[发明专利]一种极化码可靠性估计方法

说明书

本发明公开了一种极化码可靠性估计方法，涉及第五代通信技术中的信道编码和解码技术中的极化码。本发明考虑到机器学习模型具有强大的学习能力，构建合适的机器学习环境，通过机器学习训练出一种极化码可靠性估计的简化方法，可以简化极化码计算的计算量，并提高极化码可靠性估计的准确率。

技术领域

本发明属于现代数字通信技术领域，具体涉及一种极化码可靠性估计方法的设计。

背景技术

近年来，深度学习方法已经展现出来在各项工作中的重大改进。这些方法在一些任务中胜过人类对象检测，并在机器翻译和语音处理领域取得了最新的成果。此外，深度学习结合强化学习技巧才能够在阿尔法围棋(AlphaGo)等具有挑战性的游戏中击败人类冠军，其出色的成绩有三个不同的原因：

(1)强大的计算资源，如高速GPU。

(2)有效利用大量数据集，例如利用ImageNet进行图像处理。

(3)先进的学术研究方法和训练网络体系结构。

2008年，Erdal Arikan在国际信息论ISIT会议上首次提出了信道极化(ChannelPolarization)的概念；2009年在“IEEE Transaction on Information Theory”期刊上发表了一篇论文更加详细地阐述了信道极化，并基于信道极化给出了一种新的编码方式，名称为极化码(Polar Code)。极化码具有确定性的构造方法，并且是已知的唯一一种能够被严格证明“达到”信道容量的信道编码方法。

Polar Code是通过引入信道极化概念而构建的。信道极化分为两个阶段，分别是信道联合和信道分裂。通过信道的联合与分裂，各个子信道的对称容量将呈现两级分化的趋势：随着码长(也就是联合信道数)N的增加，一部分子信道的容量趋于1，而其余子信道的容量趋于0。

在极化码编码时，首先要区分出N个分裂信道的可靠程度，即哪些属于可靠信道，哪些属于不可靠信道。对各个极化信道的可靠性进行度量常用的有三种方法：巴氏参数(Bhattacharyya Parameter)法、密度进化(Density Evolution，DE)法和高斯近似(Gaussian Approximation，GA)法：

最初，极化码采用巴氏参数Z(W)来作为每个分裂信道的可靠性度量，Z(W)越大表示信道的可靠程度越低。当信道W是二元删除信道(Binary Erasure Channel，BEC)时，每个都可以采用递归的方式计算出来，复杂度为O(N logN)。然而，对于其他信道，如二进制输入对称信道(Binary-input Symmeric Channel，BSC)或者二进制输入加性高斯白噪声信道(Binary-input Additive White Gaussian Channel，BAWGNC)并不存在准确的能够计算的方法。

因此，Mori等人提出了一种采用密度进化方法跟踪每个子信道的概率密度函数(Probability Density Function，PDF)，从而估计每个子信道错误概率的方法。这种方法适用于所有类型的二进制输入离散无记忆信道(Binary-input Discrete MemorylessChannel，B-DMC)。

在大多数研究场景下，信道编码的传输信道模型均为BAWGNC信道。在BAWGNC信道下，可以将密度进化中的对数似然比(Likelihood Rate，LLR)的概率密度函数用一组方差为均值2倍的高斯分布来近似，从而简化成了对一维均值的计算，大大降低了计算量，这种对DE的简化计算即为高斯近似。

然而这些计算过程过于复杂，需要很好的数学功底，并且计算量较大，最大问题是DE/GA的缺点是计算复杂度高，它与码块长度成线性比例，因此具有不同参数的实际系统是不能接受的，如块长度和码率，它们甚至是不可行的用于低延迟的即时实现编码器/解码器。

发明内容