[發明專利]基于深度學習的PC-SCMA聯合迭代檢測譯碼方法

有效

• 申請號: 202110660122.3
• 申請日: 2021-06-15
• 公開（公告）號: CN113395138B
• 公開（公告）日: 2022-05-03
• 發明（設計）人: 彭大芹;何彥琦;黃萍
• 申請（專利權）人: 重慶郵電大學
• 主分類號: H04L1/00
• 分類號: H04L1/00;G06N3/04;G06N3/08
• 代理公司: 重慶輝騰律師事務所 50215
• 代理人: 盧勝斌

本發明屬于計算機和通信技術領域，具體涉及一種基于深度學習的聯合迭代檢測譯碼方法；所述方法包括在SCMA的消息傳遞算法的因子圖中資源節點和用戶節點之間的傳遞路徑中添加可學習權重因子；在置信度傳播算法的因子圖中信息迭代中添加可通過離線學習的可學習偏移量；并形成聯合因子圖；將聯合因子圖中的可學習權重因子以及可學習偏移量作為深度神經網絡的隱藏層參數，并輸入加擾后的信息比特值在深度神經網絡中進行迭代更新；依次迭代更新資源節點信息、先驗節點信息以及用戶節點信息；更新完資源節點信息、用戶節點的先驗信息以及用戶節點信息后，輸出估計傳輸符號；本發明可以在運算復雜度增大在可接受范圍內，有效提高檢測譯碼BER性能。

技術領域

本發明為一種基于深度學習(Deep Learning,DL)的PC-SCMA(Polar Coded-Sparse Code Multiple Access)聯合迭代檢測譯碼(Joint Iterative Detection andDecoding Algorithm,JIDD)方法，具有低運算復雜度、譯碼及檢測準確度高 等特點，可應用于第5代移動通信系統中具有高頻譜利用率、海量用戶接入等 需求的場景，屬于計算機和通信技術領域。

背景技術

隨著移動通信的不斷發展，多樣化的應用場景對通信技術的性能需求也越 來越高。5G移動通信網絡預期實現較高的頻譜效率，這便對信道編解碼技術以 及多址接入技術的改進提出了需求，信道編解碼技術直接關系到系統誤碼率性 能的好壞，多址接入技術的目的則是為多個用戶終端提供共享的載波資源，從 而滿足更高的頻譜效率需求。

目前，相比于與其他信道編碼技術，極化碼(Polar)技術為唯一一種理論上被 證明在無記憶信道中可達香農極限的信道編碼技術,被3GPP組織確認為5G控 制信道編碼方案。并且編譯碼復雜度較低，具有廣泛的應用前景。另一方面， 稀疏碼分多址接入(SparseCode Multiple Access,SCMA)技術由華為公司主推，具 有頻譜利用率高、用戶過載率高、時延較低等優點，受到了產業界與學術界的 廣泛關注。此外，近幾年來，深度學習技術在眾多領域展現出了顯著的優化效 果，其中包括在通信領域中通過深度學習技術實現對算法的優化。

然而，隨著極化碼碼長與譯碼算法迭代次數的增加，結合深度學習技術后 引入的大量可學習參數增加了大量的乘法運算以及存儲空間占用，因此如何在 提高譯碼BER性能的同時不增加過高的運算復雜度成為了當前的熱門研究方 向。另一方面，結合深度學習的SCMA系統多用戶檢測算法也存在運算復雜度 較高或是檢測性能不夠理想等問題亟待解決。

發明內容

本發明的目的是針對PC-SCMA系統提供一種提升多用戶檢測與譯碼誤碼 率性能的聯合迭代檢測譯碼方法。本發明首先使用可學習的偏移最小和(Offset Min-Sum,OMS)算法以彌補極化碼置信傳播(Belief Propagation,BP)譯碼算法中 最小和近似帶來的損失，在不增加額外乘法運算的前提下，提升了BP譯碼算法 的BER性能，并提高了收斂速度。除此之外，還采用循環神經網絡(Recurrent Neural Network,RNN)實現多層神經網絡的參數共享，并添加線性整流函數 (Rectified Linear Unit,ReLU)作為隱藏層的激活函數，采用Hinge損失函數替代 交叉熵(Cross Entropy)損失函數以進一步降低離線訓練開銷，該譯碼算法被命名 為RNN-OMS-BP譯碼算法。然后在SCMA系統的消息傳遞算法(MessagePassing Algorithm,MPA)中加入可離線學習的權重因子，通過權重因子的添加實現離線訓練提升消息傳遞準確度的能力，再結合上文所提出的RNN-OMS-BP譯碼算 法，將譯碼算法與Weight-MPA算法的聯合因子圖架構展開為深度神經網絡架 構，提出一種基于深度學習的PC-SCMA聯合迭代檢測譯碼方法，以少量增加運 算復雜度為代價。

本發明采用如下技術方案：

一種基于深度學習的PC-SCMA聯合迭代檢測譯碼方法，所述方法：