CN108900198A - 一种串行抵消列表译码参数的快速确定方法 - Google Patents

一种串行抵消列表译码参数的快速确定方法 Download PDF

Info

Publication number
CN108900198A
CN108900198A CN201810692970.0A CN201810692970A CN108900198A CN 108900198 A CN108900198 A CN 108900198A CN 201810692970 A CN201810692970 A CN 201810692970A CN 108900198 A CN108900198 A CN 108900198A
Authority
CN
China
Prior art keywords
decoding
support vector
vector machines
serial
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810692970.0A
Other languages
English (en)
Inventor
李世宝
卢丽金
潘荔霞
刘建航
黄庭培
陈海华
邓云强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN201810692970.0A priority Critical patent/CN108900198A/zh
Publication of CN108900198A publication Critical patent/CN108900198A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M13/00—Coding, decoding or code conversion, for error detection or error correction; Coding theory basic assumptions; Coding bounds; Error probability evaluation methods; Channel models; Simulation or testing of codes
    • H03M13/03—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words
    • H03M13/05—Error detection or forward error correction by redundancy in data representation, i.e. code words containing more digits than the source words using block codes, i.e. a predetermined number of check bits joined to a predetermined number of information bits
    • H03M13/13—Linear codes
    • H03M13/15—Cyclic codes, i.e. cyclic shifts of codewords produce other codewords, e.g. codes defined by a generator polynomial, Bose-Chaudhuri-Hocquenghem [BCH] codes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M13/00—Coding, decoding or code conversion, for error detection or error correction; Coding theory basic assumptions; Coding bounds; Error probability evaluation methods; Channel models; Simulation or testing of codes
    • H03M13/35—Unequal or adaptive error protection, e.g. by providing a different level of protection according to significance of source information or by adapting the coding according to the change of transmission channel characteristics
    • H03M13/353—Adaptation to the channel

Abstract

本发明提供了一种串行抵消列表译码参数的快速确定方法，所述方法首先从收集、整理数据开始；然后确定核函数并初始化参数，构造支持向量机多类分类器，并训练支持向量机多类分类器模型；然后再将由接收信号计算得到的似然比输入到已完成训练的支持向量机多类分类器模型中，输出G；最后将L初始化为G，执行串行抵消列表译码算法。该方法通过将支持向量机技术与极化码译码技术进行结合，避免了不必要的计算操作，从而极大降低了极化码的译码复杂度。

Description

一种串行抵消列表译码参数的快速确定方法
技术领域
本发明属于通信技术领域，特别涉及一种用支持向量机来确定串行抵消列表译码算法的极化码译码参数的方法。
背景技术
极化码是2008年由E.Arikan提出的一种新型信道编码。极化码是第一种能够通过严格的数学方法证明达到信道容量的构造性编码方案。在极化码被提出之初，串行抵消(SC)译码也随之被提出。SC译码能够被看作是在二叉树上的路径搜索过程。SC译码算法从码树根节点开始，逐层依次向叶子节点层进行搜索，每一层扩展后，从两条后继中选择较好的一条进行扩展。SC译码的特点主要有两方面，一方面是其复杂度低、译码结构简单；另一方面是其在理论上被证明在码长足够大时能够达到香农极限。但SC译码算法在码长为有限长的配置下，纠错性能不理想。为了提高性能，提出串行抵消列表(SCL)译码。SCL译码是SC译码的一种改进版本。与SC不同的是，SCL译码算法不再是从两条后继中选择较好的一条进行扩展，而是尽可能地保留不大于L条的后继路径，在下一层扩展时，所有这不多于L条的候选路径都会分别被扩展。当结束叶子节点层的扩展时，有至多L条候选路径被保留在列表中。由于SCL译码只有在较高的信噪比下，才能够实现最大似然译码性能，故循环冗余校验(CRC)被引入来提升极化码的译码性能，通过使用CRC来对这L条候选路径进行校验，最终输出一条能通过CRC的且最有可能的候选路径。CRC辅助的SCL有着比Turbo码与LDPC码更好的译码性能，但是随着L增大，译码复杂度也会增大。为了解决这一问题，自适应串行抵消列表(AD-SCL)译码算法通过自适应地控制L，避免对不必要的路径进行计算，大大的减少了译码复杂度。
但是，在较低的信噪比下，AD-SCL会频繁出现高译码复杂度情况。AD-SCL算法总是把L的初始值配置为1。若基于L＝1的AD-SCL译码失败，该译码会将L更新为2L并继续进行译码，直至L＝Lmax，Lmax是根据实际情况设定的最大列表大小。在低信噪比与L＝1的配置下，AD-SCL算法失败的概率高，因此需要频繁更新L值，增加了复杂度。如果在译码开始时，将L初始化为一个合适的值，尽可能地执行一次译码就能成功，那么，将能够显著地降低译码复杂度。
为了降低译码复杂度，在保证极化码译码性能的前提下通过寻找一个合适的L值来减少计算量，本发明专利提出了一种串行抵消列表译码参数的快速确定方法，通过训练支持向量机多类分类器模型来确定一个合适的L值，以实现减少运算量的目标，最终降低译码复杂度。
发明内容
本发明提出了一种基于SCL译码算法的支持向量机辅助的参数确定方法，在保证译码性能不变的情况下，通过确定一个合适的L值来降低译码复杂度，并把这一个合适的L值记为G。
在数据准备阶段，基于不同信噪比，执行100000次自适应串行抵消列表译码算法，一次成功译码所对应的L会出现6种不同的大小，可分为6类，从第一类到第六类的类别分别对应着1，2，4，8，16，32，将每一次译码成功时由接收信号计算得到的似然比和译码成功时对应的L记录下来。在准备数据集时，每一类别从所记录的数据中随机选取1000个数据，任意两类样本之间生成一个训练集和一个测试集，从任意两类样本中分别随机抽取75％的数据生成训练集，并将余下的25％作为测试集，共生成15个训练集和15个测试集，此时的数据集仅包含似然比；在准备标签集时，将15个训练集对应的标签与15个测试集对应的标签分别整理出来，此时的标签集只有大小不同的L。
支持向量机(SVM)本身是一个二值分类器，其特征是当处理多类问题时，需要构造合适的多类分类器。构造SVM多类分类器的方法为一对一法，其做法是在任意两类样本之间设计一个SVM，因存在6个类别，所以需要设计15个SVM。最初，将每一个SVM的惩罚参数均设置为一个默认值，核函数类型确定为RBF，核函数的参数均设置为一个默认值，于是便得到15个设计好的SVM。当对一个未知样本进行分类时，最后得票最多的类别即为该未知样本的类别。15个训练集经过训练后，得到15个训练结果。在测试的时候，把样本对应的向量分别对15个训练结果进行测试，然后采取投票形式，经过投票之后得到一组结果，并把该结果作为分类结果。最后依据测试集的预测结果来优化惩罚参数和核函数参数，直至完成所有样本训练。
在极化码译码端，将由接收信号计算得到的似然比输入到支持向量机多类分类器模型中，得到G，并将L初始化为G，执行串行抵消列表译码算法。
在参数确定过程中，适用以下步骤：
步骤1，准备数据，并对数据进行预处理；
步骤2，确定核函数类型，构造支持向量机多类分类器，并训练支持向量机多类分类器模型；
步骤3，在极化码译码阶段，将似然比输入到支持向量机多类分类器模型中，得到一个值G，并将L初始化为G，执行串行抵消列表译码算法；
其中，步骤1中准备数据包括准备数据集和准备标签集，执行100000次自适应串行抵消列表译码算法，一次成功译码所对应的L会出现6种不同的大小，可分为6类，从第一类到第六类的类别分别对应着1，2，4，8，16，32，将每一次译码成功时由接收信号计算得到的似然比和译码成功时对应的L记录下来，在准备数据集时，每一类别从所记录的数据中随机选取1000个数据，任意两类样本之间生成一个训练集和一个测试集，从任意两类样本中分别随机抽取75％的数据生成训练集，并将余下的25％作为测试集，共生成15个训练集和15个测试集，此时的数据集仅包含似然比，在准备标签集时，将15个训练集对应的标签与15个测试集对应的标签分别整理出来，此时的标签集只有大小不同的L；步骤2中确定核函数类型指的是，将核函数类型确定为径向基函数。
有益效果
本发明对比已有技术具有以下创新点：
用支持向量机来确定参数L。在极化码译码端，将似然比输入到已完成训练的支持向量机多类分类器模型中，则可输出G，实现似然比的快速分类。在此基础上，在保证极化码性能的前提下，译码算法能够以一个合适的L值来降低译码复杂度。
将支持向量机技术与极化码译码技术进行结合。在数据准备阶段，样本数据来源于多次执行自适应串行抵消列表译码算法；在训练支持向量机多类分类器模型阶段，训练集的数据为似然比；在译码端，基于SCL译码算法，将L初始化为G。此时，SCL译码成功的概率较高，不需要频繁更新L值，避免不必要的运算操作，减少译码器的运算量，从而大幅降低计算复杂度。
附图说明
图1是确定参数L的方法流程图。
具体实施方式
下面将结合附图和实施例对本发明做进一步的描述。
本发明提供一种串行抵消列表译码参数的快速确定方法，主要包括准备样本数据、构造并训练支持向量机多类分类器模型及译码三部分。在数据准备阶段，首先在不同信噪比下执行100000次自适应串行抵消列表译码算法，一次成功译码所对应的L会出现6种不同的大小，可分为6类，从第一类到第六类的类别分别对应着1，2，4，8，16，32，将每一次译码成功时由接收信号计算得到的似然比和译码成功时对应的L记录下来，在准备数据集时，每一类别从所记录的数据中随机选取1000个数据，任意两类样本之间生成一个训练集和一个测试集，从任意两类样本中分别随机抽取75％的数据生成训练集，并将余下的25％作为测试集，共生成15个训练集和15个测试集，此时的数据集仅包含似然比，在准备标签集时，将15个训练集对应的标签与15个测试集对应的标签分别整理出来，此时的标签集只有大小不同的L；在构造并训练支持向量机多类分类器模型阶段，首先设计15个SVM，构造SVM多类分类器，然后对15个训练集进行网络训练；在极化码译码端，首先将由接收信号计算得到的似然比输入到支持向量机多类分类器模型中，然后得到G，最后将L初始化为G，执行串行抵消列表译码算法。
在数据准备阶段，在不同信噪比，执行100000次自适应串行抵消列表译码算法，一次成功译码所对应的L会出现6种不同的大小，可分为6类，从第一类到第六类的类别分别对应着1，2，4，8，16，32，将每一次译码成功时由接收信号计算得到的似然比和译码成功时对应的L记录下来。在准备数据集时，每一类别从所记录的数据中随机选取1000个数据，任意两类样本之间生成一个训练集和一个测试集，从任意两类样本中分别随机抽取75％的数据生成训练集，并将余下的25％作为测试集，共生成15个训练集和15个测试集，此时的数据集仅包含似然比；在准备标签集时，将15个训练集对应的标签与15个测试集对应的标签分别整理出来，此时的标签集只有大小不同的L。采用归一化方法对训练集和测试集的数据进行预处理。本实施例将自适应串行抵消列表译码算法的码长设置为1024，码率设置为0.5，Lmax＝32，CRC长度为16，将每一个训练集的样本数和每一个测试集的样本数分别设置为1500与500。
在构造与训练支持向量机多类分类器模型阶段，因存在6个类别，所以采用一对一法来构造SVM多类分类器，其做法是在任意两类样本之间设计一个SVM，则需要设计15个SVM。本实施例最初将每一个SVM的惩罚参数均设置为一个默认值，核函数类型确定为RBF，核函数的参数均设置为一个默认值，于是便得到15个设计好的SVM。当对一个未知样本进行分类时，最后得票最多的类别即视为该未知样本的类别。对15个训练集进行网络训练后，得到15个训练结果，生成SVM多类分类器模型。在测试的时候，把样本对应的似然比分别对15个训练结果进行测试，然后采取投票形式，经过投票之后得到一组结果，并把该结果作为分类结果。最后依据测试集的预测结果来优化惩罚参数和核函数参数，直至完成所有样本训练。
在极化码译码端，借助支持向量机来确定参数L，参数L的确定方法流程图如图1所示。首先将由接收信号计算得到的似然比输入到已完成训练的支持向量机多类分类器模型中，输出G；再将L初始化为G，执行串行抵消列表译码算法；然后对L条译码候选路径进行CRC校验，如果有一条或多于一条的候选路径通过CRC校验，则输出一条最有可能的路径并退出译码，否则，将L更新为2L；完成更新后，判断L是否大于Lmax，若不大于Lmax，则继续进行串行抵消列表译码，否则，退出译码。本实施例将串行抵消列表译码的码长设置为1024，码率设置为0.5，Lmax＝32，CRC长度为16。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不限于此，任何熟悉本技术领域的技术人员在本发明提出的技术范围内，可轻易想到的变化或者替换，都应该涵盖在本发明的保护范围之内。

Claims (3)

1.一种串行抵消列表译码参数的快速确定方法，其特征在于，所述方法用支持向量机来确定串行抵消列表译码的列表大小L，所述参数确定方法包括以下步骤：
步骤1，准备数据，并对数据进行预处理；
步骤2，确定核函数类型，构造支持向量机多类分类器，并训练支持向量机多类分类器模型；
步骤3，在极化码译码阶段，将似然比输入到支持向量机多类分类器模型中，得到一个值G，并将L初始化为G，执行串行抵消列表译码算法。
2.根据权利要求1所述的一种串行抵消列表译码参数的快速确定方法，其特征在于，步骤1中准备数据包括准备数据集和准备标签集，执行100000次自适应串行抵消列表译码算法，一次成功译码所对应的L会出现6种不同的大小，可分为6类，从第一类到第六类的类别分别对应着1，2，4，8，16，32，将每一次译码成功时由接收信号计算得到的似然比和译码成功时对应的L记录下来，在准备数据集时，每一类别从所记录的数据中随机选取1000个数据，任意两类样本之间生成一个训练集和一个测试集，从任意两类样本中分别随机抽取75％的数据生成训练集，并将余下的25％作为测试集，共生成15个训练集和15个测试集，此时的数据集仅包含似然比，在准备标签集时，将15个训练集对应的标签与15个测试集对应的标签分别整理出来，此时的标签集只有大小不同的L。
3.根据权利要求1所述的一种串行抵消列表译码参数的快速确定方法，其特征在于，步骤2中确定核函数类型指的是，将核函数类型确定为径向基函数。
CN201810692970.0A 2018-06-29 2018-06-29 一种串行抵消列表译码参数的快速确定方法 Pending CN108900198A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810692970.0A CN108900198A (zh) 2018-06-29 2018-06-29 一种串行抵消列表译码参数的快速确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810692970.0A CN108900198A (zh) 2018-06-29 2018-06-29 一种串行抵消列表译码参数的快速确定方法

Publications (1)

Publication Number Publication Date
CN108900198A true CN108900198A (zh) 2018-11-27

Family

ID=64347078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810692970.0A Pending CN108900198A (zh) 2018-06-29 2018-06-29 一种串行抵消列表译码参数的快速确定方法

Country Status (1)

Country Link
CN (1) CN108900198A (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102025999A (zh) * 2010-12-31 2011-04-20 北京工业大学 基于支持向量机的视频转码快速帧内预测方法
CN102590247A (zh) * 2012-03-05 2012-07-18 上海海事大学 一种基于x光图像处理技术的钢丝绳损伤检测方法
CN102750551A (zh) * 2012-06-18 2012-10-24 杭州电子科技大学 一种粒子寻优下基于支持向量机的高光谱遥感分类方法
US20130315457A1 (en) * 2012-05-23 2013-11-28 International Business Machines Corporation Vessel Identification Using Shape and Motion Mapping for Coronary Angiogram Sequences
CN103559294A (zh) * 2013-11-12 2014-02-05 中国石油大学(北京) 支持向量机分类器的构造方法及装置、分类方法及装置
CN103914704A (zh) * 2014-03-04 2014-07-09 西安电子科技大学 一种基于半监督SVM和MeanShift的极化SAR图像分类方法
US20140201126A1 (en) * 2012-09-15 2014-07-17 Lotfi A. Zadeh Methods and Systems for Applications for Z-numbers
CN106209113A (zh) * 2016-07-29 2016-12-07 中国石油大学(华东) 一种极化码的编解码方法
CN106452455A (zh) * 2016-09-23 2017-02-22 华南理工大学 基于OpenCL 移动设备QC‑LDPC 的动态译码方法
CN106506009A (zh) * 2016-10-31 2017-03-15 中国石油大学(华东) 一种极化码的译码方法
CN107947803A (zh) * 2017-12-12 2018-04-20 中国石油大学(华东) 一种极化码的快速译码方法
CN108009542A (zh) * 2017-11-01 2018-05-08 华中农业大学 油菜大田环境下杂草图像分割方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102025999A (zh) * 2010-12-31 2011-04-20 北京工业大学 基于支持向量机的视频转码快速帧内预测方法
CN102590247A (zh) * 2012-03-05 2012-07-18 上海海事大学 一种基于x光图像处理技术的钢丝绳损伤检测方法
US20130315457A1 (en) * 2012-05-23 2013-11-28 International Business Machines Corporation Vessel Identification Using Shape and Motion Mapping for Coronary Angiogram Sequences
CN102750551A (zh) * 2012-06-18 2012-10-24 杭州电子科技大学 一种粒子寻优下基于支持向量机的高光谱遥感分类方法
US20140201126A1 (en) * 2012-09-15 2014-07-17 Lotfi A. Zadeh Methods and Systems for Applications for Z-numbers
CN103559294A (zh) * 2013-11-12 2014-02-05 中国石油大学(北京) 支持向量机分类器的构造方法及装置、分类方法及装置
CN103914704A (zh) * 2014-03-04 2014-07-09 西安电子科技大学 一种基于半监督SVM和MeanShift的极化SAR图像分类方法
CN106209113A (zh) * 2016-07-29 2016-12-07 中国石油大学(华东) 一种极化码的编解码方法
CN106452455A (zh) * 2016-09-23 2017-02-22 华南理工大学 基于OpenCL 移动设备QC‑LDPC 的动态译码方法
CN106506009A (zh) * 2016-10-31 2017-03-15 中国石油大学(华东) 一种极化码的译码方法
CN108009542A (zh) * 2017-11-01 2018-05-08 华中农业大学 油菜大田环境下杂草图像分割方法
CN107947803A (zh) * 2017-12-12 2018-04-20 中国石油大学(华东) 一种极化码的快速译码方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JINYOUP AHN 等: "Sparsity-Aware Ordered Successive Interference Cancellation for Massive Machine-Type Communications", 《IEEE WIRELESS COMMUNICATIONS LETTERS》 *
刘亚军 等: "一种低时延极化码列表连续删除译码算法", 《计算机工程》 *
樊婷婷 等: "Polar码SC译码算法的量化问题", 《北京邮电大学学报》 *

Similar Documents

Publication Publication Date Title
CN105978577B (zh) 一种基于比特翻转的串行列表译码方法
Real et al. Regularized evolution for image classifier architecture search
EP3381128B1 (en) Memory management and path sorting in a polar code successive cancellation list decoder
CN103929210B (zh) 一种基于遗传算法与神经网络的硬判决译码方法
TWI435211B (zh) 鄰近碼字的唯讀記憶體列表解碼
CN103843252B (zh) 确定准循环低密度奇偶校验码的方法和基于准循环低密度奇偶校验码进行数据编码的系统
TWI594583B (zh) 硬決定輸入之一般化低密度同位檢查軟解碼
CN108509335A (zh) 基于遗传算法优化的软件测试数据生成方法
CN108777584A (zh) 一种极化码译码参数的快速优化方法
US20200007170A1 (en) System and method for early termination of decoding in a multi user equipment environment
JPH0934716A (ja) ルール誘導方法
CN104242957B (zh) 译码处理方法及译码器
US20100153103A1 (en) Method and system for decoding wcdma amr speech data using redundancy
CN107565974B (zh) 一种静态哈夫曼并行全编码实现方法
CN106452675B (zh) 一种极化码的球形译码方法
Gopalan et al. List decoding tensor products and interleaved codes
CN108900198A (zh) 一种串行抵消列表译码参数的快速确定方法
CN110535560A (zh) 一种极化码结合编码和译码方法
CN109672498B (zh) 译码方法和装置
CN109245776A (zh) 一种基于深度神经网络的极化码译码参数确定方法
Marrocco et al. Exploiting coding theory for classification: An LDPC-based strategy for multiclass-to-binary decomposition
CN109981114A (zh) 使用关键集的极化码连续消除反转优化译码方法
CN113285722B (zh) 一种短极化码的多偏差分段冗余校验辅助统计译码方法
CN101656542A (zh) 双二元卷积Turbo码译码方法和装置
CN112821895B (zh) 一种实现信号高误码率下的编码识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181127