[发明专利]基于深度学习的极化码译码算法

说明书

本发明公开了一种基于深度学习的极化码译码算法，提出了多维度缩放Min‑sum置信度传播(Beliefpropagation)译码算法，用以加快译码算法收敛速度；然后根据BP算法的因子图与深度神经网络的相似性，实现了基于深度神经网络的极化码译码器，利用深度学习技术训练深度神经网络译码器，相比原始BP译码算法减少了近90％的译码迭代次数，同时取得了更好的译码性能；最后本发明给出了深度神经网络极化码译码器基本运算模块的硬件实现，并且利用硬件折叠技术减少了50％的硬件消耗。

技术领域

本发明属于深度神经网络和极化码译码领域，尤其涉及一种基于深度学习的极化码译码算法。

背景技术

极化码(Polar code)是由ErdalArikan在2009年一篇论文“Channelpolarization：A method for constructing capacity-achieving codes for symmetricbinary-input memoryless channels”中提出的一种可以趋于香农极限的编码方式。信道极化现象是指当信道数量趋于无穷大时，一部分信道趋于完美，而一部分信道趋于纯噪声信道。基于此信道极化现象，选取组合信道中比较好的信道，构造极化码。极化码是第五代(5G)移动通信系统中十分重要的技术之一。

最常见的两种极化码译码算法是连续消除(SC)算法和置信度传播(BP)算法。其中，SC译码计算复杂度低，并且有良好的纠错性能，但是由于SC算法的串行运算结构，它存在较长的译码延迟。

和SC译码相比，BP译码，由于其并行结构，在长码情况下译码延迟远小于SC译码；但是由于BP译码需要进行多次迭代处理，因此BP译码的计算复杂度很高，而且译码性能与SC有一定差距。为了降低计算复杂度，早停止算法和Min-sum算法被引入BP译码，但是并没有加速BP译码的收敛。人们还引入了深度学习(Deeplearning)技术以及深度神经网络(DNN)来取得更好的译码性能，但是神经网络复杂度随着码长呈指数级增长。因此如何在复杂度和译码性能上取得较好的折衷是基于深度学习的BP译码算法研究的重点之一。

发明内容

发明目的：针对以上问题，本发明提出一种基于深度学习的极化码译码算法，克服现有极化码BP译码算法在低信噪比下收敛速度慢的问题，利用深度学习技术达到用较少的迭代次数取得更优译码性能的目标，降低译码复杂度和译码延时。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于深度学习的极化码译码算法，具体包括以下步骤：

(1)基于缩放Min-sum的BP算法，提出改进的多维缩放Min-sum的BP算法；

(2)根据极化码BP译码因子图与神经网络结构的相似性，展开极化码BP译码因子图构成深度神经网络译码器；

(3)生成全零码字，经过AWGN信道传输后，利用深度学习技术中的后向传播和Mini-batch随机梯度下降算法训练深度神经网络译码器；

(4)基于原始BP译码器给出改进型BP译码器的硬件架构，利用硬件折叠技术减少硬件消耗。

步骤(1)中，多维缩放Min-sum的BP算法为：

其中，和分别表示第t次迭代中位于BP因子图第i列第j行对数似然比特性信息，和为对应向左传播和向右传播的缩放系数，g(x,y)＝sign(x)·sign(y)·min(|x|,|y|)。

步骤(2)中，利用深度神经网络与BP因子图的相似性，展开极化码因子图，选择固定迭代次数，最后输出使用Sigmoid激活函数，构成深度神经网络极化码译码器。