CN115694515A

CN115694515A - 基于关键比特的神经网络辅助极化码译码方法及装置

Info

Publication number: CN115694515A
Application number: CN202211259965.3A
Authority: CN
Inventors: 刘恒燕; 闫文君; 张立民; 凌青
Original assignee: Naval Aeronautical University
Current assignee: Naval Aeronautical University
Priority date: 2022-10-14
Filing date: 2022-10-14
Publication date: 2023-02-03

Abstract

本发明提出一种基于关键比特的神经网络辅助极化码译码方法及装置，其中方法包括获取不同参数下极化码软判决序列的集合；将集合中的极化码按照改进二分子码划分方法划分为KSNNN子码和传统子码结合的形式，其中传统子码包括R‑1码、R‑0码、SPC码、Rep码；利用神经网络对KSNNN子码训练译码模型；获取已确定参数的极化码软判决序列，按照改进二分子码划分方法确定极化码软判决序列的子码类型，在待识别极化码为KSNNN时调用译码模型进行译码，在待识别极化码为传统子码时直接进行最大似然译码。通过本发明提出的基于关键比特的神经网络辅助极化码译码方法，在降低译码误比特率的同时降低了译码复杂度。

Description

基于关键比特的神经网络辅助极化码译码方法及装置

技术领域

本发明属于无线通信领域。

背景技术

作为目前唯一已证明可达到香农极限的信道编码，极化码对5G通信及未来6G通信来说至关重要。为了减少通信过程中的干扰，使***具有自动检查或纠错能力从而提高数据传输可靠性，信道编码技术被广泛应用于各类无线通信***中。目前常用的编码技术包括RS(Reed-Solomon)码、低密度校验(LDPC,low density parity check)码、Turbo码、BCH(Bose-Chaudhuri-Hocquenghem)码、卷积码及极化码，其中，极化码已被严格证明在码长趋于无穷长时能够在二进制离散无记忆信道(B-DMC,binary discrete memorylesschannel)和二进制擦除信道(BEC,Binary Erasure Channel)下达到香农极限，并因为其卓越的短码性能，在2016年3GPP RAN1#87会议上成为5G增强型移动宽带(eMBB,enhancedmobile broadband)场景的控制信道入选编码方案，提升其译码性能具有重要的研究价值。

在无线通信领域，极化码的译码问题受到了国内外的广泛关注。从传统的置信传播算法(BP,belief propagation)、串行抵消(SC,successive-cancellation)算法，到为了降低译码复杂度的早期停止BP算法、低复杂度BP算法，及快速SC译码方案，再到提升译码性能的串行抵消列表(SCL,Successive Cancellation List)、串行抵消堆栈、CRC辅助的译码算法等。这些传统算法的改进只能做到降低译码复杂度或者提升译码性能，无法兼顾通信质量提升及时延降低的需求。

目前极化码传统译码算法发展已遇到理论瓶颈，且算法的改进无法同时做到兼顾复杂度降低与译码精度的提升，使用神经网络算法作为极化码译码器由于复杂度限制不能直接应用于长码，考虑深度学习与传统算法的结合多在与BP算法上，对于使用深度学习对极化码最经典的SC译码算法的改进较少，多集中于降低复杂度上，如何使用深度学习对SC算法进行改进，实现在降低极化码译码复杂度的同时提升译码精度是本申请要解决的问题。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的目的在于提出一种基于关键比特的神经网络辅助极化码译码方法，用于在降低极化码译码复杂度的同时提升译码精度。

为达上述目的，本发明第一方面实施例提出了一种基于关键比特的神经网络辅助极化码译码方法，包括：

获取不同参数下极化码软判决序列的集合；

将所述集合中的极化码按照改进二分子码划分方法划分为KSNNN子码和传统子码结合的形式，其中所述传统子码包括R-1码、R-0码、SPC码、Rep码；

利用神经网络对所述KSNNN子码训练译码模型；

获取已确定参数的极化码软判决序列，按照所述改进二分子码划分方法确定所述极化码软判决序列的子码类型，在所述待识别极化码为KSNNN时调用所述译码模型进行译码，在所述待识别极化码为传统子码时直接进行最大似然译码。

另外，根据本发明上述实施例的一种基于关键比特的神经网络辅助极化码译码方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述改进二分子码划分方法，包括：

定义待识别极化码序列长度为N，Pos为第一个信息比特出现的位置；

对所述待识别极化码进行识别，在判断Pos在所述待识别极化码中且N小于32时，则所述待识别极化码为KSNNN；

调用所述译码模型进行译码。

进一步地，在本发明的一个实施例中，所述在对所述待识别极化码进行识别之后，还包括：

在判断Pos不在所述待识别极化码中时，判断所述待识别极化码是否为R-1码、R-0码、SPC码及Rep码中的一个；

在所述待识别极化码为R-1码、R-0码、SPC码及Rep码中的一个时，划分为对应子码；

直接进行最大似然译码。

进一步地，在本发明的一个实施例中，还包括：

在所述待识别极化码不为R-1码、R-0码、SPC码及Rep码中的一个时；继续对所述待识别极化码序列的前半部分与后半部分进行识别。

进一步地，在本发明的一个实施例中，所述神经网络结构由调制层、噪声层与译码层构成，所述调制层与所述噪声层均为采用tensorfow2生成的自定义函数层。

为达上述目的，本发明第二方面实施例提出了一种基于关键比特的神经网络辅助极化码译码装置，包括以下模块：

获取模块，用于获取不同参数下极化码软判决序列的集合；

划分模块，用于将所述集合中的极化码按照改进二分子码划分方法划分为KSNNN子码和传统子码结合的形式，其中所述传统子码包括R-1码、R-0码、SPC码、Rep码；

训练模块，用于利用神经网络对所述KSNNN子码训练译码模型；

译码模块，用于获取已确定参数的极化码软判决序列，按照所述改进二分子码划分方法确定所述极化码软判决序列的子码类型，在所述待识别极化码为KSNNN时调用所述译码模型进行译码，在所述待识别极化码为传统子码时直接进行最大似然译码

进一步地，在本发明的一个实施例中，所述划分模块，还用于：

调用所述译码模型进行译码；

直接进行最大似然译码；

为达上述目的，本发明第三方面实施例提出了一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上所述的一种基于关键比特的神经网络辅助极化码译码方法。

为达上述目的，本发明第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的一种基于关键比特的神经网络辅助极化码译码方法。

本发明实施例提出的基于关键比特的神经网络辅助极化码译码方法，将极化码长码按照子码划分方案分为KSNNN、R-1码、R-0码、SPC码及Rep码的组合，然后利用神经网络根据不同的KSNNN形式训练KSNNN模型，最终在译码阶段调用这些模型，并进行快速译码。由于训练过程与模型保存过程可以提前离线完成，因此大大节约了计算耗时。仿真结果验证了译码方案的有效性，对比SCD本译码方案在降低译码误比特率的同时降低了译码复杂度。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例所提供的一种基于关键比特的神经网络辅助极化码译码方法流程示意图。

图2为本发明实施例所提供的一种基于关键比特的神经网络辅助极化码译码***模型示意图。

图3为本发明实施例所提供的一种用于识别KSNNN的改进子码划分算法流程图。

图4为本发明实施例所提供的一种基于KSNNN与传统子码结合的译码过程示意图。

图5为本发明实施例所提供的一种KSNNN训练示意图。

图6为本发明实施例所提供的一种NNN译码性能示意图。

图7为本发明实施例所提供的一种一种基于关键比特的神经网络辅助极化码译码方法的技术路线示意图。

图8为本发明实施例所提供的一种不同码率算法性能示意图。

图9为本发明实施例所提供的一种不同码长的译码性能示意图。

图10为本发明实施例所提供的一种不同算法对比示意图。

图11为本发明实施例所提供的一种瑞利衰落信道下的译码结果示意图。

图12为本发明实施例所提供的一种基于关键比特的神经网络辅助极化码译码装置流程示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参考附图描述本发明实施例的基于关键比特的神经网络辅助极化码译码方法。

实施例1

图1为本发明实施例所提供的一种基于关键比特的神经网络辅助极化码译码方法的流程示意图。

如图1所示，该基于关键比特的神经网络辅助极化码译码方法包括以下步骤：

S101：获取不同参数下极化码软判决序列的集合；

极化码最经典的译码算法为SC译码算法，该算法严格执行极化码的递归结构，但是容易造成错误传播，因此性能不够理想。而第一个错误大概率发生在第一个信息比特位置，因此将该位置定义为关键比特。

如图1所示，设极化码码长为N，信息比特长度为K，则待编码序列

经过极化码编码后得到序列

经过BPSK调制及AWGN信道后得到信号

最后经过译码后得到

如图2所示，本发明所提译码方案利用软判决信息，解调过程在子码识别前完成，在框图中并未单独展示。

S102：将所述集合中的极化码按照改进二分子码划分方法划分为KSNNN子码和传统子码结合的形式，其中所述传统子码包括R-1码、R-0码、SPC码、Rep码；

极化码的第一个错误大概率出现在第一个信息比特位置，最简单的想法是将极化码第一个信息比特出现的位置选为神经网络子码的第一个位置，假设该位置为Pos，子码码长为N_S，则子码最后一位在原极化码中的位置为Pos+N_S，但是Pos不是每次都恰好作为KSNNN的第一个位置，可能为中间位置。下面则需考虑如何将原始极化码划分为神经网络子码与其余四种传统子码结合的形式。考虑到复杂度问题，实际需要得到的极化码子码长度N_S≤16，如果直接采用二分法划分子码的方式，则对于长为N的极化码来说，NNN的长度N_S可能的范围为2～N显然不符合算法要求，因此需要设置额外的条件对子码码长进行限制，算法流程图如图3所示。

进一步地，在本发明的一个实施例中，改进二分子码划分方法，包括：

对待识别极化码进行识别，在判断Pos在待识别极化码中且N小于32时，则所述待识别极化码为KSNNN；

调用所述译码模型进行译码。

进一步地，在本发明的一个实施例中，在对待识别极化码进行识别之后，还包括：

在判断Pos不在待识别极化码中时，判断待识别极化码是否为R-1码、R-0码、SPC码及Rep码中的一个；

在待识别极化码为R-1码、R-0码、SPC码及Rep码中的一个时，划分为对应子码；

直接进行最大似然译码。

进一步地，在本发明的一个实施例中，还包括：

在待识别极化码不为R-1码、R-0码、SPC码及Rep码中的一个时；继续对待识别极化码序列的前半部分与后半部分进行识别。

具体的，如图3所示，初始输入的N为待译码码长，也是D和I的初始输入长度，输入框中比特位置向量D中的1表示该位置为信息比特，0表示该位置为冻结比特，标签向量I的初始内容为0～N-1，代表的是当前处理序列的位置，其第一个元素I[0]代表当前码的起始位置。N_Z表示末位子码的起始位置，在总码长与NNN的长度确定时就已经固定，NNN长度为N_S时，N_Z＝N-N_S，在计算过程中保持不变。在流程图计算过程中N、D、I不断变化，D(0:N/2)代表D的前半部分序列，D(N/2:N)代表D的后半部分序列。输出结果Re是一个五维矩阵，第一维到第五维分别为子码类型、子码起始位置、子码信息比特数、子码码长及子码信息位位置。在子码划分过程中会记录每个子码的译码深度，即在SC译码树的位置。

假设待识别极化码序列长度为N，Pos为第一个信息比特出现的位置，采用递归过程进行子码划分，首先对整个长度为N的极化码码进行识别，判断Pos在不在当前码中，如果在且N小于32时则该子码为KSNNN，如果不在则继续判断该码是否为Rep、R1、R0或者SPC中的一个，若是则直接调用译码模型进行译码，如果不是则继续对序列的前半部分与后半部分进行识别，重复上述过程，直到原码被完全分解为子码集合。虽然识别过程是递归过程，但只进行一次递归计算不会带来过高的计算复杂度。这种将原序列的一半带入递归运算识别子码的方式称为二分子码划分法。

以N＝32的极化码为例，按照图3所示算法流程图进行子码划分后得到子码划分结果及译码过程如图4所示，易得知此时KSNNN的结构为R-0(8)+Rep(4)+SPC(4)原极化码的子码结构为KSNNN(16)+Rep(4)+SPC(4)+R-1(8)。在实际执行过程中，首先执行子码分类程序，记录KSNNN所有可能的形式，并对每个具体形式的所以可能情况进行训练分别保存模型，最后的译码阶段针对KSNNN的具体形式调用其模型。其中，基于KSNNN与传统子码结合的译码过程示意图如图4所示。

S103：利用神经网络对所述KSNNN子码训练译码模型；

神经网络极化码子码又称为神经网络节点(Neural network node,NNN)从理论上讲，两层以上的神经网络经过足够的样本数据进行训练获得合适的权重参数以后可以取代极化码译码器，但是同最初的传统译码算法一样，神经网络的训练复杂度随着极化码码长的增加成指数增长，且当神经网络在译码中作为分类器使用时，随着信息比特K的增加，所需区分的种类以2^K量级增加，但能够学习的特征却没有增加，此时误码率会在一定程度上升。从理论上讲，即使付出了更高的复杂度，也无法带来译码效果的额外提升，所以神经网络只能用来训练中短码的译码，严格意义上讲，只能用来训练K值较小的极化码。

矩阵X代表在不同参数极化码的划分中，KSNNN所有可能的码字，相应地，码字关键比特翻转后的译码结果用D表示。

进一步地，在本发明的一个实施例中，神经网络结构由调制层、噪声层与译码层构成，调制层与所述噪声层均为采用tensorfow2生成的自定义函数层。

本发明的神经网络结构由调制层、噪声层与译码层构成，三个层均需要进行训练，实际译码时只需要译码层即可。具体如图5所示。

训练网络的结构如表1所示，调制层与噪声层均为采用tensorfow2中的keras工具生成的自定义函数层，本文选用高斯白噪声，采用高斯构造法生成极化码，调制方式采用BPSK，训练时网络的输入为X，标签为D，每轮训练加入不同的噪声即每轮训练的数据X彼此各不相同，用以防止过拟合现象。

表1

经过训练的CNN可以对接收信号进行分类，找到对应的信息序列，从而完成译码功能，而训练良好的神经网络可以达到MAP译码的性能。NNN译码结果图6所示。

S104：获取已确定参数的极化码软判决序列，按照改进二分子码划分方法确定极化码软判决序列的子码类型，在待识别极化码为KSNNN时调用译码模型进行译码，在待识别极化码为传统子码时直接进行最大似然译码。

以上为完整的基于关键比特的神经网络辅助极化码译码方法流程，图7为本发明的技术路线示意图。

实施例2

为说明本发明方案的译码性能，首先仿真不同码率、码长情况下算法有效性，然后将本文算法与快速串行抵消(fast successive cancellation，FSC)译码算法、串行抵消(successive cancellation，SC)译码算法的性能进行对比，所提算法均采用

的***极化码编码方案，由于本文所提译码方案只针对接收端，因此我们关注的译码性能为误比特率。本文采用的译码方案的译码结果标注为KSNNAD其他译码方案以对应缩写标注。

1)不同码率算法有效性仿真

具体的，仿真选用码长为1024，仿真KSNNAD码率为0.25、0.5及0.75的性能曲线，结果如图8所示。

2)不同码长算法有效性仿真

仿真选用码率为0.5，仿真KSNNAD在码长为64、128、256、512及1024的性能曲线，结果如图9所示。

3)不同算法对比

仿真选用码率为0.5，码长为1024时KSNNAD与SCD的性能曲线，结果如图10所示。

4)瑞利信道下算法性能

发射信号s经过瑞利平坦衰落信道后得到的接收信号表达式如下：

y(t)＝h(t)·e^jθ(t)·s(t)+n(t)，

其中，h(t)为衰落因子，服从瑞利分布，θ(t)为相位，n(t)为复高斯白噪声。

仿真KSNNA译码方案与SC算法在码长为512，码率为0.5的性能对比，结果如图11所示，可见无论是在高斯信道下还是瑞利信道下，KSNNAD译码性能均优于SCD。

实施例3

对比SCD来说，KSNNAD方案的不同在于子码划分及调用译码模型对NNN子码进行译码的过程，子码划分的复杂度可以忽略不计，译码层模型结构见表1。

易知调用一次该模型将引入

次乘法及

次加法，而本文算法所采用K_S<16，且神经网络算法可以通过GPU进行加速，因此调用模型所带来的复杂度是可接受的。但是由于子码不等长，每个具体的极化码时间步长变化无法给出特定的表达式，因此给出特定参数下极化码各算法的译码时间步长来衡量各个算法的译码复杂度。以下给出各译码算法在2.5dB高斯构造，码长128码率0.5时所需的译码时间步长，SCD和KSNNAD的子码长均选为N_S＝16/N_S＝8的结果。

表2

由表2可知，KSNNAD对比SCD的译码步长有效降低，且KSNNAD的译码时间步长受子码长度影响较小，本发明提出的译码方案由于仅调用一次译码模型，因此复杂度是可接受的。对比传统SCD算法依旧能够有效降低译码算法的运行时间步长。

为了实现上述实施例，本发明还提出基于关键比特的神经网络辅助极化码译码装置。

图12为本发明实施例提供的一种基于关键比特的神经网络辅助极化码译码装置的结构示意图。

如图12所示，该基于关键比特的神经网络辅助极化码译码装置包括：获取模块100，划分模块200，训练模块300，译码模块400，其中，

获取模块，用于获取不同参数下极化码软判决序列的集合；

进一步地，在本发明的一个实施例中，划分模块，还用于：

调用所述译码模型进行译码；

在判断Pos不在所述待识别极化码中时，判断待识别极化码是否为R-1码、R-0码、SPC码及Rep码中的一个；

直接进行最大似然译码；

为达上述目的，本发明第三方面实施例提出了一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上所述的基于关键比特的神经网络辅助极化码译码方法。

为达上述目的，本发明第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的基于关键比特的神经网络辅助极化码译码方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

尽管上面已经示出和描述了本发明的实施例，可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims

1.一种基于关键比特的神经网络辅助极化码译码方法，其特征在于，包括以下步骤：

获取不同参数下极化码软判决序列的集合；

利用神经网络对所述KSNNN子码训练译码模型；

2.根据权利要求1所述的方法，其特征在于，所述改进二分子码划分方法，包括：

调用所述译码模型进行译码。

3.根据权利要求2所述的方法，其特征在于，在对所述待识别极化码进行识别之后，还包括：

直接进行最大似然译码。

4.根据权利要求3所述的方法，其特征在于，还包括：

5.根据权利要求1所述的方法，其特征在于，所述神经网络结构由调制层、噪声层与译码层构成，所述调制层与所述噪声层均为采用tensorfow2生成的自定义函数层。

6.一种基于关键比特的神经网络辅助极化码译码装置，其特征在于，包括以下模块：

获取模块，用于获取不同参数下极化码软判决序列的集合；

译码模块，用于获取已确定参数的极化码软判决序列，按照所述改进二分子码划分方法确定所述极化码软判决序列的子码类型，在所述待识别极化码为KSNNN时调用所述译码模型进行译码，在所述待识别极化码为传统子码时直接进行最大似然译码。

7.根据权利要求6所述的装置，其特征在于，所述划分模块，还用于：

调用所述译码模型进行译码；

直接进行最大似然译码；

8.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-5中任一所述的关键比特的神经网络辅助极化码译码方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任意一项所述的关键比特的神经网络辅助极化码译码方法。