[发明专利]一种基于分段线性惩罚函数的交替方向乘子法的深度学习信道译码方法

说明书

本发明提供了一种基于分段线性惩罚函数的交替方向乘子法的深度学习信道译码方法，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)转化约束条件，设计一个可调节的惩罚函数并将其引入目标函数，将信道译码最大似然优化问题转化为带分段线性惩罚函数的译码优化问题；3)引入交替方向乘子法解上述优化问题，得到交替方向乘子法信道译码器；4)根据交替方向乘子法的迭代形式构造深度学习网络LADN‑P；5)通过训练获得学习参数；6)将深度学习网络重新恢复成信道译码器，加载学习参数，进行译码。本发明设计了可调节的分段线性惩罚函数，借助深度学习的力量，进一步提升译码性能。

技术领域

本发明属于无线通信信道编译码领域，设计一种基于分段线性惩罚函数的交替方向乘子法的深度学习信道译码方法。

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。为了克服上述缺点，最近人们采用交替方向乘子法来解决LP译码问题。

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。将已有的迭代算法展开是当下比较有效的构建深度网络的一种方法，此方法能同时运用大量数据以及问题本身所包含的机制。

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，提出了一种基于分段线性惩罚函数的交替方向乘子法的深度学习信道译码方法。将交替方向乘子法的迭代过程展开成网络，将所包含的惩罚参数以及分段线性惩罚函数中的系数转化成需要学习的网络参数。一旦完成训练，网络参数被固定下来用于在线实时信道译码。本发明借助深度学习的力量，寻找带分段线性惩罚函数的交替方向乘子信道译码器中最佳参数，能够进一步提升译码性能，且维持原来的。

为达到上述目的，本发明采用了如下的技术方案：

该方法具体包括以下步骤：

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)将最大似然译码问题中的奇偶校验约束条件转化为级联形式，并将离散约束转化为连续约束；设计一个包含可调节参数的分段线性惩罚函数，并将所述的分段线性惩罚函数引入步骤1)所述的最大似然译码问题的目标函数中，得到带分段线性惩罚函数的译码优化问题；

3)引入交替方向乘子法，根据分段线性惩罚函数的具体形式得到交替方向乘子法的迭代形式，进一步得到带分段线性惩罚函数的交替方向乘子法信道译码器；

4)根据交替方向乘子法的迭代形式构造深度学习网络，并将惩罚系数以及包含在分段线性惩罚函数中的系数转化为学习参数；

5)根据已知的训练数据对深度学习网络进行线下训练，得到训练好的学习参数；

6)在带分段线性惩罚函数的交替方向乘子法信道译码器中固定训练好的学习参数，进行在线实时信道译码。

进一步的，所述的步骤1)具体为：

考虑一个长度为N的二进制线性码每个码字由M×N奇偶校验矩阵H指定，表示发送码字，y表示接收信号；基于信道译码构建最大似然译码问题，表示为下式(1)所述的形式：