[发明专利]一种深度学习辅助的Polar码共享权重残差BP译码方法

说明书

本发明公开了一种深度学习辅助的Polar码共享权重残差BP译码方法，包括步骤如下：将BP网络因子图展开后，BP网络中每层节点在所有迭代期间共享两个可训练的权重l_i和权重r_i，其中，权重l_i表示从右到左更新软信息时每层节点共享的可训练权重，r_i表示从左到右更新软信息时每层节点共享的可训练权重；每条残差边在不同迭代期间共享一个残差系数β；在为每层节点分配好权重后，除首次迭代之外，每次迭代更新所得的软信息为本次迭代更新所得的软信息的(1‑β)部分与上次迭代所得的软信息的β部分之和；迭代结束后，得到译码结果。本发明采用权重共享方式，在不损失译码性能的基础上，大幅减少了需要训练的参数量，减少了训练成本和实际应用时的额外存储开销。

技术领域

本发明涉及信道编码技术领域，更具体的，涉及一种深度学习辅助的Polar码共享权重残差BP译码方法。

背景技术

极化码译码的两种主要算法分别是连续抵消(SC)和置信传播(BP)。SC译码算法由Arikan在2009年提出，SC译码可以通过增强的SC算法，如SC list(SCL)和SC flip(SCF)等SC算法，实现很低的误块率(BLER)。然而SC由于其固有的顺序处理特性，具有高延迟和低吞吐量。BP算法由R.G.Gallager在1962年提出，该算法的Tanner图表示由R.M.Tanner在1981年提出。BP译码是基于因子图左右两侧的校验节点和变量节点之间的消息传递。BP算法可以并行化，具有更低的译码延迟和更好的吞吐量。

传统的BP译码迭代过程中进行了大量乘法和加法运算，复杂度高且不便于硬件实现。Fossorier等人提出最小和(MS)译码算法，迭代过程中通过取对数近似值来降低译码系统的复杂度和功耗。但这种近似会导致误码率性能下降，在此基础上，B.Yuan等人提出了收缩最小和(SMS)译码算法，通过设置比例因子s＝0.9375时，与经典BP算法相比，可以提高2.2dB的误码性能。近年来，把深度学习与译码结合的研究是个热门问题。许多研究通过在BP算法基础上加入可训练权重来提高译码性能。

对于NBP(Nerual Belief Propagation)算法，通过将BP算法的迭代结构展开成层状的网络结构，并对每层网络的每个节点分配可训练的权重，来抵消LLR传递过程中最小和算法带来的损失，权重通过深度学习训练得到，训练完后能重复使用。NBP算法于2017年提出，该算法通过引入大量额外的存储，来提高BP译码性能，大幅减少了BP迭代收敛所需的迭代次数。

对于ResNet-like BP(ResNet-like Belief Propagation)算法，于2021年被提出，该算法提出了一个类似ResNet的BP结构来改进传统的极化码BP译码，每次迭代都选择上一次迭代的部分信息作为附加输入，并将其输出传递给下一次迭代。ResNet-like BP通过深度学习来确定类似ResNet结构残差边的残差系数，通过灵活地分配残差系数，提出所有残差边共享一个恒定的残差系数与为每个残差边单独分配残差系数具有相同的性能水平。数值和仿真结果表明，与传统的极化码BP译码算法相比，ResNet-like BP能有效地提高纠错性能，并加快迭代收敛速度。

现存的NBP译码算法虽然相比传统BP算法提高了误码性能，加快了迭代收敛速度，但引入了大量额外存储，提高了计算复杂度。ResNet-like BP通过引入残差边和可训练的残差系数，虽然也加快了收敛，但误码性能提升不尽人意。简单的把NBP和ResNet-like BP结合起来对误码性能提升不明显，且对额外存储需求和计算复杂度过高。这两个算法具体存在下面几个问题：

第一个问题是：NBP译码算法把BP译码结构展开成一层层的网络结构，展开得到的网络层数随BP迭代次数增加。网络层数少时，增加网络层数可以有效提升网络性能，但当网络层数大到一定程度后，继续增加网络层数不再提升网络性能，甚至可能出现性能退化。这种网络退化现象导致现存的NBP算法在迭代次数很小时，性能就已经达到饱和，无法通过增加迭代次数提升性能。