[发明专利]一种极化码自适应译码方法及系统

说明书

本发明公开了一种极化码自适应译码方法及系统，属于无线通信领域。本发明的方法为先构建神经网络并进行训练，再将待译码路径信息输入至神经网络得到每层的最大路径数；而后将每层的最大路径数输入至译码器，再利用译码器对待译码路径信息进行译码得到译码结果。本发明的系统包括神经网络单元和译码单元，神经网络单元和译码单元电连接；译码单元包括路径扩展单元和排序单元，路径扩展单元和排序单元电连接，路径扩展单元与神经网络单元电连接。本发明的目的在于克服现有技术中，基于深度学习的译码算法训练复杂度较高，不适于长码应用的不足，本发明可以降低译码复杂度，且可以满足通信系统不同的信道环境及配置要求。

技术领域

本发明涉及无线通信领域，更具体地说，涉及一种极化码自适应译码方法及系统。

背景技术

迄今，信道编码已发展了70余年，提出的极化码，已被证明是第一个可实现对称二进制输入离散无记忆通道(binary-input,discrete,memoryless channels,B-DMC)信道容量的代码。在5G现场试验中，极化码取得了很大的性能提升效果，并被选为5G增强信道场景(enhanced mobile broadband,eMBB)控制信道的前向纠错(forward errorcorrection,FEC)代码。为了满足5G的低延迟和高速要求，研究者们已经做出了很多努力来设计具有高硬件效率的极化码译码器。目前，研究能够很好地平衡复杂度和性能的高效极化码译码器是十分迫切且有必要的。

作为极化码应用最广的译码器之一，连续消除(successive cancellation，SC)译码器在复杂度方面可显示出其优势，但受到逐位译码策略的限制，且不能实现令人满意的有限长度纠错性能。通过扩展每级中的更多路径，连续消除列表(successivecancellation list,SCL)和连续消除堆栈(successive cancellation stack,SCS)译码器被提出作为改进的SC译码器。SCL译码器可以被视为二叉树广度优先搜索算法的应用，SCS译码器可近似为深度优先搜索算法。仿真结果表明SCL和SCS译码器均可实现接近最大似然(maximum likelihood,ML)译码器的性能，并具有可接受的时间复杂度O(LNlogN)，其中L表示搜索宽度，N表示码长。

为了避免性能下降，SCL的搜索宽度L需要具有适中的大小。在这种情况下，SCL译码器的时间复杂度仍然略高。因此，搜索宽度自适应策略和剪枝策略被提出以降低计算复杂度。但这些策略大多由阈值控制，无法保证路径删除的合理性，因此较少有性能增益。

近年来，深度学习(deep learning,DL)因其强大的解决复杂任务的能力引起了全世界的关注。借助深度学习，许多领域实现了显著的性能提升，例如计算机视觉，游戏和生物信息学，深度学习同样也可以应用于极化码译码领域。传统基于深度学习的译码器通过学习大量码字来取得接近最佳的误码率(bit error ratio,BER)性能。但是，在训练和运行神经网络方面指数增长的复杂度阻碍了其在长码译码时的实际应用。因此，巨大的训练量和较高的运行复杂度是阻碍应用深度学习作为极化码译码辅助方案的两个主要障碍。

综上所述，通过观察译码算法不难发现，现有的SCL算法存在下述问题：1)传统的SCL/SCS译码算法搜索宽度L是固定的，不能根据译码场景而变化，复杂度较高；2)基于路径删除的SCL/SCS译码算法会带来一定性能损失；3)基于深度学习的SC译码算法训练复杂度较高，不适于长码应用。基于以上的分析可知，现有的极化码译码方法不足以很好地满足实际应用的需求。

发明内容

1.要解决的问题

本发明的目的在于克服现有技术中，基于深度学习的SC译码算法训练复杂度较高，不适于长码应用的不足，提供了一种极化码自适应译码方法，可以降低译码复杂度，且可以满足通信系统不同的信道环境及配置要求。

2.技术方案

为了解决上述问题，本发明所采用的技术方案如下：