论文部分内容阅读
近年来,第五代移动通信技术飞速发展,其在第四代通信技术的基础上,对移动通信技术提出了更高的要求。自从极化码被确定为5G增强移动宽带场景的控制信道的短码编码方案后,极化码又重新进入了研究学者们的视线里。作为首个被证明理论上可以达到香农限的编码方案,极化码的译码算法研究价值是毋庸置疑的。极化码在码长较长的情况下目前使用的译码算法译码复杂度和时延较高,使得极化码在低时延的通信系统中（例如5G URLLC场景）使用需要进一步改进。随着最近几十年来硬件设施水平的不断提升,深度神经网络的应用逐渐变得越来越广泛。由于神经网络与译码网络结构的相似性,对比现有各种传统译码方法,尝试将深度神经网络应用到极化码译码中,通过与传统译码算法相结合,降低译码复杂度和译码时延或者提升译码性能。理论上使用神经网络可以有效降低译码时延,可以让极化码在5G其他场景下具有竞争力。本文从将深度神经网络作为译码器或者与传统的译码算法相结合的两方面进行实验研究。主要研究成果如下:（1）将常见的深度神经网络:多层感知机（Multilayer Perceptrons,MLP）,卷积神经网络（Convolutional Neural Networks,CNN）,残差网络（ResNet）,长短期记忆网络（Long Short-Term Memory,LSTM）作为译码器直接进行译码,实验的目的是探究各种网络的适用性和可行性以及各种网络的具体参数配置为后续实验打下基础。神经网络译码器探究实验中均采（16,8）极化码。仿真结果表明几种网络均有一定的译码能力,其中LSTM神经网络在全信噪比下的综合性能表现最好,在5dB时误码率达到10-3以下,相比于传统串行抵消译码算法（Serial cancellation,SC）和置信传播译码算法（Belief Propagation,BP）有约0.2dB的性能增益。（2）提出三种LSTM神经网络与传统极化码译码相结合的算法,第一种LSTM-SC译码,LSTM网络与SC译码相结合的可以将长码分块译码的方式,成功将神经网络译码器应用到了更长码字的译码中。实验表明,码字变为（32,16）后LSTM译码器性能会下降不如SC译码性能（这也与理论上网络受信息位维度变大影响学习能力,使译码性能下降相一致）,而LSTM-SC译码器性能会相比于SC译码在误码率为10-2时有0.5dB的性能增益,在5dB时性能达到3×10-4接近于CRC辅助的SCL（4）（CRC-aided SCL,CA-SCL）译码性能。对于（2024,512）极化码,与SC译码算法相比,误码率（Bit Error Rate,BER）在0.09时有约0.2dB的性能增益。第二种LSTM-BP译码模型,将神经网络块代替BP网络的一部分,同时设定了一种初始化右信息的方法,采用（64,32）码进行实验,实验结果显示,相同迭代次数下LSTM-BP译码器在译码时延降低的同时性能略优于BP译码,在误码率为0.05时约有0.7dB性能增益。第三种针对相干噪声下BP-LSTM-BP译码模型,此模型下神经网络块学习相干噪声特性而不再是码字特性,实验结果显示传统译码模型在噪声相干系数越大时译码性能越差,新译码模型相反,在噪声相干系数为0.9,误码率为0.05时约有1.9dB的增益。通过增加神经网络块数,三种模型理论上都可以应用到长码译码中。