[发明专利]一种多层神经网络辅助的罚对偶分解信道译码方法

说明书

本发明提供了一种多层神经网络辅助的罚对偶分解信道译码方法，主要面向二进制线性码。该方法包括如下步骤：(1)基于信道译码构建最大似然优化问题；(2)通过将基本多面体的概念引入约束，将信道译码最大似然优化问题转化为基于奇偶校验多面体的译码优化问题；(3)引入解罚对偶分解法求解该译码优化问题，得到罚对偶分解信道译码器；(4)设计基于多层神经网络的校验多面体映射，通过训练获得学习参数，将基于多层神经网络的校验多面体映射引入罚对偶分解信道译码器，得到多层神经网络辅助的罚对偶分解信道译码器。本发明借助机器学习的力量进一步提升译码性能并且降低了译码延迟。

技术领域

本发明属于无线通信信道编译码领域，涉及一种多层神经网络辅助的罚对偶分解信道译码方法。

背景技术

信道译码是将接收到的符号消息如何进行判决的问题。在一般的信息传输系统中，信宿收到的消息不一定与信源发出的消息相同，而信宿需要知道此时信源发出的是哪一个信源消息，故需要把信宿收到的消息根据某种规则判决为对应于信源符号消息集合中的某一个。线性规划(LP)译码器是基于原始最大似然译码问题的线性松弛，是二进制线性码的一种流行的译码技术。由于线性规划译码器在理论上对译码性能有很强的保证，因此受到了学术界和工业界的广泛关注，特别是对低密度奇偶校验(LDPC)码的译码。然而，与经典的置信传播(BP)译码器相比，LP译码器在低信噪比(SNR)区域具有较高的计算复杂度和较低的纠错性能。

另外，由于深度学习方法已经成功应用于其他很多领域，比如说图像处理，自然语言处理等，它作为一种有潜力的技术也开始应用于无线通信领域中，比如信号检测，信道估计，信道编码等。

发明内容

本发明的目的是信道译码过程中，为了提高译码性能，提出了一种多层神经网络辅助的罚对偶分解信道译码方法。本发明首先提出运用罚对偶分解方法求解最大似然信道译码问题，进一步提升译码性能。同时在该方法中的迭代多面体映射中引入神经网络减少迭代次数以减少译码延迟。

为达到上述目的，本发明采用了如下的技术方案：

一种多层神经网络辅助的罚对偶分解信道译码方法，包括：

1.基于信道译码构建最大似然译码问题，包括目标函数和奇偶校验约束条件；

2.将基本多面体引入步骤1中的奇偶校验约束条件，将最大似然译码问题转化为基于奇偶校验多面体的译码优化问题；

3.引入辅助变量，采用罚对偶分解法将步骤1所述的基于奇偶校验多面体的译码优化问题转化为其等价形式；在罚对偶分解法的内循环引入块连续上界最小化算法BSUM，得到罚对偶分解信道译码器，所述罚对偶分解信道译码器中带有校验多面体映射；

4.建立多层神经网络，与步骤3所述的校验多面体映射相结合，通过步骤3得到的解罚对偶分解信道译码器获取训练数据，经过训练得到基于多层神经网络的校验多面体映射；将基于多层神经网络的校验多面体映射引入步骤3得到的罚对偶分解信道译码器，得到多层神经网络辅助的罚对偶分解信道译码器；

5.采用步骤4得到的多层神经网络辅助的罚对偶分解信道译码器进行在线实时信道译码。

进一步的，步骤3得到的罚对偶分解信道译码器中带有校验多面体映射，校验多面体映射运算是最耗费时间的部分，迭代校验多面体映射由于包含迭代所以引起译码延迟。本发明所提出的基于多层神经网络的多面体映射通过减少迭代次数减少译码延迟。

所述多层神经网络由三层组成：输入层、输出层和隐层；所述输入层包含d_j个神经元，隐层包含个神经元，输出层包含1个神经元，隐层和输出层后都跟着一个激活函数，其定义为：

定义y^h表示隐藏层的输出，为网络输出的差异系数的估计，则多层神经网络的结构表示为：