1.一种极化码的低复杂度神经BP译码方法,其特征在于:包括以下步骤:步骤1:在信道接收端对原始信息序列经过编码、调制和加噪后获得极化码码字序列,即得到待译码码字序列;所述待译码码字序列包括有效信息和信道噪声;
步骤2:建立低复杂度的神经BP译码器;
步骤2.1:基于DNN构建神经BP译码器模型;
将DNN看作极化码BP译码算法因子图的展开结构,得到在因子图的处理单元中通过DNN调整因子图中节点信息的迭代函数;再使用Sigmoid函数作为神经BP译码器的输出层以获取译码结果;
步骤2.2:利用K‑means聚类算法对权重参数进行空间共享,再在时间上共享神经BP译码器模型权重参数;
步骤2.3:采用均匀量化或非均匀量化方法量化神经BP译码器模型权重参数;
步骤2.4:训练神经BP译码器模型;
利用接收到的待译码信道信息和原始信息序列作为训练集,利用随机梯度下降法对神经BP译码器模型行训练,获得神经BP译码器;
步骤3:利用训练好的度神经BP译码器对接收的待译码码字进行译码;
步骤4:随机生成多个码字序列,并对其编码调制加噪得到待译码序列,将二者共同作为新的测试样本,并将新的测试样本输入到步骤2中建立的神经BP译码器模型中,实现对神经BP译码器的性能进行测试。
2.根据权利要求1所述一种极化码的低复杂度神经BP译码方法,其特征在于:步骤2.1所述在因子图的处理单元中通过DNN调整因子图中节点信息的迭代函数,如下公式所示:其中, 和 分别为第t次迭代时因子图中第i行第j列的节点从右到左的信息和从左到右的信息,即因子图中每个节点包含两种对数似然比(Log‑likelihood Ratio,LLR)消(t)息;w 是第t次迭代过程中为因子图中节点的从右到左和从左到右的两种相互迭代的信息分配的权重,N为极化码码长, 为BP算法中表示变量a,b关系的函数;
将极化码的BP算法中表示变量a,b关系的函数h(a,b)用最小和算法进行简化,即令h(a,b)=sgn(a)sgn(b)min(|a|,|b|)其中,sgn(·)为符号函数。
3.根据权利要求2所述一种极化码的低复杂度神经BP译码方法,其特征在于:所述步骤
2.2的具体方法为:
利用K‑means聚类算法将神经BP译码器模型的权重参数聚类为多个类,用同一类中的所有聚类权重替换当前类的聚类中心值,并将聚类中心值作为因子图中节点信息的权重参数;进一步,在时间上共享权重参数,最终将BP译码算法中通过DNN调整节点信息的迭代函数中的权重参数修改为如下公式所示:其中, 是聚类后的权重参数,即聚类中心值。
4.根据权利要求3所述一种极化码的低复杂度神经BP译码方法,其特征在于:步骤2.3所述采用均匀量化方法量化神经BP译码器模型权重参数的具体方法为:采用线性量化方法量化DNN译码器模型权重参数,如下公式所示:其中, 为32位的浮点权重面量化后的q位的定点权重, 的第一位为整数,q‑1其他小数部分(q‑1)位为十进制,量化步长为2 ;R(·)表示将数字四舍五入到指定的位数,即将浮点权重四舍五入到用q位表示的最接近的值;
采用非均匀量化方法量化神经BP译码器模型权重参数的具体方法为:首先应用压缩函数对权重参数进行压缩后再进行均匀量化。