[发明专利]一种基于深度学习的极化码翻转译码方法及系统

权利要求书

1.一种基于深度学习的极化码翻转译码方法，其特征在于，先构建神经网络单元并进行训练，再将译码单元输出的软信息输入至训练好的神经网络单元中得到可能的译码错误位置；而后将可能的译码错误位置反馈至译码单元，译码单元将译码错误位置的译码结果进行翻转，根据翻转位的信息重新开始译码，直至得到译码结果。

2.根据权利要求1所述的一种基于深度学习的极化码翻转译码方法，其特征在于，包括以下步骤：

步骤一、构建神经网络单元

构建一个神经网络单元并进行训练，所述神经网络单元包括输入层、隐藏层和输出层；

步骤二、译码单元初始化

将译码过程中所需的两类对数似然比信息和进行初始化，其中i表示译码单元的第i阶，j表示第j个结点，i∈(1，...，n+1)，i∈(1，...，N)，n＝log₂N，N表示码长，t表示译码单元迭代次数；

步骤三、译码

译码单元执行译码操作，对数似然比信息在迭代过程中不断更新，直至达到最大迭代次数，译码结束，将译码后的软信息传递给译码单元中的校验单元进行校验，若无法通过校验则激活神经网络单元预测可能出错的比特位置；

步骤四、预测

将译码后的软信息LLRi输入至神经网络单元得到可能出错的比特位置Zi，再将可能出错的比特位置Zi输入至译码单元；其中，i∈(1，...，Q)，Q为出错比特位置集合的最大数目；

步骤五、翻转译码

根据可能出错的比特位置Zi，译码单元中的翻转单元依次将Zi对应的R值翻转为正无穷或负无穷，继续进行译码，直到通过校验，若将Z对应的比特翻转完毕仍未通过校验，则重复步骤四及步骤五，直到达到最大翻转位数w。

3.根据权利要求2所述的一种基于深度学习的极化码翻转译码方法，其特征在于，步骤二中译码单元初始化公式如下：

其余的软信息置为0。

4.根据权利要求2所述的一种基于深度学习的极化码翻转译码方法，其特征在于，步骤三中对数似然比信息和的更新公式如下所示：

其中g执行的是box-plus运算，公式如下所示：

5.根据权利要求2所述的一种基于深度学习的极化码翻转译码方法，其特征在于，步骤四中可能出错的比特位置Zi根据以下公式计算：

其中，W_ij为权重，b_j为偏置，x_j为每层对应的输入值。

6.根据权利要求3或4或5所述的一种基于深度学习的极化码翻转译码方法，其特征在于，神经网络单元输入层的结点数等于信息位长度K，输入向量为译码后的软信息LLRi，隐藏层结点数为2*N，N为码长，输出层结点数为K。

7.根据权利要求6所述的一种基于深度学习的极化码翻转译码方法，其特征在于，利用TensorFlow平台对神经网络进行训练，其中，最大迭代次数Tepoch为100。

8.一种基于深度学习的极化码翻转译码系统，使用任一如权利要求1-7所述的一种基于深度学习的极化码翻转译码方法，其特征在于，系统包括神经网络单元和译码单元，所述神经网络单元和译码单元连接；神经网络单元用于计算可能出错的比特位置，译码单元用于对待输入译码路径信息进行译码及执行比特翻转操作。

9.根据权利要求8所述的一种基于深度学习的极化码翻转译码系统，其特征在于，所述译码单元包括置信传播单元、校验单元和翻转单元；置信传播单元连接校验单元和翻转单元，神经网络单元数据发送给译码单元中的翻转单元，数据通过翻转单元处理后传输至置信传播单元，置信传播单元将数据发送至校验单元校验，数据通过置信传播单元发送至神经网络单元。

10.根据权利要求9所述的一种基于深度学习的极化码翻转译码系统，其特征在于，所述神经网络单元包括输入层、隐藏层和输出层。