[發明專利]一種基于深度學習的極化碼FNSC譯碼器

有效

• 申請號: 201910040178.1
• 申請日: 2019-01-16
• 公開（公告）號: CN109450459B
• 公開（公告）日: 2023-04-28
• 發明（設計）人: 王秀敏;吳卓鋌;單良;李君;洪波
• 申請（專利權）人: 中國計量大學
• 主分類號: H03M13/13
• 分類號: H03M13/13
• 代理公司: 杭州快知知識產權代理事務所(特殊普通合伙) 33293
• 代理人: 楊冬玲

本發明提出了一種改進的基于深度學習的極化碼FNSC譯碼器。它主要在已有的F?SSC算法與NSC算法上進行改進。該譯碼器通過一種新的訓練策略來獲得一個適用于一般節點的DNN網絡代替NSC算法中的多個DNN網絡，并且引入F?SSC算法中對特殊節點的處理方式來進一步優化本發明中的譯碼算法。該譯碼算法FNSC相比于NSC算法在減低了譯碼延遲的同時也減少了資源消耗。實驗證明，當碼長為128，碼率為0.5時FNSC的譯碼延遲比NSC的譯碼延遲降低21％，且節省了7個DNN網絡的資源消耗。

技術領域

本發明屬于信道編譯碼技術領域，涉及一種基于DNN的SC譯碼器，特別是一種結合訓練單一DNN網絡與特殊節點并行計算的SC譯碼改進算法。

背景技術

Arikan教授在2009年提出了基于信道極化現象的極化碼，該信道糾錯碼首次被嚴格證明了在碼長趨近于無窮大時，信道容量可以達到香濃極限。由Arikan教授提出的SC譯碼算法是極化碼的基礎譯碼算法。該算法采用的是連續按位譯碼，其譯碼延遲較大，碼字間的相關性較強，這將會導致前面譯碼出錯的位置影響后續譯碼的結果。極大的限制了SC譯碼算法的性能。學者們為了解決這個問題，分別提出了SCL和SCF兩種算法。SCL算法通過搭建搜索樹來計算SC譯碼的多種可能性，并通過減枝來保留可能性較高的L個分支，減枝的數量直接決定了SCL算法的性能。而SCF則是通過比特翻轉，來對比較可能出錯的信息位進行比特反轉，然后從翻轉位開始接著進行SC譯碼。以上兩種SC的改進算法都是為了解決碼間出錯對后續譯碼的影響，兩者都取得了較好的性能提升，但其依然存在譯碼延遲大、短碼譯碼性能較差等缺陷。隨著5G時代的到來，當下的通信技術已經越來越無法滿足網絡流量日益增長的需求。極化碼作為5G的控制信道編碼方案，其譯碼延遲與短碼的性能將更受關注。

近年來，隨著人工智能的發展，深度學習已經作為人工智能的一個重要的方法被應用到科學研究的各個領域，并且為這些領域帶來了巨大的革新和突破。深度學習在信道編碼領域的應用成果也逐漸增多，DNN網絡用于極化碼譯碼時可以看作是一個多標簽分類器。當碼長為16、碼率為1/2時，其分類的類別有2⁸個。但由于DNN對訓練集中不包含的碼字的預測能力非常差，若當碼字長度大于等于32時，此時DNN總類別數十分巨大，這使得DNN無法通過遍歷所有種類的碼字來提高譯碼器的性能。另外，由于類別的指數增長而造成的維數災難將嚴重影響DNN網絡的性能。

在已有的技術中，傳統的F-SSC算法對4種凍結位與信息位存在特殊關系的節點進行并行運算以減少SC譯碼的延遲，然而對于SC中的一般節點，F-SSC依舊采用的是串行譯碼方式。當碼長越長，每個節點包含的碼字越多時，一般節點的個數就越多，這不利于低延遲SC譯碼器的設計。NSC算法從第S層之后的譯碼開始使用不同的小型DNN網絡對不同分組的LLR值進行直接譯碼，這雖然大大降低了SC譯碼的譯碼延時，但還存在以下兩個不足。(1)NSC算法DNN網絡的數量取決于LLR的分組數，而分組數將隨碼長的增加而增加，這無疑增加了系統的資源消耗與設計復雜度。(2)SC譯碼樹中的特殊節點采用F-SSC的計算方法比DNN網絡更快，對特殊節點使用DNN將造成額外的系統延遲與資源消耗。

發明內容

本發明為了解決已有技術所存在的問題，提出了一種基于DNN網絡的FNSC譯碼器，該譯碼器訓練了一個適用于某一層所有一般節點的DNN譯碼網絡，將該網絡應用于所有的一般節點，而在特殊節點處采用F-SSC中已有的更簡便的方法，該譯碼器在保證不損失性能的前提下具有降低譯碼延遲、減少資源消耗等特點。

基于以上技術問題，本發明所采用的技術方案為：本發明提供一種訓練一個DNN網絡適用于SC碼樹中某一層所有一般節點的方法。SC碼樹中同一層的每個節點歷經的后續譯碼樹是完全相同的，但其最后判決輸出的判決方法卻不盡相同(與凍結位的分布有關)，為了訓練出一個適應所有節點的DNN網絡，本發明采取的方法是去掉凍結位判決的影響，直接對最后一層的LLR進行硬判決并將其作為訓練網絡的期望值。

設編碼碼長為N，碼率為1/2，假如DNN將與SC譯碼樹的第S層連接，對于一個樣本的制作可以分為以下步驟：