多个不同复杂度的独立分支；使用所述译码模块中对应分支将所述接收信号进行译码，得到译码结果。本专利技术通过根据所估计的信噪比高低自适应地选择不同计算复杂度的译码流程，兼顾了译码的纠错性能，实现了整体计算量的降低和译码时间的减少。
附图说明
[0016]图1是本专利技术面向动态信噪比的译码方法的较佳实施例的流程图；图2是本专利技术面向动态信噪比的译码方法的模型架构图；图3是本专利技术面向动态信噪比的译码方法的模型与原版ProductAE模型误比特率和误块率的比较示意图一；图4是本专利技术面向动态信噪比的译码方法的模型与原版ProductAE模型误比特率本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向动态信噪比的译码方法，其特征在于，所述面向动态信噪比的译码方法包括：获取原始的信息比特串，使用神经网络编码器对所述信息比特串进行编码，得到神经乘积码；将所述神经乘积码经过加性高斯白噪声信道，得到带噪的接收信号；使用神经网络分类器对所述接收信号基于信噪比高低进行分类，得到分类结果，其中，所述分类的依据为所述接收信号的信噪比水平；根据所述分类结果选择译码模块的对应分支，其中，所述译码模块包括多个不同复杂度的独立分支；使用所述译码模块中对应分支将所述接收信号进行译码，得到译码结果。2.根据权利要求1所述的面向动态信噪比的译码方法，其特征在于，所述获取原始的信息比特串，使用神经网络编码器对所述信息比特串进行编码，得到神经乘积码，具体包括：对消息比特矩阵进行神经乘积码编码，所述消息比特矩阵中的每一个元素为0或1，每一行视为一个维行向量，每一列视为一个维的列向量；其中，表示所述消息比特矩阵的行数，表示所述消息比特矩阵的列数；所述神经网络编码器包括两个级联的神经网络编码器，分别为第一神经网络编码器和第二神经网络编码器；利用所述第一神经网络编码器将所述消息比特矩阵中的行进行编码，每一行在经过所述第一神经网络编码器后都由原来的维向量编码为一个维的实值向量，得到的矩阵；使用所述第二神经网络编码器将矩阵中的列进行编码，每一列在经过所述第二神经网络编码器后都由原来的维向量编码为一个维的实值向量，得到矩阵的神经乘积码码字；其中，表示所述神经乘积码码字的行数，表示所述神经乘积码码字的列数。3.根据权利要求2所述的面向动态信噪比的译码方法，其特征在于，所述将所述神经乘积码经过加性高斯白噪声信道，得到带噪的接收信号，具体包括：对于矩阵的神经乘积码码字，经过加性高斯白噪声信道，在接收端将获取到带噪声的接收信号；其中，所述接收信号同样为一个的矩阵。4.根据权利要求3所述的面向动态信噪比的译码方法，其特征在于，所述使用神经网络分类器对所述接收信号基于信噪比高低进行分类，得到分类结果，具体包括：将信噪比范围平均分为个子区间为：，对接收信号按照信噪比水平的顺序，分别设定为第类，其中，为将区间划分开来的阈值；将所述接收信号输入到所述神经网络分类器，使...

【专利技术属性】
技术研发人员：陈斌，张秦山，黄钰钧，
申请(专利权)人：哈尔滨工业大学深圳哈尔滨工业大学深圳科技创新研究院，
类型：发明
国别省市：