可变码长的极化码编译码算法研究

作     者：韩天威 

作者单位：吉林大学 

学位级别：硕士

导师姓名：胡贵军

授予年度：2023年

学科分类：07[理学] 070104[理学-应用数学] 0701[理学-数学] 

主      题：信道编码 极化码 编译码算法 凿孔 深度神经网络 

摘      要：Arikan在2009年第一次提出了极化码,而且在理论上严格证实了极化码在二进制输入对称离散无记忆信道下,能够“实现香农容量,这对于我们实现大容量通信传输的信道编解码技术有重要意义,并且极化码的编译码算法都具备较低的复杂度,性能在一定码长下也非常优秀,因此在它面世之后,就吸引到了充分重视并得到了普遍应用。然而在实际的应用中,传输信道的状态在变化,为了适应这种变化,就需要对极化码的码长、码率等参数进行灵活调整,因此必须对可变码长的极化码的编译码算法进行研究。本文以此为背景,分析了当前可变码长的极化码编译码方案存在的问题,针对于编码方面调整码长后极化码性能下降的情况,提出了一种可变码长的极化码编码算法。在传统调整极化码码长的凿孔方法下,再基于信道可靠性估计的方法来计算各个极化子信道的错误概率,以此来将可靠性程度比较低的极化子信道凿掉。并且为了保证了更好的性能,将被凿掉比特的初始对数似然比设置为无穷大(或负无穷大)。仿真结果表明,本文所提出的改进后的编码算法具有比传统的编码算法更好的性能表现。对于改进后的编码算法,为了使其发挥更好的性能,本文将深度神经网络技术引入到可变码长的极化码译码问题的研究上。深度学习技术日渐成熟稳定,其针对处理和解决分类问题存在十分良好的作用功能体现,而极化码的信道译码问题,从在实际中而言,同时也是高维空间方面的分类问题,所以使用实际深度神经网络技术处理和解决译码问题,逐渐发展成为当前研究的核心热点。基于这个方面,本文针对几种常见的深度神经网络,在不规则码长下对它们的译码性能进行了比较分析。针对译码系统结构,本文提出了一种可变码长的极化码译码算法,通过改变系统框架达到改变学习目标的目的从而达到更好的译码性能。传统类型的神经网络译码体系要求神经网络不仅需要学习噪声特征,还需要学习码字处到数据信息位置的码字结构映射。通过研究分析能够知道,码字结构在实际中是N个比特校对核验问题的分布组成集合,这是实际深度神经网络无法高效学习的。本文经过改变神经网络译码器的学习目标,提出了关于可变码长的极化码神经网络译码结构,规避了神经网络被动式学习码字结构映射,并且应用泛化能力非常强的神经网络,展开了可变码长极化码的译码学习。仿真实验的最终处理结果说明,改善后的神经网络泛化能力获得了很大的提高,仅仅需要学习码本空间方面的小部分码字,就能够主动学习到码字的空间分布特征,并且能实现接近于最大后验概率译码算法的译码性能。