【技术实现步骤摘要】
本专利技术涉及机器学习与信道编码，具体为一种基于神经网络校验的极化码串行抵消列表(neural network-checked successive cancellation list,nn-scl)译码方法。
技术介绍
1、由于人口快速增长，移动设备的使用日益增多，对服务质量的高要求以及工业和日常生活中都需要超低延迟和超可靠网络连接应用，这推动了第五代(5g)移动通信技术的发展。
2、相比4g网络，5g划分出更加复杂和精细的应用场景。根据信道和场景的不同，5g通信系统会选择不同的信道编码方案，其中之一便是极化码。5g是一个万物互联的时代，很多场景(如自动驾驶领域)都对通信的质量要求很高。因此，在实际通信中需要达到极低的误码率和时延，以保证在物联网系统中信息能够及时准确地传播。目前，极化码传统译码算法及其改进方法已经有了广泛的研究并获得了较好的性能，但是由于译码算法本身特性，无法在保持高性能的同时实现超低时延译码。因此，设计一种新型的高可靠、高速率、低时延的极化码译码器成为未来通信的研究重点。
3、通过使用具有无限码长的串行抵消(successive cancellation,sc)译码算法，证明极化码可以达到香农极限。然而，当码长较短时，sc译码算法下极化码没有达到理想的性能。作为sc译码算法的改进方案，sc列表(successive cancellation list,scl)译码算法和sc翻转(successive cancellation flip,scf)译码算法虽然可以提高sc译码算法的译码性
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种基于神经网络校验的极化码串行抵消列表译码方法，使用神经网络校验器来替代crc，并应用于scl译码算法中，同时设计了新型数据集，它包含更多的特征信息，这种数据集可以使用卷积神经网络，进行特征提取，最终实现一种替代crc的神经网络校验器。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于神经网络校验的极化码串行抵消列表译码方法，包括以下步骤：
3、接收极化码编码后的输入数据；
4、将输入数据转换为二维对数似然比图；
5、使用神经网络对二维对数似然比图进行特征提取；
6、基于特征提取的结果，计算每个码字序列的译码概率；
7、根据译码概率选择最终的译码结果。
8、优选的，所述根据译码概率选择最终的译码结果步骤是通过选择最大概率值所对应的码字序列作为最终的译码结果；
9、在译码的过程中，scl译码器会保留l个候选结果以及l个候选结果所对应的二维对数似然比(llrs)图数据，基于神经网络(neural network，nn)校验的方法使用这l个候选结果所对应的llrs图作为卷积神经网络(convolutional neural networks,cnn)的输入，cnn根据输入的数据输出一组概率序列。对于这组概率序列，获取其中最大的一个概率值，标记其对应的下标。然后，根据此下标在l个候选结果中找到对应的译码结果，即选定为译码器的最终译码结果。
10、优选的，所述神经网络选自卷积神经网络、多层感知机、双向长短期记忆网络中的一种。
11、优选的，所述神经网络为卷积神经网络。
12、优选的，所述卷积神经网络包括批归一化层、五层卷积层、dropout层、flatten层、输出层，所述卷积神经网络每层之间的非线性激活函数使用relu函数，输出层使用sigmoid激活函数。
13、优选的，所述二维对数似然比图的大小定义为n×(n+1)，其中，n为码长，表示图片宽度；n+1表示图片高度，其中，n＝log2n。
14、本专利技术提供一种基于神经网络校验的极化码串行抵消列表译码装置，包括：
15、输入接口，用于接收极化码编码后的输入数据；
16、转换模块，用于将输入数据转换为二维对数似然比图；
17、提取模块，使用神经网络对二维对数似然比图进行特征提取；
18、计算模块，基于特征提取的结果计算每个码字序列的译码概率；
19、选择模块，根据译码概率选择最终的译码结果。
20、优选的，所述选择模块是通过选择最大概率值所对应的码字序列作为最终的译码结果。
21、优选的，所述提取模块使用的神经网络选自卷积神经网络、多层感知机、双向长短期记忆网络中的一种。
22、优选的，所述提取模块使用的神经网络为卷积神经网络，所述卷积神经网络包括批归一化层、五层卷积层、dropout层、flatten层、输出层，所述卷积神经网络每层之间的非线性激活函数使用relu函数，输出层使用sigmoid激活函数。
23、优选的，所述转换模块是将二维对数似然比图的大小定义为n×(n+1)，其中，n为码长，表示图片宽度；n+1表示图片高度，其中，n＝log2n。
24、本专利技术提供了一种基于神经网络校验的极化码串行抵消列表译码方法。具备以下有益效果：
25、本专利技术相较于传统的crc校验方法，该方法不需要额外传输crc校验码，从而减少了传输开销和带宽占用。通过使用神经网络对llrs图进行特征提取，可以捕获到更多的译码信息和特征，从而提高译码性能和纠错能力。可以灵活地扩展到不同的码长和码率，适用于不同的通信系统和应用场景。总之，该译码方法通过利用神经网络进行特征提取，提高了极化码译码的性能和减少了传输开销，具有广泛的应用前景和潜力。
本文档来自技高网...【技术保护点】
1.一种基于神经网络校验的极化码串行抵消列表译码方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于神经网络校验的极化码串行抵消列表译码方法，其特征在于，所述根据译码概率选择最终的译码结果步骤是通过选择最大概率值所对应的码字序列作为最终的译码结果。
3.根据权利要求1所述的一种基于神经网络校验的极化码串行抵消列表译码方法，其特征在于，所述神经网络选自卷积神经网络、多层感知机、双向长短期记忆网络中的一种。
4.根据权利要求3所述的一种基于神经网络校验的极化码串行抵消列表译码方法，其特征在于，所述神经网络为卷积神经网络，所述卷积神经网络包括批归一化层、五层卷积层、DropOut层、Flatten层、输出层，所述卷积神经网络每层之间的非线性激活函数使用ReLU函数，输出层使用Sigmoid激活函数。
5.根据权利要求1所述的一种基于神经网络校验的极化码串行抵消列表译码方法，其特征在于，所述二维对数似然比图的大小定义为N×(n+1)，其中，N为码长，表示图片宽度；n+1表示图片高度，其中，n＝log2N。
6.一种
7.根据权利要求6所述的一种基于神经网络校验的极化码串行抵消列表译码装置，其特征在于，所述选择模块是通过选择最大概率值所对应的码字序列作为最终的译码结果。
8.根据权利要求6所述的一种基于神经网络校验的极化码串行抵消列表译码装置，其特征在于，所述提取模块使用的神经网络选自卷积神经网络、多层感知机、双向长短期记忆网络中的一种。
9.根据权利要求8所述的一种基于神经网络校验的极化码串行抵消列表译码装置，其特征在于，所述提取模块使用的神经网络为卷积神经网络，所述卷积神经网络包括批归一化层、五层卷积层、DropOut层、Flatten层、输出层，所述卷积神经网络每层之间的非线性激活函数使用ReLU函数，输出层使用Sigmoid激活函数。
10.根据权利要求6所述的一种基于神经网络校验的极化码串行抵消列表译码装置，其特征在于，所述转换模块是将二维对数似然比图的大小定义为N×(n+1)，其中，N为码长，表示图片宽度；n+1表示图片高度，其中，n＝log2N。
...【技术特征摘要】
1.一种基于神经网络校验的极化码串行抵消列表译码方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于神经网络校验的极化码串行抵消列表译码方法，其特征在于，所述根据译码概率选择最终的译码结果步骤是通过选择最大概率值所对应的码字序列作为最终的译码结果。
3.根据权利要求1所述的一种基于神经网络校验的极化码串行抵消列表译码方法，其特征在于，所述神经网络选自卷积神经网络、多层感知机、双向长短期记忆网络中的一种。
4.根据权利要求3所述的一种基于神经网络校验的极化码串行抵消列表译码方法，其特征在于，所述神经网络为卷积神经网络，所述卷积神经网络包括批归一化层、五层卷积层、dropout层、flatten层、输出层，所述卷积神经网络每层之间的非线性激活函数使用relu函数，输出层使用sigmoid激活函数。
5.根据权利要求1所述的一种基于神经网络校验的极化码串行抵消列表译码方法，其特征在于，所述二维对数似然比图的大小定义为n×(n+1)，其中，n为码长，表示图片宽度；n+1表示图片高度，其中，n＝log2n。
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。