[發明專利]一種基于卷積神經網絡的串行抵消列表譯碼參數優化方法

在審

• 申請號: 201810737117.6
• 申請日: 2018-07-06
• 公開（公告）號: CN108880568A
• 公開（公告）日: 2018-11-23
• 發明（設計）人: 李世寶;盧麗金;潘荔霞;劉建航;黃庭培;陳海華;鄧云強
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: H03M13/23
• 分類號: H03M13/23;H04L1/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供了一種基于卷積神經網絡的串行抵消列表譯碼參數優化方法，所述方法首先從收集、整理樣本數據開始；然后以樣本數據的特點及大小作為依據進行建模，并采用反向傳播算法來訓練網絡；然后再將由接收信號計算得到的似然比輸入到已完成訓練的卷積神經網絡中，輸出Q；最后將L初始化為Q，執行串行抵消列表譯碼算法。該方法通過將卷積神經網絡技術與極化碼譯碼技術進行結合，避免了不必要的計算操作，從而極大降低了極化碼的譯碼復雜度。

技術領域

本發明屬于通信技術領域，特別涉及一種用卷積神經網絡來優化串行抵消列表譯碼算法的極化碼譯碼參數的方法。

背景技術

極化碼是2008年由E.Arikan提出的一種新型信道編碼。極化碼是第一種能夠通過嚴格的數學方法證明達到信道容量的構造性編碼方案。在極化碼被提出之初，串行抵消(SC)譯碼也隨之被提出。SC譯碼能夠被看作是在二叉樹上的路徑搜索過程。SC譯碼算法從碼樹根節點開始，逐層依次向葉子節點層進行搜索，每一層擴展后，從兩條后繼中選擇較好的一條進行擴展。SC譯碼的特點主要有兩方面，一方面是其復雜度低、譯碼結構簡單；另一方面是其在理論上被證明在碼長足夠大時能夠達到香農極限。但SC譯碼算法在碼長為有限長的配置下，糾錯性能不理想。為了提高性能，提出串行抵消列表(SCL)譯碼。SCL譯碼是SC譯碼的一種改進版本。與SC不同的是，SCL譯碼算法不再是從兩條后繼中選擇較好的一條進行擴展，而是盡可能地保留不大于L條的后繼路徑，在下一層擴展時，所有這不多于L條的候選路徑都會分別被擴展。當結束葉子節點層的擴展時，有至多L條候選路徑被保留在列表中。由于SCL譯碼只有在較高的信噪比下，才能夠實現最大似然譯碼性能，故循環冗余校驗(CRC)被引入來提升極化碼的譯碼性能，通過使用CRC來對這L條候選路徑進行校驗，最終輸出一條能通過CRC的且最有可能的候選路徑。CRC輔助的SCL有著比Turbo碼與LDPC碼更好的譯碼性能，但是隨著L增大，譯碼復雜度也會增大。為了解決這一問題，自適應串行抵消列表(AD-SCL)譯碼算法通過自適應地控制L，避免對不必要的路徑進行計算，大大的減少了譯碼復雜度。

但是，在較低的信噪比下，AD-SCL會頻繁出現高譯碼復雜度情況。AD-SCL算法總是把L的初始值配置為1。若基于L＝1的AD-SCL譯碼失敗，該譯碼會將L更新為2L并繼續進行譯碼，直至L＝L_max，L_max是根據實際情況設定的最大列表大小。在低信噪比與L＝1的配置下，AD-SCL算法失敗的概率高，因此需要頻繁更新L值，增加了復雜度。如果在譯碼開始時，將L初始化為一個合適的值，盡可能地執行一次譯碼就能成功，那么，將能夠顯著地降低譯碼復雜度。

為了降低譯碼復雜度，在保證極化碼譯碼性能的前提下通過尋找一個合適的L值來減少計算量，本發明專利提出了一種基于卷積神經網絡的串行抵消列表譯碼參數優化方法，通過構建并訓練卷積神經網絡來優化L值，以實現減少運算量的目標，最終降低譯碼復雜度。

發明內容

本發明提出了一種基于SCL譯碼算法的卷積神經網絡輔助的參數優化方法，在保證譯碼性能不變的情況下，通過優化L值來降低譯碼復雜度，并把這一個優化的L值記為Q。

在樣本數據準備階段，基于不同信噪比，執行100000次自適應串行抵消列表譯碼算法，將每一次譯碼成功時由接收信號計算得到的似然比和譯碼成功時對應的L記錄下來，一次成功譯碼所記錄的似然比與對應的L構成一組樣本數據。隨機選取60000組樣本數據，從這60000組數據中隨機選取75％組數據作為訓練樣本，并將余下的25％組數據作為測試樣本。