徐鹏1,
张南2,
孔令军1,,
1.南京邮电大学通信与信息工程学院 南京 210003
2.中国航天系统科学与工程研究院 北京 100048
基金项目:国家自然科学基金(61871234, 11847062)；中国博士后科学基金(2020M671595)；江苏省博士后科研资助计划(2020Z198)；南京邮电大学国自孵化基金 (NY219075)
详细信息
作者简介:赵生妹：女，1968年生，教授，博士生导师，主要研究方向为量子通信与信息处理、无线通信与信号处理
徐鹏：男，1994年生，硕士生，研究方向为无线通信与信号处理、纠错码技术、机器学习
张南：女，1979年生，高级工程师，主要研究方向为知识图谱、数据分析、数据安全
孔令军：男，1982年生，副教授，硕士生导师，主要研究方向为机器学习和信息科学交叉、新型存储系统中基于深度学习的信号处理技术、智能安防中信号处理、云存储、边缘计算、嵌入式开发、移动互联技术、基于深度学习的视频结构化分析、大数据处理技术
通讯作者:孔令军 ljkong@njupt.edu.cn
中图分类号:TN911.22计量
文章访问数:471
HTML全文浏览量:181
PDF下载量:54
被引次数:0
出版历程
收稿日期:2020-02-28
修回日期:2020-11-30
网络出版日期:2020-12-07
刊出日期:2021-07-10
A Decoding Algorithm of Polar Codes Based on Perturbation with CNN
Shengmei ZHAO1,Peng XU1,
Nan ZHANG2,
Lingjun KONG1,,
1. Institute of Signal Processing&Transmission, Nanjing University of Posts and Telecommunications, Nanjing 210003, China
2. China Aerospace Academy of Systems Science and Engineering, Beijing 100048, China
Funds:The National Natural Science Foundation of China (61871234,11847062), China Postdoctoral Science Foundation Funded Project (2020M671595), The Post-doctoral Science Foundation of Jiangsu Province(2020Z198), NUPTSF (NY219075)
摘要
摘要:针对中短码长下串行抵消(SC)算法性能较差，且串行抵消列表(SCL)算法复杂度较高等问题，根据译码纠错空间理论，该文提出了一种基于卷积神经网络(CNN)扰动的极化码译码算法。对SC译码失败的接收序列，通过CNN产生相应的扰动噪声，并将该扰动噪声添加到接收信号中，然后根据重新计算的似然信息进行译码。仿真结果表明：与SC译码算法相比，所提出的算法约有0.6 dB的增益，与SCL(L=16)译码算法相比，该算法约有0.1 dB的提升，且平均复杂度更低。
关键词:极化码/
串行抵消译码/
扰动噪声/
卷积神经网络
Abstract:According to the space theory for error correction, a Polar decoding algorithm for medium and short code lengths, based on the perturbation with a Convolution Neural Network (CNN), is presented to overcome the poor performance of the Successive Cancellation (SC) decoding algorithm and the high complexity of the Successive Cancellation List (SCL) decoding algorithm. For any receiving signals that failing to decode, a perturbation noise, generated through the CNN, is added to the receiving signal, and the likelihood information is then recalculated for further decoding. The simulation results show that the proposed algorithm has a gain of about 0.6 dB compared with the SC decoding algorithm, and an improvement of about 0.1 dB and a lower average complexity than that of SCL decoding algorithm when L=16.
Key words:Polar code/
Successive Cancellation (SC) decoding/
Perturbation noise/
Convolutional Neural Network (CNN)
PDF全文下载地址:
https://jeit.ac.cn/article/exportPdf?id=a3c294cc-85b0-456b-8683-02ebfbb688e3
