[发明专利]一种极化码译码参数的快速优化方法

说明书

本发明提供了一种极化码译码参数的快速优化方法，所述方法首先从收集、整理样本数据开始；然后以样本数据的特点及大小作为依据进行建模，并采用监督学习和随机梯度优化方法来训练网络；然后再将由接收信号计算得到的似然比输入到已完成训练的径向基函数神经网络模型中，输出M；最后将L初始化为M，执行串行抵消列表译码算法。该方法通过将径向基函数神经网络技术与极化码译码技术进行结合，避免了不必要的计算操作，从而极大降低了极化码的译码复杂度。

技术领域

本发明属于通信技术领域，特别涉及一种用径向基函数神经网络来优化串行抵消列表译码算法的极化码译码参数的方法。

背景技术

极化码是2008年由E.Arikan提出的一种新型信道编码。极化码是第一种能够通过严格的数学方法证明达到信道容量的构造性编码方案。在极化码被提出之初，串行抵消(SC)译码也随之被提出。SC译码能够被看作是在二叉树上的路径搜索过程。SC译码算法从码树根节点开始，逐层依次向叶子节点层进行搜索，每一层扩展后，从两条后继中选择较好的一条进行扩展。SC译码的特点主要有两方面，一方面是其复杂度低、译码结构简单；另一方面是其在理论上被证明在码长足够大时能够达到香农极限。但SC译码算法在码长为有限长的配置下，纠错性能不理想。为了提高性能，提出串行抵消列表(SCL)译码。SCL译码是SC译码的一种改进版本。与SC不同的是，SCL译码算法不再是从两条后继中选择较好的一条进行扩展，而是尽可能地保留不大于L条的后继路径，在下一层扩展时，所有这不多于L条的候选路径都会分别被扩展。当结束叶子节点层的扩展时，有至多L条候选路径被保留在列表中。由于SCL译码只有在较高的信噪比下，才能够实现最大似然译码性能，故循环冗余校验(CRC)被引入来提升极化码的译码性能，通过使用CRC来对这L条候选路径进行校验，最终输出一条能通过CRC的且最有可能的候选路径。CRC辅助的SCL有着比Turbo码与LDPC码更好的译码性能，但是随着L增大，译码复杂度也会增大。为了解决这一问题，自适应串行抵消列表(AD-SCL)译码算法通过自适应地控制L，避免对不必要的路径进行计算，大大的减少了译码复杂度。

但是，在较低的信噪比下，AD-SCL会频繁出现高译码复杂度情况。AD-SCL算法总是把L的初始值配置为1。若基于L＝1的AD-SCL译码失败，该译码会将L更新为2L并继续进行译码，直至L＝L_max，L_max是根据实际情况设定的最大列表大小。在低信噪比与L＝1的配置下，AD-SCL算法失败的概率高，因此需要频繁更新L值，增加了复杂度。如果在译码开始时，将L初始化为一个合适的值，尽可能地执行一次译码就能成功，那么，将能够显著地降低译码复杂度。

为了降低译码复杂度，在保证极化码译码性能的前提下通过寻找一个合适的L值来减少计算量，本发明专利提出了一种极化码译码参数的快速优化方法，通过构建并训练径向基函数神经网络来优化L值，以实现减少运算量的目标，最终降低译码复杂度。

发明内容

本发明提出了一种基于SCL译码算法的径向基函数神经网络辅助的参数优化方法，在保证译码性能不变的情况下，通过优化L值来降低译码复杂度，并把这一个优化的L值记为M。

在样本数据准备阶段，基于不同信噪比，执行50000次自适应串行抵消列表译码算法，将每一次译码成功时由接收信号计算得到的似然比和译码成功时对应的L记录下来，一次成功译码所记录的似然比与对应的L构成一组样本数据。随机选取10000组样本数据，从这10000组数据中随机选取75％组数据作为训练样本，并将余下的25％组数据作为测试样本。