基于深度学习的极化码串行抵消译码优化算法
发布时间：2021-07-06 09:43
针对5G场景下极化码串行抵消译码算法低输出高延迟的问题,提出加快串行抵消译码过程中深度学习译码器整体译码速度的方案。该方案根据信道极化理论计算不同子信道的可靠性,通过调整参数的不同取值,剪掉译码树上均为固定位的叶子节点所在的子二叉树,从而减少深度学习译码器的数量,加快了整体的译码速度。仿真结果表明,所提出的方案不仅具有和原串行抵消算法相同的译码性能,而且降低了极化码串行抵消深度学习译码的时间复杂度。
【文章来源】：科学技术与工程. 2020,20(08)北大核心
【文章页数】：8 页
【部分图文】：
不同码长极化码在SC、BP、PNN、NSC、优化后
执行logN次克罗内克积(Kronecker product,所得结果为F?logN)与比特位翻转置换操作(按位翻转置换矩阵BN)后得到,图1展示了码长为8的极化码上述编码过程。若在二进制相移键控(binary phase shift keying, BPSK)和加性高斯白噪声(additive white gaussian noise,AWGN)信道下,则发送端对码字x进行BPSK调制后经AWGN信道传输得到一组软信息y,向量y=(1-2x)+z。其中,噪声向量z∈RN且z～N(0,σ2)。接收端利用这组软信息计算码字x中每一位的对数似然比率值(log likelihood ratio, LLR) LLR (y)= ln [ Ρ(x=0|y) Ρ(x=1|y) ]= 2 σ 2 y 进行译码。
串行抵消译码算法是极化码的原始译码算法。在该算法下,当码长取无限大时,极化码具有可达信道容量限的性能。该算法采用逐位译码的机制,前一位译码的结果参与到后一位的译码过程中。因此,若前一位译码错误,就会影响后续位的输出结果,而且该错误结果在后续位的译码过程中无法纠正。对于码长为N的极化码,SC的逐位译码过程可分为(logN+1)个阶段,如图2所示,最左边阶段N个节点对应信源向量估值 u ^ 0 Ν-1 。在(logN+1)个阶段中,软信息α={α0,α0,…,αN-1}和比特位硬判决估值β={β0,β0,…,βN-1}由节点传递给左孩子(图2中αl和βl)或右孩子节点(图2中αr和βr),最后可计算出信源向量的估值。译码时从最右边二叉树的根节点开始,首先以信道初始似然值作为原始信息,计算传递给左孩子节点的软信息。具体算法[13]如下。
本文编号：3268008
【文章来源】：科学技术与工程. 2020,20(08)北大核心
【文章页数】：8 页
【部分图文】：
不同码长极化码在SC、BP、PNN、NSC、优化后
执行logN次克罗内克积(Kronecker product,所得结果为F?logN)与比特位翻转置换操作(按位翻转置换矩阵BN)后得到,图1展示了码长为8的极化码上述编码过程。若在二进制相移键控(binary phase shift keying, BPSK)和加性高斯白噪声(additive white gaussian noise,AWGN)信道下,则发送端对码字x进行BPSK调制后经AWGN信道传输得到一组软信息y,向量y=(1-2x)+z。其中,噪声向量z∈RN且z～N(0,σ2)。接收端利用这组软信息计算码字x中每一位的对数似然比率值(log likelihood ratio, LLR) LLR (y)= ln [ Ρ(x=0|y) Ρ(x=1|y) ]= 2 σ 2 y 进行译码。
串行抵消译码算法是极化码的原始译码算法。在该算法下,当码长取无限大时,极化码具有可达信道容量限的性能。该算法采用逐位译码的机制,前一位译码的结果参与到后一位的译码过程中。因此,若前一位译码错误,就会影响后续位的输出结果,而且该错误结果在后续位的译码过程中无法纠正。对于码长为N的极化码,SC的逐位译码过程可分为(logN+1)个阶段,如图2所示,最左边阶段N个节点对应信源向量估值 u ^ 0 Ν-1 。在(logN+1)个阶段中,软信息α={α0,α0,…,αN-1}和比特位硬判决估值β={β0,β0,…,βN-1}由节点传递给左孩子(图2中αl和βl)或右孩子节点(图2中αr和βr),最后可计算出信源向量的估值。译码时从最右边二叉树的根节点开始,首先以信道初始似然值作为原始信息,计算传递给左孩子节点的软信息。具体算法[13]如下。
本文编号：3268008
本文链接：https://www.wllwen.com/kejilunwen/wltx/3268008.html
