[發明專利]一種基于深度學習的極化碼SSCL算法譯碼器

在審

• 申請號: 201910505532.3
• 申請日: 2019-06-12
• 公開（公告）號: CN110138390A
• 公開（公告）日: 2019-08-16
• 發明（設計）人: 王秀敏;何金隆;單良;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;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供了一種與深度學習結合的低時延極化碼譯碼器，特別是相比于簡化的連續取消列表(Simplified Successive Cancellation List，SSCL)譯碼器具有更少的計算次數。該裝置包含5個模塊，分別是正常SCL計算模塊、Rate?0計算模塊、Rep計算模塊、Rate?1計算模塊和普通節點的DNN計算模塊。這種與深度神經網絡結合的SSCL譯碼器除了保留原有的Rate?0、Rate?1和Rep節點的低譯碼延遲特性外，還用深度神經網絡對普通節點譯碼來降低譯碼時延，最后達到降低整體譯碼延時的目的。實驗計算得出，當碼長為64、碼率為1/2時，本發明的譯碼延遲比SSCL的譯碼延遲降低約27％。

技術領域

本發明屬于通信信道編碼的譯碼技術領域，涉及一種與深度學習結合的極化碼譯碼器，特別是一種相比于傳統的SSCL算法的譯碼器具有更少的計算次數，達到利用深度學習來降低譯碼延遲效果的極化碼譯碼器。

背景技術

自信道編碼理論建立之后，信道編碼技術已經經歷了幾十年的發展和革新。極化碼作為近十年來提出的一種編碼技術，它具備了像代數編碼那樣特定的編譯碼結構，同時也采用了信道極化的方式來建立編譯碼的理論基礎。極化碼通過信道聯合和信道分裂兩種操作得到了若干分裂信道，它們的容量呈現出兩極分化的趨勢，即隨著碼長的增加或者趨向于完全噪聲信道，或者趨向于完全無噪聲信道，并以此為基礎證明了極化碼可以達到任意二進制輸入離散無記憶信道的對稱容量。極化碼所采用的信道極化的編碼思想和之前已經出現的編碼技術完全不同，因此引起了人們的廣泛關注。

Seyyed A.H.等人提出了SSCL譯碼的算法，這個算法為了降低SCL解碼的時間復雜度，也提出了基于Rate-1、Rate-0和Rep節點的路徑度量計算方法，這些節點的計算是源于原始的SCL算法。簡化的路徑度量依賴于由各自節點標識的根節點的LLR值。因此，可以不需要遍歷所有節點來正確計算它們的LLR值。對于這三種節點，他們證明了所提出的計算與原始SCL中所提出的計算完全等價。而且還提出了一種硬件友好的Rate-1節點的路徑度量計算方法，并證明它與遍歷解碼樹的方法是等價的。

雖然SSCL相對于SCL具有更好的譯碼時延，但是對于這幾種節點之外的情況仍使用原始SCL的計算方法，這樣還會產生較高的譯碼延遲。本發明是對SSCL算法的進一步優化。

發明內容

本發明為了解決SSCL對于特殊節點以外的節點有較高延遲的問題，提供了一種結合深度學習神經網絡的SSCL譯碼算法的譯碼器，主要包含5個計算模塊，正常SCL計算模塊、Rate-0計算模塊、Rep計算模塊、Rate-1計算模塊和普通節點的DNN計算模塊。對于一般節點也能減少譯碼延遲；同時用深度神經網絡(DNN)進行極化碼譯碼，其性能能夠達到最大后驗概率，這樣相比于傳統的譯碼會有一定的性能提升。

本發明的基本構思：針對SSCL無法應對的其他類型節點，采用一種深度神經網絡的譯碼模塊進行譯碼。但由于深度神經網絡應用于極化碼的譯碼有著一定的限制，因為在訓練深度神經網絡時，所采用的訓練集要包含所用的譯碼可能，這樣才能訓練一個擬合較好的網絡。當在譯碼過程中遇到上述提到的三種特殊節點以外的節點時，采用深度神經網絡來進行譯碼。然后根據譯碼出的結果計算更新后的路徑度量值，再繼續進行譯碼。這種與深度神經網絡結合的SSCL譯碼器除了保留原有的Rate-0、Rate-1和Rep節點的低譯碼延遲特性外，還用深度神經網絡對普通節點譯碼來降低譯碼時延，最后達到一個降低整體譯碼延時效果。