【技术实现步骤摘要】
本专利技术涉及深度学习与无线通信，具体为一种基于神经网络辅助的极化码分段scf译码方法。
技术介绍
1、自2009年由arikan提出极化码以来，因其在无记忆信道中被理论证明是能够达到香农信道容量的特性，并且其编译码的复杂度低，因而备受关注。由于极化码良好的性能表现，因此在5g中被采用为控制信道编码方案。其中，串行抵消(successive cancellation,sc)译码算法是常用的极化码译码算法之一。
2、sc译码算法有着较低的复杂度，理论上当码长无限长时，信道容量可达香农限，然而在实际中，码长不会“足够长”。并且由于sc译码是串行的，一旦产生比特错误，错误的比特不会被纠正。为了提高sc译码器的译码性能，一种新的sc译码算法，即串行抵消比特翻转(successive cancellation flip,scf)译码算法被提出，它可以识别纠正sc的错误译码。通过纠正sc的第一个由信道引起的错误判决比特，scf译码算法在纠错性能方面可以与sc列表(successive cancellation list,scl)译码算法竞争，同时在中高信噪比下保持与sc相当的计算复杂度。
3、近年来，深度学习在计算机视觉和自然语言处理等领域得到了广泛的应用，充分体现了其优异的性能和优化能力。并且，在深度学习不断发展的过程中，神经网络已经在无线通信领域得到了广泛应用，如基于神经网络的调制和解调、信道译码、均衡、检测、预测、量化等研究。因此，将神经网络应用于极化码译码问题是可行的，研究基于神经网络的极化码分段scf(nn
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种基于神经网络辅助的极化码分段scf译码方法，该方法采用分布式crc编码方式，即基于分段的方式，将crc设置在不同的子段中，并且，使用bigru(双向门控循环单元)作为网络的模型结构，在分段的条件下，神经网络的输入维度为最大分段的长度，而不是整个码长，这极大地避免了高维度输入的发生，神经网络的性能并不会因为码长的增加而受到影响，分段的方法可以极大地降低神经网络寻找翻转集的区间，获取准确率更高的翻转集。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于神经网络辅助的极化码分段scf译码方法，包括以下步骤：
3、1)sc译码后，将译码码字分为多个分段，并为每个子块添加独立的crc校验；
4、2)使用神经网络进行翻转位预测，分段的对数似然比(log-likelihood ratio,llr)序列作为输入，输出第一个错误比特的概率序列；
5、3)概率序列降序排列得到翻转集，选定一定长度的子集，依次对集合中元素对应位置上的比特进行比特翻转，并再次进行sc译码；
6、4)利用crc对翻转后该分段的译码结果进行校验，判断比特翻转是否成功；
7、5)若在最大翻转次数内仍然没有翻转成功，则结束译码，若翻转成功，则返回步骤2)进行下一分段的译码。
8、优选的，所述神经网络采用bigru模型结构，输入为llr序列，输出为预测的第一个错误比特的概率；
9、由于生成的数据集为一维时序数据，并且根据sc译码算法计算llr的过程可知，序列中的某个数据即某个llr的值依赖于前一个llr来计算，同时它也会影响后一个llr值的计算。因此，nn-pscf译码算法使用bigru网络来预测翻转位。
10、优选的，所述bigru模型结构包括输入层、隐藏层和输出层，所述隐藏层包含2n个gru单元，所述隐藏层的节点数为每个子块的信息比特长度，所述输出层为具有n个神经元的全连接层，使用sigmoid作为激活函数；
11、使用sigmoid作为激活函数，因为它的值域为(0,1)，可以用于表示每个信息位出现第一个错误比特的概率。
12、优选的，所述神经网络的数据集是由极化码编码、bpsk调制、加性高斯白噪声信道传输后进行sc译码生成，得到译码结果。
13、优选的，所述神经网络的训练集是通过利用crc校验译码结果是否正确，如果译码失败，则收集最终译码码字对应的llr序列作为训练样本。
14、优选的，所述分段的设计是根据第一个错误比特的累积概率分布确定分段的位置；
15、nn-pscf译码算法中，每个分段应该有着相等的译码错误发生概率，以保证错误平均分布在每个分段中。因此，nn-pscf译码算法的输入码字分段方式是不均匀的，而每段crc的长度保持一致。对于分段位置的选择，可以通过第一个错误比特的累积概率分布来确定。
16、优选的，所述sc译码成功的概率和失败的概率满足以下公式：
17、
18、其中，pr(e0)表示sc译码算法译码成功的概率，e1表示第一个比特发生错误的事件，et表示第t∈[2,k+r]个比特发生错误的事件，pr(e1)、pr(et)表示sc译码算法译码失败的概率，k表示信息比特数量，r表示检验比特数量。
19、在nn-pscf中，每个码字被分为p个子块，每个分段都由自己的crc保护，这些分段相互独立。对于nn-pscf，当t＝1时，只需在每个独立的子块中最小化pr(e1)。得益于神经网络的优异性能，它可以在极少的迭代次数下最小化pr(e1)。而当t＞1，由于分段的存在，当pr(e1)和pr(et)分布于不同的子块中时，nn-pscf可以纠正码字中多个错误比特。
20、优选的，所述方法的译码复杂度满足以下公式：
21、
22、其中，o(sc)表示为sc译码算法的复杂度，fersc、fernn-pscf分别表示sc和nn-pscf译码的误码率fer；
23、在翻转集的大小固定时，nn-pscf译码算法的fer越小，其复杂度也越低。这是因为nn-pscf译码算法的fer越小，正确译码的码字多，因而所需要进行比特翻转的码字也就越少，复杂度也就越接近sc译码算法的复杂度。这里，如果nn-pscf成功翻转，则其翻转的次数介于1到tmax之间。即最理想为一次翻转成功，最差为达到最大翻转次数时翻转成功，因此取平均值(1+tmax)/2来代替翻转成功的次数。如果nn-pscf译码算法翻转失败，也即译码错误，则需要进行tmax次翻转。
24、本专利技术提供一种计算机程序产品，该计算机程序产品包括计算机软件指令，该计算机软件指令可通过处理器进行加载来实现上述基于神经网络辅助的极化码分段scf译码方法的方法流程。
25、本专利技术提供一种计算机储存介质，用于储存计算机软件指令，其包含用于执行上述基于神经网络辅助的极化码分段scf译码方法的步骤的程序。
26、本专利技术提供了一种基于神经网络辅助的极化码分段scf译码方法。具备以下有益效果：
27、本专利技术提供了一种基于神经网络的方法来寻找scf的翻转集，并通过分段的设计极大地提升了scf算法所获取翻转本文档来自技高网...
【技术保护点】
1.一种基于神经网络辅助的极化码分段SCF译码方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于神经网络辅助的极化码分段SCF译码方法，其特征在于，所述神经网络采用BiGRU模型结构，输入为LLR序列，输出为预测的第一个错误比特的概率。
3.根据权利要求2所述的一种基于神经网络辅助的极化码分段SCF译码方法，其特征在于，所述BiGRU模型结构包括输入层、隐藏层和输出层，所述隐藏层包含2Ni个GRU单元，所述隐藏层的节点数为每个子块的信息比特长度，所述输出层为具有Ni个神经元的全连接层，使用Sigmoid作为激活函数。
4.根据权利要求1所述的一种基于神经网络辅助的极化码分段SCF译码方法，其特征在于，所述神经网络的数据集是由极化码编码、BPSK调制、加性高斯白噪声信道传输后进行SC译码生成，得到译码结果。
5.根据权利要求4所述的一种基于神经网络辅助的极化码分段SCF译码方法，其特征在于，所述神经网络的训练集是通过利用CRC校验译码结果是否正确，如果译码失败，则收集最终译码码字对应的LLR序列作为训练样本。
<...【技术特征摘要】
1.一种基于神经网络辅助的极化码分段scf译码方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于神经网络辅助的极化码分段scf译码方法，其特征在于，所述神经网络采用bigru模型结构，输入为llr序列，输出为预测的第一个错误比特的概率。
3.根据权利要求2所述的一种基于神经网络辅助的极化码分段scf译码方法，其特征在于，所述bigru模型结构包括输入层、隐藏层和输出层，所述隐藏层包含2ni个gru单元，所述隐藏层的节点数为每个子块的信息比特长度，所述输出层为具有ni个神经元的全连接层，使用sigmoid作为激活函数。
4.根据权利要求1所述的一种基于神经网络辅助的极化码分段scf译码方法，其特征在于，所述神经网络的数据集是由极化码编码、bpsk调制、加性高斯白噪声信道传输后进行sc译码生成，得到译码结果。
5.根据权利要求4所述的一种基于神经网络辅助的极化码分段scf译码方法...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。