一种基于改进第一关键集的极化码SCLF译码方法 专利技术说明

电子电路装置的制造及其应用技术一种基于改进第一关键集的极化码sclf译码方法技术领域1.本发明属于信道编码技术领域，涉及信道编码中一种基于改进第一关键集的极化码串行抵消列表比特翻转(successive cancellation list bit-flip based on the improved first critical set，ifcs-sclf)译码方法。该方法主要将译码错误比特构成改进第一关键集，然后在首次循环冗余校验辅助串行抵消列表(cyclic redundancy check aided successive cancellation list，ca-scl)译码失败时，交换改进第一关键集中串行抵消(successive cancellation,sc)状态路径上的决策结果。背景技术：2.由arikan教授提出的极化码信道编码方案与sc译码方法相结合的方案首次从理论上被证明可在一般的离散无记忆对称信道中达到信道容量。相比较传统的信道编码方案，极化码编译码复杂度较低且纠错性能较好，因此极化码编译码方法是当下的研究热点，且极化码成功被选为5g(5th generation mobile communication，5g)通信增强型移动宽带(enhanced mobile broadband，embb)场景下控制信道的信道编码方案，在新一代移动通信系统中发挥着重要作用。3.但是，sc译码由于其串行特性导致在译码过程中会出现严重的错误传播，使得在有限码长的情况下sc译码性能较差。为了提高极化码sc译码方法的性能，学者们提出了串行抵消列表(successive cancellation list，scl)译码方法，scl译码在译码过程中通过保留l条最佳候选路径来提升误码性能。为了改进scl译码方法，学者们提出了ca-scl译码方法，该方法增加了循环冗余校验(cyclic redundancy check,crc)码对scl译码结束时产生的l条路径进行校验，将通过校验且路径度量(path metric，pm)值相对最小的路径作为最终译码结果，如果未有通过crc校验的路径，则直接将pm值最小的路径作为最终译码结果。4.在对极化码译码算法不断改进的过程中，学者们提出了串行抵消比特翻转(successive cancellation bit-flip，scf)译码方法，当sc译码失败时进行重译码，每次重译码过程翻转一个错误信息比特，以此来避免错误传播，进而提高误码性能。基于对scf译码方法的研究，学者通过使用分布式crc码对sc译码过程进行校验，一旦发现sc译码错误，立刻终止译码进程，大大降低了scf译码方法的复杂度。为了提高scf译码方法的误码性能，学者通过crc码、分布式奇偶校验码来检测、识别错误信息比特，使得由信道噪声引起的首个错误信息比特的位置更加准确，进而提高误码性能。为了改进scf译码方法，学者们提出了sclf译码方法，此译码方法为scf译码方法与ca-scl译码方法的结合，如果ca-scl译码没有产生通过crc码校验的信息序列，则进行重译码过程，交换错误比特的路径竞争结果，达到对错误比特纠正的目的。基于对sclf译码方法的研究，学者提出了包含多数错误比特的关键集，通过翻转关键集中的比特可以实现误码性能的提升。但是由于动态噪声的影响，关键集并不能准确定位首个错误比特的位置。因此，学者提出了先进的决策后处理方法(decision post-processing，d-post)，该方法定义了新的寻找错误比特的度量准则，通过international conference on wireless communications and signal processing(wcsp).hangzhou:ieee,2018:1-6.”中的rcs更能够准确地识别由信道噪声引起的首个错误比特。相较于文献[2]“wang zhongxuan,pan yihan,lin yuheng.post-processing for crc-aided successive cancellation list decoding of polar codes[j].ieee communications letters.2020,24(7):1395-1399.”中的d-post-sclf译码方法，ifcs-sclf译码方法所提出的关键集能够有效减少不必要的重译码过程，获得更好的误码性能和更低的复杂度。与列表大小为l＝32的ca-scl译码方法在中低信噪比区域拥有几乎相同的误码性能，并且需要更少的重译码次数，因此本发明所提出的译码方法能够与小列表的ca-scl译码器结合达到大列表ca-scl译码器的预期性能。附图说明[0012]为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：[0013]图1为本发明方法的技术路线图；[0014]图2为fcs示意图；[0015]图3为ca-scl和sclf译码树示意图；[0016]图4为不同α下ifcs-sclf译码方法的误块率曲线图；[0017]图5为不同译码方法的误块率曲线图；[0018]图6为不同译码方法的平均译码次数曲线图；具体实施方式[0019]下面将结合附图，对本发明的优选实施例进行详细的描述。[0020](1)结合附图1说明，一种基于改进第一关键集的极化码sclf译码方法具体实现过程如下：[0021]步骤一：根据极化信道的偏序关系构造fcs，fcs由极化码中每个码率为1的子极化码的首个比特构成(对应码率为1的子极化码中最差的极化信道)。对于ca-scl译码器，信息比特索引集为a。在译码ui时，如果路径度量矩阵排序后，和两种译码子路径都被保留，则称该路径处于克隆状态；如果路径度量矩阵排序后，和两种译码子路径都被删除，则称该路径处于删除状态；如果路径度量矩阵排序后，仅保留和其中一条译码路径，则称该路径处于sc状态。[0022]将前log2 l位信息比特组成集合a′，集合a′中的比特译码路径均处于克隆状态，译码时总是同时保留和两种结果，因此对a′中的比特进行翻转没有意义，需要在fcs中去掉a′中的比特得到适用于sclf的修正第一关键集(revise the first critical set，rfcs)，可以表示为rfcs＝fcsa′。[0023]步骤二：对于i∈rfcs，每条译码路径将会扩展为和两条路径，共2l条译码路径。pm值最小的l条路径作为最佳候选路径构成集合将实际译码中比特的不可靠度定义为且的概率，记为γ(i)(i∈aa′)，γ(i)越大比特译码越不可靠，γ(i)计算如公式(1)所示。[0024][0025]将记为pc(i)，通过pc(i)将公式(1)简化为公式(2)。[0026][0027]由于译码器无法获取正确的译码序列信息，故将pc(i)近似为表示在接收序列为且保留l条最佳路径的情况下的概率。[0028]用来表示2l条路径的路径度量。不失一般性的，假设的大小呈递增关系，那么第l条路径的没有出现译码错误的概率近似为由于在ca-scl译码中总是保留路径度量值最小的l条路径，因此l条保留路径的总概率为l条删除路径的总概率为pc(i)可以用公式(3)计算。[0029][0030]引入pc(i)可以改写为公式(4)。[0031][0032]其中α(0＜α＜1)为补偿pc(i)所采用的近似因子，α值过大或过小都会导致近似值偏离实际值，因此α的取值需适中。[0033]步骤三：将极化信道近似为二进制输入awgn信道。假设发送端为全零码字，通过数值计算极化信道的llr均值，然后根据llr均值来得到信道的可靠度，均值越大表示信道越可靠。通过极化码的结构特性得出信道极化规律极化信道极化信道和的llr都为“方差是均值的两倍”的高斯随机变量。假设信道的llr均值为则信道的llr均值的计算如公式(5)和(6)所示。[0034][0035]scl译码方法在中低信噪比区域拥有几乎相同的误码性能。[0062]比特翻转方法的计算复杂度可以描述为平均译码次数，平均译码次数越高表示计算复杂度越高。在t＝10和50时，本发明所提出的ifcs-sclf译码方法相较于rcs-sclf译码方法和d-post-sclf译码方法都具有最低的复杂度。在t＝50、信噪比为1db时，ifcs-sclf译码方法的复杂度比rcs-sclf译码方法和d-post-sclf译码方法分别降低大约26％和12％。将列表大小l＝8、16、32的ca-scl译码方法的计算复杂度归一化为1、2、4，这是ca-scl译码所需要的等效译码次数。在误块率小于10-3的区域，本文提出的ifcs-sclf译码方法的复杂度低于列表大小为l＝16、32的ca-scl译码方法，说明了ifcs-sclf译码方法与小列表ca-scl译码器的结合能达到大列表ca-scl译码器的性能。[0063]误码性能越高以及复杂度越低的译码方法越具有优越性，因此本发明提出的ifcs-sclf译码方法具有较强的优越性。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!