一种基于惩罚对偶分解法的深度展开信道译码方法及装置制造方法及图纸

本申请提出了一种基于惩罚对偶分解法的深度展开信道译码方法及装置，涉及无线通信技术领域，该方法包括以下步骤：基于信道译码问题构建最大似然译码问题；根据级联分解方法得到最大似然译码问题的等效级联形式；将离散约束转换为连续约束，并通过引入第一辅助变量和惩罚项得到带惩罚项的松弛译码优化问题；根据惩罚对偶分解法求解松弛译码优化问题，得到双层循环的惩罚对偶分解译码器；基于惩罚对偶分解译码器的结构进行深度展开得到可学习惩罚对偶分解译码网络；通过生成训练数据训练可学习惩罚对偶分解译码网络，以使用参数最优的惩罚对偶分解译码器进行译码。本发明专利技术将线性规划和深度学习方法应用于信道译码中，提升译码性能和降低译码复杂度。能和降低译码复杂度。能和降低译码复杂度。

【技术实现步骤摘要】
一种基于惩罚对偶分解法的深度展开信道译码方法及装置


[0001]本申请涉及无线通信
，尤其涉及一种基于惩罚对偶分解法的深度展开信道译 码方法及装置。

技术介绍

[0002]信道译码是确保信息可靠性传输的关键一环，通过对信息比特添加冗余信息来确保接 收方可以恢复出发送方传输的信息。线性规划(Linear Programming，LP)译码算法是一 种基于LP松弛的最大似然(Maximum Likelihood,ML)译码算法，近来被应用于线性 码，比如低密度奇偶校验(Low Density Parity Check,LDPC)码的译码，受到了学术界 和工业界的广泛关注。由于LP译码算法相对于经典的置信传播(Belief Propagation, BP)译码算法，在高信噪比区域有更低的误码率，且不会有错误平层，所以更适用于磁记 录，光纤传输网络等具有超高可靠性要求的应用场景。然而LP译码算法同时存在低信噪 比区域译码性能更差和计算复杂度较高的缺点。
[0003]为了克服LP译码算法的缺点，近年来提出了利用交替方向乘子法(AlternatingDirection Method of Multipliers,ADMM),惩罚对偶分解法(Penalty DualDecomposition,PDD)等高效的分布式LP译码算法。
[0004]同时，深度学习近年来也广泛应用于通信领域中，可以用来解决一些信号处理的问 题。深度展开是一种模型驱动的深度学习方法，可以将一个迭代算法展开成可学习的神经 网络，保留迭代算法的内在结构，具有较高的可解释性，训练后可以得到相比原算法更优 的性能。

技术实现思路

[0005]本专利技术的目的是针对信道编码，提出一种基于惩罚对偶分解法的深度展开译码方法及 装置。将惩罚对偶分解译码器的迭代过程展开为固定网络层数的模型驱动神经网络，将可 调的译码参数转换成可训练的网络参数，利用深度学习中的梯度下降方法来寻找最优参 数。训练后将网络参数固定，得到一个优化译码器进行在线信道译码，这个优化译码网络 具有更优的译码性能和更低的译码复杂度。
[0006]本申请第一方面提出了一种基于惩罚对偶分解法的深度展开信道译码方法，包括：
[0007]基于信道译码问题构建最大似然译码问题，所述最大似然译码问题包括目标函数和第 一离散奇偶校验约束；
[0008]根据级联分解方法将所述第一离散奇偶校验约束分解为第二离散奇偶校验约束，将所 述最大似然译码问题转换成等效的级联形式；
[0009]将所述第二离散奇偶校验约束转换成连续约束，通过引入惩罚项和第一辅助变量得到 带惩罚项的松弛译码优化问题；
[0010]根据惩罚对偶分解法求解所述松弛译码优化问题，得到双层循环的惩罚对偶分解
译码 器；
[0011]将所述惩罚对偶分解译码器的可调译码参数转换成可训练参数，根据所述可训练参数 构建可学习惩罚对偶分解译码网络；
[0012]生成训练数据，根据所述训练数据训练所述可学习惩罚对偶分解译码网络，以使用参 数最优的惩罚对偶分解译码器进行译码。
[0013]可选的，所述基于信道译码问题构建最大似然译码问题，包括：
[0014]针对一个长度为N的二进制线性码每个码字由M
×
N奇偶校验矩阵H指定， x∈{0,1}
N
×1为长度为N的传输码字，为接收码字的对数似然比，所述最大似然译 码问题表示为：
[0015][0016]其中，[
·
]2表示模2运算，H表示校验矩阵，分别表示变量节点和校验节点的索 引集合。
[0017]可选的，所述根据级联分解方法将所述第一离散奇偶校验约束分解为第二离散奇偶校 验约束，将所述最大似然译码问题转换成等效的级联形式，包括：
[0018]将所述第一离散约束奇偶校验约束转化为第二离散奇偶校验约束，其中第二离散奇偶 校验约束为有限个数的三变量奇偶校验约束，定义Tx≤t，x∈{0,1}3×1,其中
[0019][0020]对于一个度数为d
j
的离散奇偶校验约束，引入个第二辅助变量，得 到个三变量奇偶校验约束，因此所述最大似然译码问题转换为等效的级 联形式，包括：
[0021][0022]其中，其中，为引入的第二辅助变量，
ꢀꢀ
表示 Kronecker积，Q
γ
用来选择第γ个三变量方程对应的u中的变量。
[0023]可选的，所述将所述第二离散奇偶校验约束转换成连续约束，通过引入惩罚项和第一 辅助变量得到带惩罚项的松弛译码优化问题，包括：
[0024]引入第一辅助变量z将公式(3)中的不等式约束转换为等式约束，将变量u松弛为连 续变量，同时在所述目标函数中引入惩罚函数，得到所述带惩罚项的松弛译码优化问题， 包括：
[0025][0026]其中惩罚函数g:具体为其中α为惩罚系 数。
[0027]可选的，所述根据惩罚对偶分解法求解所述松弛译码优化问题，得到双层循环的惩罚 对偶分解译码器，包括：
[0028]引入惩罚参数μ和对偶变量y，由等式约束得到增广拉格朗日项将完整的增广拉格朗日函数作为目标函数，得到：
[0029][0030]根据所述惩罚对偶分解法求解公式(5)中的增广拉格朗日问题，得到所述惩罚对偶 分解译码器，其中具体包括内层循环的u，z更新和外层循环的对偶变量y和惩罚参数μ 的更新。
[0031]可选的，所述将所述惩罚对偶分解译码器的可调译码参数转换成可训练参数，根据所 述可训练参数构建可学习惩罚对偶分解译码网络，包括：
[0032]将所述惩罚对偶分解译码器中的可调参数μ，α和β转换成层间独立的可训练参数 μ＝[μ1,...,μ
L
]、α＝[α1,...α
L
]和β＝[β1,...β
L
]；
[0033]由于惩罚对偶分解译码网络的每个内层包含两种节点：u节点和z节点，每个外层中 包含K个内层和一个y节点，用(u
k,l
,z
k,l
)表示u节点和z节点在第l个外层中的第k个内 层输出，y
l
表示第l个外层中y节点的输出，节点的更新具体为：
[0034][0035][0036]y
l
＝y
l
‑1+μ
l
(Au
K,l
+z
K,l
‑
b)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0037]其中θ＝1/(α
l
‑
μ
l
diag(A
T
A))，1表示长度为N+Γ
a
的全一向量，符号
⊙
表示 Hadamard积，ReLU(
·
)激活函数等价于∏
[0,∞)
(
·
)。对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于惩罚对偶分解法的深度展开信道译码方法，其特征在于，包括：基于信道译码问题构建最大似然译码问题，所述最大似然译码问题包括目标函数和第一离散奇偶校验约束；根据级联分解方法将所述第一离散奇偶校验约束分解为第二离散奇偶校验约束，将所述最大似然译码问题转换成等效的级联形式；将所述第二离散奇偶校验约束转换成连续约束，通过引入惩罚项和第一辅助变量得到带惩罚项的松弛译码优化问题；根据惩罚对偶分解法求解所述松弛译码优化问题，得到双层循环的惩罚对偶分解译码器；将所述惩罚对偶分解译码器的可调译码参数转换成可训练参数，根据所述可训练参数构建可学习惩罚对偶分解译码网络；生成训练数据，根据所述训练数据训练所述可学习惩罚对偶分解译码网络，以使用参数最优的惩罚对偶分解译码器进行译码。2.根据权利要求1所述的方法，其特征在于，所述基于信道译码问题构建最大似然译码问题，包括：针对一个长度为N的二进制线性码每个码字由M
×
N奇偶校验矩阵H指定，x∈{0,1}
N
×1为长度为N的传输码字，为接收码字的对数似然比，所述最大似然译码问题表示为：其中，[
·
]2表示模2运算，H表示校验矩阵，分别表示变量节点和校验节点的索引集合。3.根据权利要求2所述的方法，其特征在于，所述根据级联分解方法将所述第一离散奇偶校验约束分解为第二离散奇偶校验约束，将所述最大似然译码问题转换成等效的级联形式，包括：将所述第一离散约束奇偶校验约束转化为第二离散奇偶校验约束，其中第二离散奇偶校验约束为有限个数的三变量奇偶校验约束，定义Tx≤t，x∈{0,1}3×1,其中x＝[x1,x2,x3]
T
∈{0,1}3×1，t＝[0,0,0,2]
T
，对于一个度数为d
j
的离散奇偶校验约束，引入个第二辅助变量，得到个三变量奇偶校验约束，因此所述最大似然译码问题转换为等效的级联形式，包括：
其中，，为引入的第二辅助变量，，表示Kronecker积，Q
γ
用来选择第γ个三变量方程对应的u中的变量。4.根据权利要求3所述的方法，其特征在于，所述将所述第二离散奇偶校验约束转换成连续约束，通过引入惩罚项和第一辅助变量得到带惩罚项的松弛译码优化问题，包括：引入第一辅助变量z将公式(3)中的不等式约束转换为等式约束，将变量u松弛为连续变量，同时在所述目标函数中引入惩罚函数，得到所述带惩罚项的松弛译码优化问题，包括：其中惩罚函数g:具体为其中α为惩罚系数。5.根据权利要求4所述的方法，其特征在于，所述根据惩罚对偶分解法求解所述松弛译码优化问题，得到双层循环的惩罚对偶分解译码器，包括：引入惩罚参数μ和对偶变量y，由等式约束得到增广拉格朗日项将完整的增广拉格朗日函数作为目标函数，得到：根据所述惩罚对偶分解法求解公式(5)中的增广拉格朗日问题，得到所述惩罚对偶分解译码器，其中具体包括内层循环的u，z更新和外层循环的对偶变量y和惩罚参数μ的更新。6.根据权利要求5所述的方法，其特征在于，所述将所述惩罚对偶分解译码器的可调译码参数转换成可训练参数，根据所述可训练参数构建可学习惩罚对偶分解译码网络，包括：将所述惩罚对偶分解译码器中的可调参数μ，α和β转换成层间独立的可训练参数μ＝[μ1,...,μ
L
]、α＝[α1,...α
L
]和β＝[β1,...β
...

【专利技术属性】
技术研发人员：刘屹豪，赵明敏，雷鸣，赵民建，袁辉，
申请(专利权)人：浙江大学，
类型：发明
国别省市：