[发明专利]一种基于神经网络分类器的SCL简化译码方法

说明书

本发明公开一种基于神经网络分类器的SCL简化译码方法，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；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。本发明方法将机器学习分类器与传统信道译码算法相结合，充分利用了译码过程中可以收到的各种信息量，使得算法可以对关键比特更加精准的定位和判别，进而大大减少了所提简化SCL译码算法的路径分裂和剪枝操作，带来了计算、排序等复杂度的降低，且在L较大时具有较低的时钟周期，提高了算法硬件可实现性。

技术领域

本发明属于通信领域，具体涉及一种基于神经网络分类器的SCL简化译码方法。

背景技术

polar码，2009年由Ar₁kan提出的新型信道编码，是目前唯一能够在理论上证明达到信道容量的编码，且具有较为规则的编码结构。因此在2016年3GPP RAN1#87会议上，极化编码更是被选为了增强移动宽带场景下的编码方案，成为当下信道编码相关技术研究的前沿。相比于其他信道编码，polar码的研究历史较短，很多编译码算法还停留在理论层面。如基础的连续消除(Successive Cancellation，SC)译码算法，在有限码长下性能损失较大。而随后被提出的连续消除列表(Successive Cancellation List，SCL)译码算法，虽然性能有了显著提升，但是其译码复杂度也随之增加。故提出高性能、低复杂度的极化码译码算法对极化码研究和工程实现都具有较为重要的意义。

本领域内公知，相比于SC译码算法，SCL译码算法的计算复杂度主要来源于基于蝶形译码结构的f、g运算和路径分裂与剪枝操作。其中f、g运算的复杂度可以通过采用最小和以及应用特殊节点整体译码来降低。而对于路径分裂与剪枝操作的优化往往由于利用接收信息不充分，而未能带来较大的计算复杂度降低。

发明内容

本发明的主要目的是提供一种基于神经网络分类器的SCL简化译码方法，通过神经网络训练分类器，对特殊节点或信息比特进一步分类，更加精准的对由信道造成的错误比特进行筛选，进而减少SCL译码算法路径扩展和剪枝的次数。本发明方法适用于在已知信道估计后的极化码译码。

本发明的一种基于神经网络分类器的SCL简化译码方法，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下进行大量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(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(此处以N_def＝20)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、非线性函数等参数。

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节点和重复(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。