论文部分内容阅读
在信道编码方案中,极化码的编译码复杂度低,并且已经被严格证明能够达到香农极限,具有极高的研究价值。在极化码常用的译码算法中,连续删除(Successive Cancelation,SC)译码算法的复杂度最低,因此一直备受关注。但是由于SC译码算法的计算过程是递归的,所以具有较大的译码延时。而深度学习具有强大的计算优势,神经网络经过训练后是静态的,数据只需要一次性通过网络,因此将深度学习应用于极化码的译码过程,可以有效降低译码时延,提高译码效率。本文主要对基于深度学习的极化码译码算法进行研究,并在译码时延方面对SC译码算法做出改进,具体工作概括如下:(1)对极化码的编译码过程与深度学习的基本原理进行了研究,对SC译码算法进行了仿真,仿真结果显示,当极化码的码长越长时,SC译码算法的误码性能越好。(2)分别设计并训练了基于多层感知机(Multi-Layer Perceptron,MLP)、卷积神经网络(ConvolutionalNeuralNetworks,CNN)、循环神经网络(RecurrentNeural Network,RNN)的极化码神经网络译码器(Neural Network Decoder,NND)。探讨了神经网络译码器中的网络设计和参数设置,并对比了基于不同网络模型的神经网络译码器的译码性能。通过对比可知,基于CNN的译码器在参数更少的情况下,可以得到更好的性能。(3)设计了一种极化码的分区神经网络译码算法。根据极化码的编码特性,将长码字分区译码,所有子块使用神经网络译码器译码,再使用SC译码算法耦合各个子块,从而完成译码。并实现了对码长分别为32、64和128,码率为0.5的极化码的分区神经网络译码器(Partitioned Neural Network Decoder,PNND),在误码性能与SC译码算法十分接近的情况下,降低了译码时延,提高了译码效率。(4)设计了一种定长分区的PNND,可以实现对任意码长任意码率的极化码的译码,并且可以有效降低译码时延。本文中实现了所有子块都为16比特的定长分区的PNND,并给出了对码长为2048,码率为0.5的极化码译码的仿真结果。仿真结果显示,PNND在误码性能与SC译码算法十分接近的情况下,提高了译码效率。