一种色噪声场景下基于神经网络的极化码BPF译码方法

本发明属于通信技术和计算机领域，具体涉及一种色噪声场景下基于神经网络的极化码bpf译码方法。

背景技术：

1、随着移动通信的不断发展，多样化的应用场景对通信技术的性能需求也越来越高。5g移动通信网络预期实现较低的时延，这便对信道编解码技术以及复杂场景纠错性能的改进提出了需求，信道编解码技术直接关系到系统误码率性能的好坏。

2、随着5g场景的愈发丰富多样和5g性能指标的不断提升，译码环节的噪声问题也变得不可忽视起来。一般的在译码时会将信号的噪声视为高斯白噪声，但在实际通信系统中，由于环境因素、滤波器、设备噪声等原因的存在，实际噪声是非白的相关噪声。而在相关噪声下传统的译码算法性能会严重恶化。传统的系统中对相关噪声的处理一般基于白化滤波器进行去噪，但它的设计需要额外的噪声估计与检测模块，还需要对发送端信号进行预色化处理等等，其系统复杂度和处理时延都很大，很难满足5g场景的要求。当发生译码错误的时候，高风险信息位的关键集是用于执行比特翻转操作。虽然它可以有效地限制信息位搜索空间，但也导致了一些无法纠正的错误，从而降低纠错性能。因此能否利用神经网络技术进行噪声处理以及翻转集构造也会是一个充满挑战与机遇的研究方向，更好的提供一种能够处理实际噪声并且提升翻转集准确率的极化码译码方法。

技术实现思路

1、为解决上述技术问题，本发明提出一种色噪声场景下基于神经网络的极化码bpf译码方法，包括：

2、s1、发送端k位信息比特经过编码、bpsk调制后的极化码信息序列通过色噪声信道后，得到色噪声估计值；

3、s2、利用一维卷积神经网络cnn消除色噪声估计值和原始加性色噪声之间的误差，得到精确的噪声估计值，将原始加性色噪声减去精确的噪声估计值，得到噪声残量，通过一维卷积神经网络cnn的损失函数是噪声残量尽可能小并符合高斯白噪声分布；

4、s3、根据处理后的噪声残量确定噪声功率，初始化译码器的对数似然比信息llr；

5、s4、通过初始化对数似然比信息llr后的译码器对极化码信息序列进行bp译码，得到译码结果；

6、s5、通过crc检测译码是否成功，是则结束；否则进入步骤s6；

7、s6、通过多轮bp译码选取训练数据，针对训练数据进行bp译码，若译码结果通过crc检测，则该比特对应的标签置1，反之则置0，得到标签数据集；

8、s7、采用随机初始化方法初始化二维卷积神经网络，将标签数据集中的数据输入二维卷积神经网络进行网络训练，并采用adam优化器调整网络传播中的网络权值w和偏差β，直至二维卷积神经网络的损失函数收敛，得到训练好的二维卷积神经网络；

9、s8、将s4中bp译码失败极化码信息序列的llr信息类比为一张图，作为输入数据输入训练好的二维卷积神经网络，得到对应信息比特的索引的概率值；

10、s9、根据对应信息比特的索引的概率值依次从高到低翻转每一位信息比特，对翻转后的极化码信息序列重新进行bp译码直至通过crc校验。

11、本发明的有益效果：

12、1.本发明方法考虑了色噪声场景下的译码结构优化问题，工作借鉴了ldpc置信传播译码中卷积神经网络cnn在图像领域的成功应用，将其引入了信号处理的去噪过程，对信道中的噪声进行估计，获取估计值。随后利用cnn网络对估计值中不符合相关性约束的估计误差进行剔除，得到精确的估计值，同时在损失函数的设计上，方案在传统的均方误差函数基础上引入了jarque-bera检测来使得残余噪声更符合高斯分布。

13、2.对去噪后的信号进行译码，当译码发生错误时，对llr信息类比为一张图对二维cnn神经网络进行训练，通过二维cnn神经网络预测对应信息比特的索引的概率值，并根据对应信息比特的索引的概率值依次从高到低翻转每一位信息比特，对翻转后的极化码信息序列重新进行bp译码。在对译码时延，纠错性能需求更大更复杂的实际场景的无线和蜂窝移动通信网络中具有广泛的应用前景。

技术特征：

1.一种色噪声场景下基于神经网络的极化码bpf译码方法，其特征在于，包括：

2.根据权利要求1所述的一种色噪声场景下基于神经网络的极化码bpf译码方法，其特征在于，发送信号通过色噪声信道后，得到色噪声估计值，包括：

3.根据权利要求1所述的一种色噪声场景下基于神经网络的极化码bpf译码方法，其特征在于，所述一维卷积神经网络cnn包括：四个卷积层，每层分别有64、32、16、1个滤波器，对应的卷积核大小依次为9*1，3*1，3*1以及15*1，前三层都采用relu激活函数，最后一层无激活函数。

4.根据权利要求1所述的一种色噪声场景下基于神经网络的极化码bpf译码方法，其特征在于，利用一维卷积神经网络cnn获取更精确的噪声估计值，包括：

5.根据权利要求1所述的一种色噪声场景下基于神经网络的极化码bpf译码方法，其特征在于，通过一维卷积神经网络cnn的损失函数是噪声残量尽可能小并符合高斯白噪声分布，包括：

6.根据权利要求1所述的一种色噪声场景下基于神经网络的极化码bpf译码方法，其特征在于，通过多轮bp译码选取训练数据，包括：

7.根据权利要求1所述的一种色噪声场景下基于神经网络的极化码bpf译码方法，其特征在于，所述二维卷积神经网络由三个二维的卷积层以及三个全连接层组成，每层卷积层过滤器的数量分别是32、16、8，卷积核大小都是3x3，在每一层中非线性激活函数采用relu函数；输入数据经过三层二维卷积层、三层全连接层后，得到每个比特被翻转或不被翻转以致成功解码的概率，对于可能有超过1个的位置来导致成功解码的情况，通过输出层的sigmoid函数将输出结果重新划分为[0 1]的范围，得到概率表示。

8.根据权利要求1所述的一种色噪声场景下基于神经网络的极化码bpf译码方法，其特征在于，采用adam优化器调整网络传播中的网络权值w和偏差β，包括：

9.根据权利要求1所述的一种色噪声场景下基于神经网络的极化码bpf译码方法，其特征在于，标签数据集中的数据输入二维卷积神经网络进行网络训练，直至二维卷积神经网络的损失函数收敛，包括：

10.根据权利1所述的一种色噪声场景下基于神经网络的极化码bpf译码方法，其特征在于，根据信息比特成功率依次从高到低翻转每一位信息比特，包括：

技术总结
本发明涉及计算机与通信技术领域，具体涉及一种色噪声场景下基于神经网络的极化码BPF译码方法，包括：获取色噪声估计值；利用卷积神经网络CNN获取更精确的噪声估计值；根据噪声残量确定噪声功率，初始化译码器的对数似然比LLR信息；利用BP译码器进行极化码译码，若译码失败进入翻转译码；将BP译码信息作为输入数据送入CNN神经网络进行训练、预测，得到翻转比特；将翻转比特从高到低翻转，直至通过CRC校验。本发明对译码时延，纠错性能需求更大更复杂的实际场景的无线和蜂窝移动通信网络中具有更广泛的实用性。

技术研发人员：彭大芹,邓学璐,苟艳,赵梦青,邓祺盛,杜子禹
受保护的技术使用者：重庆邮电大学
技术研发日：
技术公布日：2024/1/13