[发明专利]一种基于神经网络的极化码译码方法及装置

权利要求书

1.一种基于神经网络的极化码译码方法，其特征在于，包括：

获取待译码的极化码，其中，所述极化码是对未编码序列进行极化编码得到的，所述未编码序列由K位的信息位和(N-K)位的冻结位组成，N＝2ⁿ，n为正整数，K为小于N的正整数；

将所述待译码的极化码输入神经网络模型，得到译码序列；

其中，所述神经网络模型是基于预设训练集进行训练得到的，所述预设训练集中包含样本极化码和样本未编码序列，所述样本极化码为对所述样本未编码序列进行极化编码得到的，所述样本未编码序列由K位的样本信息位和(N-K)位的样本冻结位组成。

2.根据权利要求1所述的方法，其特征在于，所述神经网络模型为全连接神经网络模型；

所述全连接神经网络模型包括一个输入层、一个输出层和预设数量个隐藏层；其中，所述输入层的神经元个数为N，所述输出层的神经元个数为K，每个神经元与前一层的所有神经元相连，对于一个I层的全连接神经网络，神经网络中第i层的输出向量表示为：

其中I是正整数，i∈{0，1，…，I-1}，o_i，j表示神经网络中第i层第j个神经元的输出，j∈{1，2，…，J_i}，J_i表示第i层神经元的数量；

采用如下步骤，基于所述预设训练集进行训练，得到所述神经网络模型：

将所述预设训练集中的所述样本极化码输入待训练的全连接神经网络模型，得到样本译码序列，其中，所述样本信息位为K位随机二进制码，所述样本冻结位均为0，所述样本译码序列为K位二进制码，所述K位二进制码的位数依次为{0，1，…，K-1}；

基于所述样本译码序列中的所述K位二进制码和所述样本未编码序列中的所述K位随机二进制码，计算所述全连接神经网络模型的损失函数；

所述全连接神经网络模型的损失函数为：

其中，d_k为所述样本未编码序列中所述信息位的第k位，是所述输出层第k个神经元的输出；

判断所述损失函数是否收敛；

如果收敛，将当前的所述待训练的全连接神经网络模型，确定为训练完成的所述神经网络模型；

如果未收敛，调整所述待训练的全连接神经网络模型中的参数，进行下一次训练，直到计算得到的损失函数收敛。