1 引言
通信领域是一个相对复杂且成熟的领域,传统的性能优化方法的效果正在
逐步减弱,这种现象在物理层尤为明显
[1
]
。为满足用户对新一代通信的需求,通
信技术和人工智能
技术相结合成为一种新的研究方向。机器学习被认为是 人工
智能
领域中最能体现“智能”的分支之一,其在处理难以用数学公式描述的问题上
具有一定优势,并成功地应用在图像处理、文本处理等领域。
受机器学习在图像去噪和超清分辨等方面研究的启发,基于机器学习来实
现或优化旨在去除噪声恢复数据的信道译码引起了越来越多的关注。神经网络
(NN,neural network)是机器学习中的重要分支之一,将 NN 运用到信道译码
研究的优势在于 NN 是不依赖于模型的,即不需要对信道噪声的统计信息做任何
假设,便能在训练过程中学习信道的映射关系或提取信道统计信息
[2
]
。此外,
NN 在并行性上也具有一定的优势,利用 NN 可以最大限度地并行化译码过程,
从而提高译码器的吞吐量
[3
]
。目前,基于 NN 的译码研究已经取得了初步的成果
[4
]
。一般来说,使用 NN 进行译码可以看作一个分类问题。然而类别的数量随
着信息位长度的增长呈指数增长,存在维度诅咒现象
[6
]
。当信息位长度较大时,
使用 NN 直接译码一般难以获得较好的译码性能,因此不具备实用价值,这也
是目前基于 NN 的译码主要针对中短码的原因。然而即使在中短码的情况下,
目前的方案一般也难以达到传统方案最优的译码性能。文献 [4
]使用 NN 对码长
16 的极化码进行译码,性能接近最大似然( ML,maximum likelihood)译码,
但 仍 有 一 定 差 距 。 文 献 [5
] 基 于 NN 改 进 了 中 短 码 长 的 BCH ( Bose-Ray-
Hocquengthem)码在置信传播译码下的性能,但与传统译码性能相比仍有部
分差距。文献[7
]提出了一种针 对低密度 奇偶校验 ( LDPC,low density parity
check)码、极化码的 NN 联合译码方案,该译码方案可以达到与置信传播译码
相近的性能,但所使用的码长仍然是较短的。文献 [8
]使用 NN 代替极化码连续
消除译码器中的部分子块,但所使用的码长仍然是较短的。通过以上的研究可
以发现,基于 NN 的译码研究主要面临两方面的问题:一方面是短码情况下如何
达到传统方案的最优译码性能,另一方面是如何将 NN 运用到长码的译码中。
分 组 马 尔 可 夫 叠 加 传 输 ( BMST,block Markov superposition
transmission)是近年来提出的一种新的编码传输方案
[9
]
,其编码过程如下。
信息序列先由基本码进行编码,然后将编码后的序列进行交织,最后将交织后
的序列进行叠加传输,从而达到既能重复传输多次又能保证传输效率的目的。
研究者在多个场景下对 BMST 进行了研究。文献[11
]提出了适用于光纤通信场
景的 BMST-BCH 码设计,保证了高码率传输下的高可靠性。文献[12
]提出了一
种 基 于 BMST 通 过 部 分 叠 加 来 构 造 空 间 耦 合 LDPC 码 的 一 般 方 法 。 此 外 ,
BMST 在加性高斯白噪声(AWGN,additive white Gaussian noise)信道
[9
]
上均有逼近香农限的性能,同时研究者也给出了相
应的用于预测误码性能的简单下界。BMST 具有诸多优点,其由短码出发,构
造性能优异的长码为 NN 运用到长码提供了一种可能,即可以设计针对短码的
NN 译码器,并将此译码器嵌入长码译码的迭代机制中,从而替代其中部分模块。
文献[15
]初步提出了基于 NN 的 BMST 译码方案,以汉明(Hamming)码
为基本码,利用 NN 实现了仅比 ML 译码器差 0.5 dB 的基本码译码器,并将其
嵌入了 BMST 的迭代译码机制中。本文在文献[15
]的基础上改进了基于 NN 的
BMST 译码方法,分析了不同网络结构和数据表征形式对译码性能的影响,通
评论0
最新资源