以信道极化为基础,Arikan提出了一种新型信道编码,称为Polar码。理论证明:Polar码可以达到二进制离散无记忆信道的信道容量,同时具有较低的编译码复杂度。深度学习是一种具有多级非线性变换的机器学习方法。作为常用的网络结构,卷积神经网络(Convolutional Neural Network,CNN)具有权值共享以及局部连接等特点,有效地降低了网络的复杂度,而且具有较强的鲁棒性和容错能力,易于训练和优化。论文研究了基于深度学习的Polar码译码算法,主要研究工作如下:首先,针对Polar码的串行抵消(Successive Cancellation,SC)译码算法中误比特率(Bit Error Rate,BER)性能较差,和改进的连续取消列表(Successive Cancellation List,SCL)译码算法中时延较高的问题,论文提出了基于卷积神经网络的Polar码扰动译码算法。该算法通过向译码失败的接收信号添加次级独立随机的扰动噪声,产生更多的候选码字,从而改善SC译码算法的BER性能。同时,CNN可以根据接收值的偏离程度,产生更有效的扰动噪声,减少了迭代次数,降低译码时延。数值仿真结果表明,与原始的SC译码算法相比,基于卷积神经网络的扰动译码算法在没有增加太多译码复杂度条件下提升了BER性能;与SCL译码算法相比,基于卷积神经网络的扰动译码算法在BER性能损失不大的情况下有效地降低了译码时延。其次,针对相关噪声信道下Polar码性能严重下降的问题,论文提出了基于PD-CNN(Prior Decision,PD-CNN)的Polar码译码算法。该算法通过将CNN引入到Polar码译码算法,有效地估计了信道的相关噪声。同时,该算法利用前置预判优化了神经网络的输入,通过设置有效的损失函数使信道残余噪声尽可能遵循高斯分布,达到白化信道彩色噪声的目的,并给出了新的似然信息计算方法,改善了Polar码在相关噪声下的BER性能。数值仿真结果表明,在同等条件下,相比于Polar码传统译码算法,基于PD-CNN的译码算法具有更加优异的BER性能;相比于BP-CNN(Belief Propagation,BP-CNN)译码算法,在获得相同的BER性能情况下,基于PD-CNN的译码算法的译码时延更低。