[发明专利]一种基于神经网络的极化码译码方法及装置

说明书

本发明实施例提供了一种基于神经网络的极化码译码方法及装置，包括：获取待译码的极化码，其中，极化码是对未编码序列进行极化编码得到的，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；将待译码的极化码输入神经网络模型，得到译码序列；其中，神经网络模型是基于预设训练集进行训练得到的，预设训练集中包含样本极化码和样本未编码序列。应用本发明实施例提供的技术方案，神经网络模型在训练完成后，样本极化码的译码序列和样本未编码序列之间的误差已经被调整到可接受范围内，可以降低极化码译码的误码率；另外，利用神经网络模型可以并行译码，减少了极化码译码的延迟时间。

技术领域

本发明涉及通信技术领域，特别是涉及一种基于神经网络的极化码译码方法及装置。

背景技术

在通信技术领域中，极化码是一次新的突破，当码长无限长时，在SC(SuccessiveCancellation，串行抵消)译码算法下可以达到二进制输入BMCs(Binary-input DiscreteMemoryless Channel，离散无记忆信道)的信道容量。当码长有限长时，通过CRC(CyclicRedundancy Check，循环冗余校验码)辅助的SCL(Successive Cancellation List，串行抵消列表)译码可以达到比turbo码和LDPC(Low Density Parity Check，低密度奇偶校验码)码更好的性能。已有的极化码译码算法包括基于SC的算法和基于BP(Belief Propagation，置信传播)的算法两类，其中基于SC的算法串行译码的特性限制了它的吞吐率，具有较高的译码延迟。基于BP的算法虽然可以并行译码，但BP译码的复杂度高，并且译码性能与基于SC的算法有一定的差距。

发明内容

有鉴于此，本发明实施例的目的在于提供一种基于神经网络的极化码译码方法及装置，相对于现有的极化码译码方法，可以降低极化码译码的延迟时间和误码率。具体技术方案如下：

第一方面，本发明实施例提供了一种基于神经网络的极化码译码方法，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。

可选的，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}；