基于深度学习的Turbo 码译码研究

朱进蓉,苟明亮,秦明伟

(1.西南科技大学信息工程学院,四川 绵阳 621000;2.西南科技大学四川省重点机器人实验室,四川 绵阳 621000)

0 引言

1993 年,C.Berrou、A.Glavieux 等提出了Turbo 码。迭代思想作为Turbo 码的重要特点也得到越来越多的研究。

例如,Semi 通过设定门限值,提出了Threshold_Log_MAP 算法。该算法虽然在很大程度上减少了译码算法的复杂度,但是在性能上损失了大概零点几分贝[1]。Jaeyong Son 等设计了一种低复杂度的分组Turbo 码(block Turbo codes,BTCs)译码算法。BTCs 译码算法是通过串行串联线性块码构造的,并通过让每个分量代码分两步解码来迭代解码[2]。Al-Dweik 等提出了一种新型Turbo 低复杂度译码器——超轻译码器。与标准的Turbo 乘积码(Turbo product codes,TPCs)译码器相比,超轻译码器降低了复杂性并减少了延迟。降低复杂度和延迟将使得系统能够使用具有高码率的代码来提高频谱效率,或者能够使用具有低码率的强大代码来降低发射功率[3]。此外,H.Nickl 设计了一种以汉明码为分量码,并将其作为Turbo 码的编码方案。它的性能与香农理论值仅相差0.27 dB。但是,这些方法还存在很大的局限性,仅通过改进Turbo 码的编译码性能来提高准确度是不够的。

随着深度学习的高速发展,很多学者尝试将深度学习的方法应用到通信领域。Cammerer 等利用神经网络辅助组件取代了一些置信度传播(belief propagation,BP) 译码器的子块,并通过剩余 BP 阶段耦合这些子块[4]。王翼韬试图在Turbo 码现有的译码算法中引入隐藏参数,通过神经网络对隐藏参数进行训练,并利用神经网络对Turbo 码作并行译码的可行性分析[5]。

信道编码中的大多数结果都是基于加性高斯白噪声假设完成的,但是该假设在通信应用的实际环境中却无法满足。……