论文部分内容阅读
极化码于2009年由Arian教授所提出。凭借基于信道极化现象的特殊编码方式,极化码成为了一种被理论证明可达香浓极限的信道编码方案,吸引了信道编码领域专家的关注。在专家们的不懈努力与探索下,极化码已经发展成为了一种性能优异、硬件实现复杂度低的优秀编码方案。目前,极化码已经被选为5G(5th-Generation)通信标准中增强型移动宽带场景的控制信道编码方案。本文主要对极化码的SC(Successive Cancellation)译码算法进行研究与优化。主要内容和创新成果包括:1.基于极化码的信道极化现象研究了极化码的信道可靠度估计方法与极化码的编码原理,同时对极化码SC译码算法与BP(Belief Propagation)译码算法进行详细的介绍。接着基于SC算法的缺点研究了SC算法的改进算法SCL(Successive Cancellation List),并分析了多种SCL的改进算法。最后,本文搭建了基于Matlab与Pycharm软件的联合仿真系统,对基于深度神经网络的极化码译码器的性能进行了研究,为后文提出基于神经网络的SC改进算法做铺垫。2.提出了一种基于CRC(Cyclic Redundancy Check)校验的简化自适应SCL译码算法SAD-SCL(Simplified Adaptive Successive Cancellation List)。SAD-SCL算法借鉴了SCAD-SCL(Segmented-CRC Adaptive SCL)的分段CRC校验思想,使用新的方法来降低AD-SCL(Adaptive Successive Cancellation List)算法的冗余计算。每一次更新L值重新译码之前,SAD-SCL先利用已有的对数释然比(Log-Likelihood Ratio,LLR)信息判断突发错误位的范围,然后仅对该范围的信息序列进行重新译码。并且,当SAD-SCL无法得到信息序列的前半段的正确译码值时,SAD-SCL采用计算量更小的SC译码完成信息序列的后半段的译码,其译码性能与使用AD-SCL算法进行后半段译码几乎相同。SAD-SCL算法在保证性能不损失的前提下,拥有比AD-SCL、SCAD-SCL更低的计算复杂度。3.提出了一种基于多合一神经网络的SSC译码算法MIO-NSSC(Multiple In One Neural Simple Successive Cancellation)。MIO-NSSC算法借鉴了NSC(Neural Successive Cancellation)算法中SC算法与深度神经网络结合的思路,利用SSC(Simplified Successive Cancellation)算法所提出的特殊节点的并行计算方法来进一步降低了NSC算法的译码延迟。同时,MIO-NSSC通过新的策略训练了一个适用性更强的深度神经网络MIO-NN(Multiple In One Neural Network)来代替NSC中的多个神经网络,大大降低了该译码算法的空间复杂度。经证明,当码长为128,码率为0.5时,本文提出的MIO-NSSC译码算法的延迟比NSC降低了约21%,且节省了约80%的节点数。