[发明专利]一种基于神经网络分类器的SCL简化译码方法

权利要求书

1.一种基于神经网络分类器的SCL简化译码方法，其特征在于，步骤如下：

步骤一、在进行译码前需要先进行神经网络分类器的训练，具体为：

首先，利用码长N，码率R，M比特CRC校验的极化码，在误帧率为10^-4的E_b/N₀下进行SC译码算法的仿真，从中选出N_pos个在SC译码过程种第一个译码错误的信息比特，即为关键比特和N_neg个非关键比特，记录下这些比特的信道输入端对数似然比LLR_x、译码输出端对数似然比LLR_u、比特在极化码码字中的绝对位置Pos，作为分类器的输入特征，是否为关键比特作为输出特征，即有监督训练中的数据标签；

然后，利用收集到的训练数据，对一个由3个输入节点，N_def个中间层节点，1个输出节点的全连接神经网络构成的分类器进行训练和测试，记录下全连接神经网络各边系数、偏移量、非线性函数；

步骤二、在完成分类器训练后，将分类器用于路径分裂筛选策略，具体为：

首先，对极化码码字划分特殊节点，包括0节点，1节点和Rep节点；

然后，进行SCL译码并在译码到这些特殊节点时，利用译码过程中得到的输入端对数似然比LLR_x、译码输出端对数似然比LLR_u和该节点在极化码码字中的绝对位置Pos计算神经网络分类器输出；

最后，根据神经网络分类器输出和通过蒙特卡洛算法仿真优化后的阈值对节点是否为关键节点进行判决，对于关键节点进行路径分裂和剪枝操作，对于非关键节点直接进行硬判决译码；关键节点为只有信道噪声造成的错误节点；其中，

利用神经网络分类器对候选关键比特进行判决；对于来自1节点的候选关键比特，取出该1节点第一个信息比特的绝对位置Pos，节点输入端对数似然比绝对值LLR_u，和信道输入端第Pos个比特的对数似然比绝对值LLR_x组成特征向量X＝[Pos,LLR_u,LLR_x]，利用统计所得各特征最大最小值进行归一化后送入神经网络分类器，计算输出值；对于来自Rep节点的候选关键比特，取出候选关键比特的绝对位置，节点输入端对数似然比和的绝对值和信道输入端对数似然比绝对值组成特征向量，利用统计所得各特征最大最小值进行归一化后送入神经网络分类器，计算输出值；若输出值大于门限θ_th则认为该候选关键比特为关键比特，所在节点为关键节点，其中门限θ_th通过蒙特卡洛仿真进行优化，使得算法达到性能和复杂度间的平衡。