一种基于遗传算法的极化码译码方法技术

本发明专利技术公开了一种基于遗传算法的极化码译码方法，首先，发送端对输入信息进行极化码编码、调制，然后经无线信道发送出去；其次，接收端接收到信号并进行解调，利用遗传算法从(log2N)！个因子图中筛选出译码性能较优的L个因子图，其中N为极化码码长，L为BPL译码器列表大小；然后，利用遗传算法为筛选出的L个较优因子图匹配各自的最优比特集；最后，接收端基于L个较优因子及其最优比特集进行BPL译码，得到译码结果并输出。本发明专利技术以生物进化为原型，甄选出性能较为优异的L个极化码因子图，在此基础上，为其匹配最优比特集，提高了BPL译码性能，具有很好的收敛性，且计算时间少、鲁棒性高。高。高。

【技术实现步骤摘要】
一种基于遗传算法的极化码译码方法


[0001]本专利技术属于信道译码
，涉及一种基于遗传算法的极化码译码方法。

技术介绍

[0002]极化码在新一代移动通信、卫星通信、深空探测等领域具有广阔的应用前景极化码编码的过程是选择合适的极化子信道来承载需要传输的数据和放置冻结比特，然后再进行运算的过程。
[0003]极化码的置信传播（Belief Propagation，BP）译码器在并行性上具有内在优势，可以有效改善串行译码时延高、吞吐率低等问题。而在置信传播列表（Belief Propagation List，BPL）译码算法中，相当于采用L个因子图互不相同的BP译码器同时译码，再从中选择较优结果进行输出，其中因子图的选取方式深刻影响着译码器的性能，合理选择因子图是提升BPL算法译码性能的关键所在。
[0004]现有的改变因子图结构的思想主要是交换输入序列的顺序，从而改变传统因子图迭代更新信息的结构，这样极有可能导致可靠性较低的比特信道用于传输信息比特，从而造成译码性能损失。除此之外，在传统BPL译码器中，L个不同的因子图采用同一个比特集进行译码，二者之间的适配度还存在较大的优化空间。
[0005]西安电子科技大学于2021年12月9日提交的专利技术专利申请CN114421974A公开了一种具有改进因子图选择方式的极化码BPL译码方法，结合排列因子图对应的错误概率上界及每个子信道的错误概率来选择因子图。
[0006]对于码长为N的极化码而言，因子图共包含log2N层结构，若考虑所有置换情况，则共有(log2N)！种因子图组成形式，且每一种因子图均有N！个候选比特集。当N数值偏大时，通过遍历的方式分别选取较优因子图与最优比特集的方法不切实际，因此，研究一种机器学习辅助的极化码译码方法具有重要意义。

技术实现思路

[0007]针对现有极化码BPL译码方法存在的技术问题，本专利技术提供一种机器学习辅助的极化码译码方式，具体是一种基于遗传算法的极化码译码方法。
[0008]本专利技术保护一种基于遗传算法的极化码译码方法，包括以下步骤：步骤S1，发送端对输入信息进行极化码编码、调制，然后经无线信道发送出去；步骤S2，接收端接收到信号并进行解调，利用遗传算法从(log2N)！个因子图中筛选出译码性能较优的L个因子图，其中N为极化码码长，L为BPL译码器列表大小；步骤S3，利用遗传算法为筛选出的L个较优因子图匹配各自的最优比特集；步骤S4，接收端基于L个较优因子及其最优比特集进行BPL译码，得到译码结果并输出。
[0009]进一步的，步骤S2中，利用遗传算法从(log2N)！个因子图中筛选出译码性能较优的L个因子图具体包括以下步骤：
步骤S21，编号置换：基于极化码编码结构图进行标号，将每一层异或结构当前所处位置依次标记为1、2、
…
、n，其中n=(log2N)！，并将其作为初始因子图标号(1,2,...,n)，在此基础上，对该结构图进行随机列置换得到Q个不同的因子图，其中Q为设定参数且Q＞L，在对各列结构进行置换时，对应的因子图标号也发生相应变化；步骤S22，生成因子图初始种群：以步骤S21中得到的Q个因子图标号组成因子图初始种群，其中每个因子图标号视为初始种群中的一个候选个体，代表整个搜索空间的一个解；步骤S23，计算适应度值并选择：BP译码器作为适应度函数，所得译码错误概率即为适应度值，种群中的每一候选个体经过BP译码均得到各自的适应度值，基于Q组适应度值，从所有候选个体中随机选取两个适应度值较好的个体作为父代；步骤S24，交叉与因子图结构适配：父代向量1的前半部分基因与父代向量2的后半部分基因结合，组成一个新的候选个体，当此候选个体不满足因子图中各层结构的互异性时，对其进行因子图结构适配；其中，进行因子图结构适配的方法为：出现重复标号时，保留位置靠前者，即保留位于向量前半部分的元素，同时统计向量中的缺失元素，并按照从小到大的顺序进行排列，依次对位置靠后的重复标号进行数值替换；步骤S25，重复步骤S23和步骤S24操作Q次，得到Q个新的候选个体；步骤S26，突变：对所有子代向量的元素进行突变；其中，对子代向量元素进行突变的方法为：进入该步骤的子代向量均满足元素互异，在此基础上，随机交换向量中任意两个元素的位置，即可得到变异后的子代；步骤S27，对当前种群重复执行步骤S23至S26，达到最大进化代数T后停止，从最后一代种群中挑选较优的L个候选个体，即为较优的L个因子图，其中T为设定参数。
[0010]进一步的，步骤S3中，利用遗传算法为筛选出的L个较优因子图匹配各自的最优比特集具体包括以下步骤：步骤S31，划定集合U：根据蒙特卡洛法计算出N个比特信道对应的可靠性值，得到各个比特信道的可靠性排序，挑选出可靠的比特信道组成集合I、不可靠的比特信道组成集合F，剩余作为不确定比特信道集合U，其中集合I和集合F中的元素数目相同，均为m，其中m为设定参数且2m＜N；步骤S32，生成候选个体及码率适配：从(N
‑
2m)！个可能的取值中随机选取P个，并与集合I和集合F共同构成完整的P个候选个体，组成比特集初始种群，其中P为设定参数且P＜(N
‑
2m)！，对与既定码率rate不匹配的候选个体进行码率适配操作；步骤S33，计算适应度值并选择：对完成码率适配的P个候选个体分别进行BP译码得到P个适应度值，从中随机选取两个适应度值较好的个体作为父代；步骤S34，交叉并完成码率适配：将父代集合1中U的前半部分基因与父代集合2中U的后半部分基因结合，组成一个新的不确定比特信道集合，随后与集合I和集合F共同组成一个新的候选个体，对与既定码率rate不匹配的候选个体进行码率适配操作；步骤S35，重复步骤S33和S34的操作P次，得到P个新的候选个体；步骤S36，突变并完成码率适配：对所有子代集合的元素进行突变，并码率适配操作；
其中，对子代集合元素进行突变的方法为：针对当前子代集合，选择任意位置进行比特翻转，即相应位置上发生由冻结位到信息位，即元素由“0”到“1”或由信息位到冻结位，即元素由“1”到“0”的转变；步骤S37、对当前种群重复执行步骤S33至S36，达到最大进化代数T后停止，从最后一代种群中挑选最优个体，即为当前因子图的最优比特集，其中T为设定参数。
[0011]进一步的，步骤S32、S34、S36中，进行码率适配操作的方法为：根据当前系统既定码率rate以及集合I或集合F中的元素数目m，对不确定比特信道集合U中元素进行比特翻转，确保U中“1”的数目x满足x+m=N
×
rate。
[0012]本专利技术还保护一种基于遗传算法的极化码译码系统，包括发送端和接收端，所述发送端和所述接收端执行上述基于遗传算法的极化码译码方法。
[0013]与枚举遍历因子图或比特集的方法相比较，本专利技术以生物进化为原型，甄选出性能较为优异的L个极化码因子图，在此基础上，为其匹配最优比特集，提高了BPL译码性能，具有很好的收敛性，且计算时间少本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于遗传算法的极化码译码方法，其特征在于，包括以下步骤：步骤S1，发送端对输入信息进行极化码编码、调制，然后经无线信道发送出去；步骤S2，接收端接收到信号并进行解调，利用遗传算法从(log2N)！个因子图中筛选出译码性能较优的L个因子图，其中N为极化码码长，L为BPL译码器列表大小；步骤S3，利用遗传算法为筛选出的L个较优因子图匹配各自的最优比特集；步骤S4，接收端基于L个较优因子及其最优比特集进行BPL译码，得到译码结果并输出。2.根据权利要求1所述的基于遗传算法的极化码译码方法，其特征在于，步骤S2中，利用遗传算法从(log2N)！个因子图中筛选出译码性能较优的L个因子图具体包括以下步骤：步骤S21，编号置换：基于极化码编码结构图进行标号，将每一层异或结构当前所处位置依次标记为1、2、
…
、n，其中n=(log2N)！，并将其作为初始因子图标号(1,2,...,n)，在此基础上，对该结构图进行随机列置换得到Q个不同的因子图，其中Q为设定参数且Q＞L，在对各列结构进行置换时，对应的因子图标号也发生相应变化；步骤S22，生成因子图初始种群：以步骤S21中得到的Q个因子图标号组成因子图初始种群，其中每个因子图标号视为初始种群中的一个候选个体，代表整个搜索空间的一个解；步骤S23，计算适应度值并选择：BP译码器作为适应度函数，所得译码错误概率即为适应度值，种群中的每一候选个体经过BP译码均得到各自的适应度值，基于Q组适应度值，从所有候选个体中随机选取两个适应度值较好的个体作为父代；步骤S24，交叉与因子图结构适配：父代向量1的前半部分基因与父代向量2的后半部分基因结合，组成一个新的候选个体，当此候选个体不满足因子图中各层结构的互异性时，对其进行因子图结构适配；步骤S25，重复步骤S23和步骤S24操作Q次，得到Q个新的候选个体；步骤S26，突变：对所有子代向量的元素进行突变；步骤S27，对当前种群重复执行步骤S23至S26，达到最大进化代数T后停止，从最后一代种群中挑选较优的L个候选个体，即为较优的L个因子图，其中T为设定参数。3.根据权利要求2所述的基于遗传算法的极化码译码方法，其特征在于，步骤S24中，进行因子图结构适配的方法为：出现重复标号时，保留位置靠前者，即保留位于向量前半部分的元素，同时统计向量中的缺失元素，并按照从小到大的顺序进行排列，依次对位置靠后的重复标号进行数值替换。4.根据权利要求2所述的基于遗传算法的极化码译码方法，其特征在于，步骤S26中，对子代向量元素进行突变的方法为：随机交换向量中任意两...

【专利技术属性】
技术研发人员：张靖，赵靓，刘维丹，刘洋洋，周家喜，冯中秀，江涛，黄子轩，
申请(专利权)人：天地信息网络研究院安徽有限公司，
类型：发明
国别省市：