基于深度学习并联残差Polar码降噪-译码算法研究与实现

• 作 者: 武燕燕
• 出 处: 华中师范大学
• 发表日期: 2020年01期

第五代移动通信（5G）是当今时代集中了通信、半导体、智能硬件、人工智能、新应用与业务的移动通信系统,信道编译码是移动通信系统中至关重要的技术。该技术向发送信息序列中添加冗余校验比特,并在接收端通过译码对传输过程的差错进行纠正,从而提高信息传输的可靠性,实现发送信息序列的正确接收。Polar码为第五代移动通信（5G）控制信道编码最终方案,该码是第一种达到香农信道容量的构造性编码,具有优良的编译码算法处理能力和高可靠性。但是传统Polar码译码方式的顺序译码结构导致时延大,无法满足低时延任务的要求。深度学习作为一种多级非线性变换的方法,拥有强大的学习能力,鲁棒性高且易于训练和优化,训练好的模型用于译码可有效降低时延,引起了广泛关注,但是在信噪比（Signal to Noise Rate,SNR）较低的情况下译码性能差,难以满足高可靠性的需求。为了同时满足高可靠和低时延的要求,本文在深度学习译码器的基础上,增加基于并联残差网络（ResNetXt）结构的降噪器,提出一种并联残差降噪-译码器。该降噪-译码器由并联残差降噪器和深度学习译码器两部分组成,待译码序列首先经过并联降噪器进行降噪,降噪后的序列SNR性能提高,再作为译码器的输入进行译码,译码的BER性能得以改进。并联残差降噪-译码器采用了多任务学习法进行优化,降噪任务和译码任务相互增强,降噪器可显著提升译码器的误比特率（Bit Error Rate,BER）性能。本文主要工作如下:1.针对传统译码器时延较大的问题,本文实现并比较了四种类型的基于深度学习的译码器的性能,分别是基于多层感知机（Multilayer Perceptron,MLP）的译码器,基于卷积神经网络（Convolutional Neural Networks,CNN）的译码器,基于循环神经网络（Recurrent Neural Network,RNN）的译码器以及基于Transformer结构的译码器。其中前三种结构被广泛应用于译码任务,而Transformer结构是首次被应用于译码任务。上述四种基于深度学习的译码器与传统连续消除（Successive Cancellation,SC）译码器相比,在可靠性相差甚微的情况下,译码速度提高了七十多倍。2.针对深度学习译码器在信噪比低的情况下,译码可靠性低的问题,实现了四种基于并联残差网络的降噪器,分别是基于MLP的并联残差降噪器,基于CNN的并联残差降噪器,基于RNN的并联残差降噪器以及基于Transformer的并联残差降噪器,以上四种并联降噪器可以显著提高信息的SNR性能,而SNR会直接提高译码器的BER性能。所以本文在深度学习译码器前添加上述并联降噪器,构成基于并联残差网络的降噪-译码器。使用多任务学习对降噪和译码任务共同优化,使得两个任务相互促进。数值仿真结果表明,并联降噪-译码器在SNR较低时,仍有良好的译码性能,比非并联降噪-译码器以及单纯的基于深度学习的译码器性能更好,且性能逼近SC译码器。3.针对现有深度学习译码器多仅考虑码长长度固定的情况,本文分析了并联降噪-译码器对于不同码长Polar码的译码效果。仿真结果表明,针对不同码长的Polar码进行模型尺寸（参数量）匹配后,并联降噪-译码器对于不同码长的Polar码均可达到良好的译码效果,在时延敏感任务中可替代SC译码器。