论文部分内容阅读
2008年,极化码由毕尔肯大学的Arikan教授首次提出,由于具有较低的编译码复杂度,同时在理论上已经被证明,当码长趋于无穷时,极化码能够达到香农限,具有改变现代编码方案的潜力,因此一提出便倍受瞩目。连续删除(Successive Cancellation,SC)译码算法和置信传播(Belief Propagation,BP)译码算法是极化码的两类主流译码算法,但这两类算法受限于译码时延和解码性能,从而与下一代通信系统对高速低时延的要求相悖,这就需要探索新的译码思路。近几年,深度神经网络(Deep Neural Network,DNN)在众多领域都取得了突破性的成就,尤其是在图片分类、语音识别等方面取得了诸多建树,引起了学术界的广泛关注。一般的信道译码问题,可以被视为一种分类问题,所以能够将神经网络理论应用到信道的编译码问题中。运用神经网络技术解决极化码的译码问题,探索其译码特点以及潜在的性能增益,具有重要的理论价值和实践意义。本文将神经网络技术应用到极化码的译码研究中,工作内容主要有以下几点:第一,分别设计了基于多层感知器(Multilayer Perceptron,MLP)、卷积神经网络(Convolutional Neural Network,CNN)和递归神经网络(Recurrent Neural Network,RNN)的极化码译码器,给出了模型框架和参数设置。第二,针对于神经网络中的激活函数做了进一步的研究,分别将Softsign函数、Hard＿sigmoid函数和Swish函数应用到三种神经网络的译码研究中,并与目前广泛使用的Re LU函数做出对比,探索出了Swish函数拥有比ReLU函数更优良的性能,同时对Swish函数的参数取值做了讨论。第三,分别基于MLP、CNN和RNN给出三类译码器的译码性能和特点,并在前人研究的基础上做出进一步的探索。进一步比较了MLP在不同激活函数、不同参数规模、不同码字结构以及不同信道下的译码性能,对CNN的译码框架做出了改进,并比较了五种RNN的译码性能和译码复杂度,对门控循环单元(Gated Recurrent Unit,GRU)的译码性能做出了探索。第四,基于译码的误比特率性能和译码时延,将神经网络译码器(Neural Network Decoder,NND)与传统的BP、SC译码器做出了比较,表明神经网络译码器具有可观的解码性能和更低的译码时延,可以成为下一代通信系统中有竞争力的译码工具。