[發明專利]一種基于懲罰對偶分解法的深度展開信道譯碼方法及裝置

在審

• 申請號: 202210718915.0
• 申請日: 2022-06-23
• 公開（公告）號: CN115913454A
• 公開（公告）日: 2023-04-04
• 發明（設計）人: 劉屹豪;趙明敏;雷鳴;趙民建;袁輝
• 申請（專利權）人: 浙江大學
• 主分類號: H04L1/00
• 分類號: H04L1/00
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 羅嵐

本申請提出了一種基于懲罰對偶分解法的深度展開信道譯碼方法及裝置，涉及無線通信技術領域，該方法包括以下步驟：基于信道譯碼問題構建最大似然譯碼問題；根據級聯分解方法得到最大似然譯碼問題的等效級聯形式；將離散約束轉換為連續約束，并通過引入第一輔助變量和懲罰項得到帶懲罰項的松弛譯碼優化問題；根據懲罰對偶分解法求解松弛譯碼優化問題，得到雙層循環的懲罰對偶分解譯碼器；基于懲罰對偶分解譯碼器的結構進行深度展開得到可學習懲罰對偶分解譯碼網絡；通過生成訓練數據訓練可學習懲罰對偶分解譯碼網絡，以使用參數最優的懲罰對偶分解譯碼器進行譯碼。本發明將線性規劃和深度學習方法應用于信道譯碼中，提升譯碼性能和降低譯碼復雜度。

技術領域

本申請涉及無線通信技術領域，尤其涉及一種基于懲罰對偶分解法的深度展開信道譯?碼方法及裝置。

背景技術

信道譯碼是確保信息可靠性傳輸的關鍵一環，通過對信息比特添加冗余信息來確保接?收方可以恢復出發送方傳輸的信息。線性規劃(Linear?Programming，LP)譯碼算法是一?種基于LP松弛的最大似然(Maximum?Likelihood,ML)譯碼算法，近來被應用于線性?碼，比如低密度奇偶校驗(Low?Density?Parity?Check,LDPC)碼的譯碼，受到了學術界?和工業界的廣泛關注。由于LP譯碼算法相對于經典的置信傳播(Belief?Propagation,?BP)譯碼算法，在高信噪比區域有更低的誤碼率，且不會有錯誤平層，所以更適用于磁記?錄，光纖傳輸網絡等具有超高可靠性要求的應用場景。然而LP譯碼算法同時存在低信噪?比區域譯碼性能更差和計算復雜度較高的缺點。

為了克服LP譯碼算法的缺點，近年來提出了利用交替方向乘子法(AlternatingDirection?Method?of?Multipliers,ADMM),懲罰對偶分解法(Penalty?DualDecomposition,PDD)等高效的分布式LP譯碼算法。

同時，深度學習近年來也廣泛應用于通信領域中，可以用來解決一些信號處理的問?題。深度展開是一種模型驅動的深度學習方法，可以將一個迭代算法展開成可學習的神經?網絡，保留迭代算法的內在結構，具有較高的可解釋性，訓練后可以得到相比原算法更優?的性能。

發明內容

本發明的目的是針對信道編碼，提出一種基于懲罰對偶分解法的深度展開譯碼方法及?裝置。將懲罰對偶分解譯碼器的迭代過程展開為固定網絡層數的模型驅動神經網絡，將可?調的譯碼參數轉換成可訓練的網絡參數，利用深度學習中的梯度下降方法來尋找最優參?數。訓練后將網絡參數固定，得到一個優化譯碼器進行在線信道譯碼，這個優化譯碼網絡?具有更優的譯碼性能和更低的譯碼復雜度。

本申請第一方面提出了一種基于懲罰對偶分解法的深度展開信道譯碼方法，包括：

基于信道譯碼問題構建最大似然譯碼問題，所述最大似然譯碼問題包括目標函數和第?一離散奇偶校驗約束；

根據級聯分解方法將所述第一離散奇偶校驗約束分解為第二離散奇偶校驗約束，將所?述最大似然譯碼問題轉換成等效的級聯形式；

將所述第二離散奇偶校驗約束轉換成連續約束，通過引入懲罰項和第一輔助變量得到?帶懲罰項的松弛譯碼優化問題；

根據懲罰對偶分解法求解所述松弛譯碼優化問題，得到雙層循環的懲罰對偶分解譯碼?器；

將所述懲罰對偶分解譯碼器的可調譯碼參數轉換成可訓練參數，根據所述可訓練參數?構建可學習懲罰對偶分解譯碼網絡；

生成訓練數據，根據所述訓練數據訓練所述可學習懲罰對偶分解譯碼網絡，以使用參?數最優的懲罰對偶分解譯碼器進行譯碼。

可選的，所述基于信道譯碼問題構建最大似然譯碼問題，包括：