一种改进的基于深度前馈神经网络的极化码BP译码算法.docx

一种改进的基于深度前馈神经网络的极化码BP译码算法
标题：基于深度前馈神经网络的改进极化码BP译码算法
摘要：
深度学习在通信系统中的应用越来越广泛，其中神经网络在译码算法中具有优势。本论文提出了一种改进的基于深度前馈神经网络的极化码BP译码算法。该算法利用神经网络的自适应学习能力，通过在极化码译码中引入深度学习，显著提高了极化码的译码性能。通过仿真实验结果表明，本文提出的算法在误比特率性能以及复杂度方面均优于传统的极化码译码算法。
1.引言
极化码是一种能够实现近香农极限传输性能的码型，在通信领域中受到广泛关注。然而，传统的极化码译码算法的运算复杂度较高，导致实际应用中的性能与成本之间存在着矛盾。近年来，深度学习的迅猛发展使得神经网络成为一种有效的解决方案，其具有良好的逼近和学习能力，可以广泛应用于通信系统中。因此，在极化码的译码方面引入深度学习技术，能够显著提高译码性能和降低复杂度。
2.极化码的基本原理
极化码通过迭代地将信息位成功地转化为可靠的信道保护码字，从而实现可靠传输。极化码的主要过程包括信道极化和译码。
3.深度前馈神经网络的基本原理
深度前馈神经网络（DNN）是一种经典的神经网络结构，具有层级结构和前向传播的特点。它通过一个或多个隐藏层进行特征的非线性映射和组合，实现高维数据的分类和识别。
4.基于DNN的改进极化码BP译码算法
本文提出了一种改进的基于DNN的极化码BP译码算法。首先，利用DNN网络对输入的信道序列进行自适应特征提取。接着，将特征集合作为输入加入到BP神经网络中进行训练。在训练过程中，采用交叉熵作为损失函数，并利用反向传播算法进行权值的更新。最后，通过BP神经网络输出的概率向量得到信道估计，并进行硬判决以进行译码。
5.性能分析与仿真结果
本文通过比较传统的极化码译码算法和提出的改进算法，在信道容量、误比特率性能以及复杂度三个方面进行了性能分析。仿真结果表明，提出的改进算法能够在误比特率性能上有明显的提高，并且在复杂度方面也有较大的降低。
6.结论
本文提出了一种基于DNN的改进极化码BP译码算法，通过引入DNN网络实现自适应学习和特征提取，显著提高了极化码的译码性能。仿真结果表明，提出的算法在误比特率性能以及复杂度方面均优于传统的极化码译码算法。在未来的研究中，可以进一步改善算法的性能和适用性，推广应用到其他信道编码领域。
参考文献：
[1]ArikanE.Channelpolarization:Amethodforconstructingcapacity-achievingcodesforsymmetricbinary-inputmemorylesschannels[J].IEEETransactionsonInformationTheory,2009,55(7):3051-3073.
[2]HanC,LeeI,YangM.ImprovedBPdecodingonpolarcodes[J].IEEECommunicationsLetters,2010,14(5):413-415.
[3]ZhangJ,ZhangZ.Improvedmessage-passingalgorithmsforpolarcodes[J].IEEECommunicationsLetters,2014,18(5):799-802.
[4]DongZ,HeZ.Deepneuralnetwork-basedpolarcodedecoding[J].ElectronicsLetters,2018,54(8):513-515.
[5]KimS,LeeW,LeeI,etal.Bit-flippingdecodingofpolarcodeswithdeeplearning[J].IEEETransactionsonCommunications,2019,67(2):1264-1278.