CN109586730B - 一种基于智能后处理的极化码bp译码算法 - Google Patents

一种基于智能后处理的极化码bp译码算法 Download PDF

Info

Publication number
CN109586730B
CN109586730B CN201811486824.9A CN201811486824A CN109586730B CN 109586730 B CN109586730 B CN 109586730B CN 201811486824 A CN201811486824 A CN 201811486824A CN 109586730 B CN109586730 B CN 109586730B
Authority
CN
China
Prior art keywords
information
iteration
bit
decoding
frequency
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.)
Active
Application number
CN201811486824.9A
Other languages
English (en)
Other versions
CN109586730A (zh
Inventor
解桂贤
陈亦欧
凌翔
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of 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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201811486824.9A priority Critical patent/CN109586730B/zh
Publication of CN109586730A publication Critical patent/CN109586730A/zh
Application granted granted Critical
Publication of CN109586730B publication Critical patent/CN109586730B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H03M13/09—Error detection only, e.g. using cyclic redundancy check [CRC] codes or single parity bit
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Error Detection And Correction (AREA)

Abstract

本发明公开了一种基于智能后处理的极化码BP译码算法，其通过在传统的BP算法的基础上增加智能后处理步骤，具体的，当迭代译码的迭代次数到达最大迭代次数且未通过CRC校验时，则进入该智能后处理步骤，将利用每次迭代得到的信息而得到软信息作为每个比特的数据特征，并输入至预先训练好的基于深度神经网络的二分类器的中，得到一个错误比特集合和一个正确比特集合，并分别从错误比特集合和正确比特集合中选取估计比特信息进行信息翻转和赋值，将处理后估计比特信息的符号作为初始冻结位信息的符号，再根据调整后的初始冻结位信息以及收到的信道信息，重新执行迭代译码。因此，本发明虽然增加翻转次数与迭代次数，但能够明显地提升译码增益。

Description

一种基于智能后处理的极化码BP译码算法
技术领域
本发明涉及信道编码技术领域，特别涉及一种基于智能后处理的极化码BP译码算法。
背景技术
信道编码作为对抗如信道衰落与噪声等信道损伤，增强数字信号传输通信能力以实现贴近香农限传输信息的技术手段，在通信系统中是十分重要的。极化码(Polar Codes)作为第一种被严格证明在二进制离散无记忆信道下能够到达香农限的好码，由Arikan E.在《Channel Polarization:a Method for Constructing Capacity Achieving Codesfor Symmetric Binary-input Memoryless Channels[J].IEEE Transactions onInformation Theory,2009,55(7)7:3051-3073》中正式提出。而且，由于具有较低的编译码复杂度，极化码得到了业界的广泛关注。但是在有限长情况下，通过原有的连续干扰消除(Successive Cancellation，SC)方法，极化码的性能与业界成熟的Turbo码以及LDPC码存在较大差距。
针对短码长极化码的SC算法性能较差的问题，I.Tal and A.Vardy在《ListDecoding of Polar Codes,IEEE Trans.Inf.Theory,vol.61,no.5,pp.2213-2226,May2015.》中提出了基于SC算法的list译码算法，其通过CRC的校验辅助，CRC-SCL的性能在高信噪比区域比ML译码算法性能还要好。但是由于继承了SC算法的译码思想，其译码延迟问题并没有得到解决。
在另一方面，Arikan E.在《A Performance comparison of Polar Codes andReed-Muller Codes[J].IEEE Communications Letters,2008,12(6):447-449.》提出可以将LDPC码的置信度传播(Belief Propagation，BP)算法使用到极化码译码过程中。而且，相比于SC译码算法，BP译码在性能上有一些优势，并且能够并行计算，利于硬件实现。但是相比于CRC-SCL，现有的BP译码算法的性能仍然不理想，在码长为256码率为1/2的情况下，相差L＝8的CRC-SC大约1.3～1.5dB。
发明内容
本发明的目的在于克服现有技术中所存在的上述不足，提供一种基于智能后处理的极化码BP译码算法，来提高BP译码算法应用在极化码译码过程中时的译码性能。
为了实现上述发明目的，本发明提供了以下技术方案：
一种基于智能后处理的极化码BP译码算法，其包括以下步骤，
迭代译码步骤：收到信道信息后，初始化迭代次数、翻转次数、最大迭代次数和最大翻转次数，并根据极化码的因子图，对收到的信道信息进行BP迭代译码；
CRC校验步骤：对每次迭代的判决结果进行CRC校验，若通过CRC校验，则将所述判决结果输出，而未通过CRC校验，若迭代次数小于最大迭代次数，则进入下一次迭代译码，若迭代次数等于最大迭代次数，则执行智能后处理步骤；
所述智能后处理步骤具体包括以下步骤：
A、利用每次迭代得到的信息L(1,j),j＝1,2,…,N，得到等间隔的三次迭代LLR值，LLR均值和LLR方差，并将等间隔的三次迭代LLR值，LLR均值和LLR方差作为每个比特的数据特征；
B、将每个比特的数据特征作为基于深度神经网络的二分类器的输入，对每个比特进行分类，并根据分类的结果，构造一个错误比特集合和一个正确比特集合；
C、将所述错误比特集合中的比特按照均值绝对值大小进行升序排列，以及将所述正确比特集合中的比特按照均值绝对值大小进行降序排列；
D、从所述错误比特集合中，选取至少一个靠前排列的估计比特信息L(1,p)进行信息翻转；从所述正确比特集合中，选取至少一个靠前排列的估计比特信息L(1,p)进行赋值，将信息翻转和赋值后估计比特信息L(1,p)的符号作为初始冻结位信息R(1,p)的符号，再根据调整后的初始冻结位信息R(1,:)以及收到的所述信道信息L(M+1,:)，重新执行迭代译码步骤；其中，p表示比特序号，M表示因子图的级数；同时，每次选取进行信息翻转的估计比特信息L(1,p)的比特序号不重复；
E、对每次迭代的判决结果进行CRC校验，若通过CRC校验，则将所述判决结果输出，否则，判断迭代次数是否达到最大迭代次数，若未达到最大迭代次数，则继续进行下一次迭代译码，若达到最大迭代次数，则进一步判断信息翻转次数是否达到最大翻转次数，其中，若未达到最大翻转次数，则重新进入步骤D，若达到最大翻转次数，则将所述判决结果输出。
根据一种具体的实施方式，本发明基于智能后处理的极化码BP译码算法中，在步骤D中，对从所述错误比特集合中选取的估计比特信息L(1,p)进行信息翻转的方式为：
Figure GDA0002432835780000041
对从所述正确比特集合中选取的估计比特信息L(1,p)进行赋值的方式为：
Figure GDA0002432835780000042
其中，R(1,p)为初始冻结位信息R(1,:)中的第p行的初始冻结位信息，L(1,p)为估计比特信息L(1,:)中第p行的估计比特信息，a为正数。
根据一种具体的实施方式，本发明基于智能后处理的极化码BP译码算法中，所述基于深度神经网络的二分类器通过学习从BP解码过程中提取的数据集内的正确比特和错误比特训练而成。
与现有技术相比，本发明的有益效果：
本发明基于智能后处理的极化码BP译码算法，在传统的BP译码算法的基础上增加智能后处理步骤，具体的，当迭代译码的迭代次数到达最大迭代次数且未通过CRC校验时，则进入该智能后处理步骤，将利用每次迭代得到的信息而得到等间隔的三次迭代LLR值，LLR均值和LLR方差作为每个比特的数据特征，并输入至预先训练好的基于深度神经网络的二分类器的中，得到一个错误比特集合和一个正确比特集合，并分别从错误比特集合和正确比特集合中选取估计比特信息进行信息翻转和赋值，并将信息翻转和赋值后估计比特信息的符号作为初始冻结位信息的符号，再根据调整后的初始冻结位信息以及收到的信道信息，重新执行迭代译码。因此，本发明基于智能后处理的极化码BP译码算法虽然增加翻转次数与迭代次数，但能够明显地提升译码增益。
附图说明
图1为码长N＝8的极化码因子图；
图2为图1所示的因子图中处理单元的信息传递过程的示意图；
图3为本发明的流程示意图；
图4为传统BP译码算法、基于智能后处理的BP译码算法、SCL算法和SC算法的误帧率对比图；
图5为传统BP译码算法、基于智能后处理的BP译码算法、SCL算法和SC算法的误码率对比图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
由于极化码的BP译码算法是基于因子图表示的，码长为N的极化码由一个n级的因子图表示，包括有N(n+1)个节点，由(i，j)表示，其中i表示级数，j表示因子图行数，每个节点上有两个信息，一个从左向右传递的信息和一个从右向左传递的信息，分别由R(i,j)和L(i,j)表示，每一级中包括N/2个处理单元(Processing Elements，PE)。结合图1所示的码长N＝8的极化码因子图，其由3级组成，每级有4个PE，PE的信息传递过程为图2所示。
具体的，在译码过程中，从左向右传递的信息和从右向左传递的信息在相邻的节点中传递和更新。软信息首先从最右边的节点传递到最左边的节点，再从最右边的节点传递到最左边，这样完成一次迭代。迭代过程中的更新公式为：
Figure GDA0002432835780000061
其中t为迭代次数，1≤i≤n+1，1≤j≤N/2，且
Figure GDA0002432835780000062
在开始迭代之前，信道信息从最右边的节点输入：
Figure GDA0002432835780000063
冻结位信息从最左边的节点输入：
Figure GDA0002432835780000064
迭代完成后，译码器通过判决输出译码结果
Figure GDA0002432835780000065
Figure GDA0002432835780000066
因此，本发明在传统的BP译码算法的基础上增加智能后处理步骤，具体的，当迭代译码的迭代次数到达最大迭代次数且未通过CRC校验时，则进入该智能后处理步骤，将利用每次迭代得到的信息而得到等间隔的三次迭代LLR值，LLR均值和LLR方差作为每个比特的数据特征，并输入至预先训练好的基于深度神经网络的二分类器的中，得到一个错误比特集合和一个正确比特集合，并分别从错误比特集合和正确比特集合中选取估计比特信息进行信息翻转和赋值，并将信息翻转和赋值后估计比特信息的符号作为初始冻结位信息的符号，再根据调整后的初始冻结位信息以及收到的所述信道信息，重新执行迭代译码。因此，本发明基于智能后处理的极化码BP译码算法虽然增加翻转次数与迭代次数，但能够明显地提升译码增益。
具体的，结合图3所示的本发明的流程示意图；本发明基于智能后处理的极化码BP译码算法包括以下步骤：
迭代译码步骤：收到信道信息后，初始化迭代次数、翻转次数、最大迭代次数和最大翻转次数，并根据极化码的因子图，对收到的信道信息进行BP迭代译码；
CRC校验步骤：对每次迭代的判决结果进行CRC校验，若通过CRC校验，则将所述判决结果输出，而未通过CRC校验，若迭代次数小于最大迭代次数，则进入下一次迭代译码，若迭代次数等于最大迭代次数，则执行智能后处理步骤；
所述智能后处理步骤具体包括以下步骤：
A、利用每次迭代得到的信息L(1,j),j＝1,2,…,N，得到等间隔的三次迭代LLR值，LLR均值和LLR方差，并将等间隔的三次迭代LLR值，LLR均值和LLR方差作为每个比特的数据特征。
B、将每个比特的数据特征作为基于深度神经网络的二分类器的输入，对每个比特进行分类，并根据分类的结果，构造一个错误比特集合和一个正确比特集合。
C、将所述错误比特集合中的比特按照均值绝对值大小进行升序排列，以及将所述正确比特集合中的比特按照均值绝对值大小进行降序排列；
D、从所述错误比特集合中，选取至少一个靠前排列的估计比特信息L(1,p)进行信息翻转；从所述正确比特集合中，选取至少一个靠前排列的估计比特信息L(1,p)进行赋值，将信息翻转和赋值后估计比特信息L(1,p)的符号作为初始冻结位信息R(1,p)的符号，再根据调整后的初始冻结位信息R(1,:)以及收到的所述信道信息L(M+1,:)，重新执行迭代译码步骤；其中，p表示比特序号，M表示因子图的级数；同时，每次选取进行信息翻转的估计比特信息L(1,p)的比特序号不重复；
E、对每次迭代的判决结果进行CRC校验，若通过CRC校验，则将所述判决结果输出，否则，判断迭代次数是否达到最大迭代次数，若未达到最大迭代次数，则继续进行下一次迭代译码，若达到最大迭代次数，则进一步判断信息翻转次数是否达到最大翻转次数，其中，若未达到最大翻转次数，则重新进入步骤D，若达到最大翻转次数，则将所述判决结果输出。
具体的，本发明中基于深度神经网络的二分类器通过学习从BP译码过程中提取的数据集内的正确比特和错误比特训练而成。
而且，在步骤D中，对从所述错误比特集合中选取的估计比特信息L(1,p)进行信息翻转的方式为：
Figure GDA0002432835780000081
对从所述正确比特集合中选取的估计比特信息L(1,p)进行赋值的方式为：
Figure GDA0002432835780000082
其中，R(1,p)为初始冻结位信息R(1,:)中的第p行的初始冻结位信息，L(1,p)为估计比特信息L(1,:)中第p行的估计比特信息，a为正数。
如图4所示的传统BP译码算法、基于智能后处理的BP译码算法、SCL算法和SC算法的误帧率对比图。测试采用的极化码的码长为256，码率为1/2，BP译码算法的迭代次数为100。从图4中可以看出，SCL算法的性能最佳，SC算法的性能最差。而本发明算法性能居中，优于传统BP译码算法和SC算法，相比传统BP译码算法存在0.4dB左右的性能优化。
如图5所示的传统BP译码算法、基于智能后处理的BP译码算法、SCL算法和SC算法的误码率对比图。测试采用的极化码的码长为256，码率为1/2，BP译码算法的迭代次数为100。从图5中可以看出，SCL算法的性能最佳，SC算法的性能最差。而本发明算法性能居中，优于传统BP译码算法和SC算法，在高信噪比条件下，相比传统BP译码算法存在0.1dB左右的性能优化。
通过对传统BP译码算法、基于智能后处理的BP译码算法、SCL算法和SC算法的的复杂度进行分析，得到表一；其中，Mbp2表示最大迭代次数，Mf表示最大翻转次数，m表示比特的数量。因此，由下表可知，与传统BP译码算法相比，基于智能后处理的BP译码算法(IP-BP)的复杂性略有增加。
表一：SC、SCL、BP以及IP-BP的Polar码译码算法复杂度比较
Figure GDA0002432835780000091
因此，本发明基于智能后处理的极化码BP译码算法，虽然由于增加翻转次数与迭代次数而增加了复杂度，但与传统BP译码算法相比提升译码增益。

Claims (3)

1.一种基于智能后处理的极化码BP译码算法，其特征在于，包括以下步骤，
迭代译码步骤：收到信道信息后，初始化迭代次数、翻转次数、最大迭代次数和最大翻转次数，并根据极化码的因子图，对收到的信道信息进行BP迭代译码；
CRC校验步骤：对每次迭代的判决结果进行CRC校验，若通过CRC校验，则将所述判决结果输出，而未通过CRC校验，若迭代次数小于最大迭代次数，则进入下一次迭代译码，若迭代次数等于最大迭代次数，则执行智能后处理步骤；
所述智能后处理步骤具体包括以下步骤：
A、利用每次迭代得到的信息L(1,j),j＝1,2,…,N，得到等间隔的三次迭代LLR值，LLR均值和LLR方差，并将等间隔的三次迭代LLR值，LLR均值和LLR方差作为每个比特的数据特征；
B、将每个比特的数据特征作为基于深度神经网络的二分类器的输入，对每个比特进行分类，并根据分类的结果，构造一个错误比特集合和一个正确比特集合；
C、将所述错误比特集合中的比特按照LLR均值的绝对值大小进行升序排列，以及将所述正确比特集合中的比特按照LLR均值的绝对值大小进行降序排列；
D、从所述错误比特集合中，选取至少一个靠前排列的估计比特信息L(1,p)进行信息翻转；从所述正确比特集合中，选取至少一个靠前排列的所述估计比特信息L(1,p)进行赋值，将信息翻转和赋值后所述估计比特信息L(1,p)的符号作为初始冻结位信息R(1,p)的符号，再根据调整后的初始冻结位信息R(1,:)以及收到的所述信道信息L(M+1,:)，重新执行迭代译码步骤；其中，p表示比特序号，M表示因子图的级数；同时，每次选取进行信息翻转的所述估计比特信息L(1,p)的比特序号不重复；
E、对每次迭代的判决结果进行CRC校验，若通过CRC校验，则将所述判决结果输出，否则，判断迭代次数是否达到最大迭代次数，若未达到最大迭代次数，则继续进行下一次迭代译码，若达到最大迭代次数，则进一步判断信息翻转次数是否达到最大翻转次数，其中，若未达到最大翻转次数，则重新进入步骤D，若达到最大翻转次数，则将所述判决结果输出。
2.如权利要求1所述的基于智能后处理的极化码BP译码算法，其特征在于，在步骤D中，对从所述错误比特集合中选取的所述估计比特信息L(1,p)进行信息翻转的方式为：
Figure FDA0002432835770000021
对从所述正确比特集合中选取的所述估计比特信息L(1,p)进行赋值的方式为：
Figure FDA0002432835770000022
其中，R(1,p)为初始冻结位信息R(1,:)中的第p行的初始冻结位信息，L(1,p)为估计比特信息L(1,:)中第p行的估计比特信息，a为正数。
3.如权利要求1所述的基于智能后处理的极化码BP译码算法，其特征在于，所述基于深度神经网络的二分类器通过学习从BP译码过程中提取的数据集内的正确比特和错误比特训练而成。
CN201811486824.9A 2018-12-06 2018-12-06 一种基于智能后处理的极化码bp译码算法 Active CN109586730B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811486824.9A CN109586730B (zh) 2018-12-06 2018-12-06 一种基于智能后处理的极化码bp译码算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811486824.9A CN109586730B (zh) 2018-12-06 2018-12-06 一种基于智能后处理的极化码bp译码算法

Publications (2)

Publication Number Publication Date
CN109586730A CN109586730A (zh) 2019-04-05
CN109586730B true CN109586730B (zh) 2020-07-07

Family

ID=65926165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811486824.9A Active CN109586730B (zh) 2018-12-06 2018-12-06 一种基于智能后处理的极化码bp译码算法

Country Status (1)

Country Link
CN (1) CN109586730B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110752852B (zh) * 2019-09-26 2023-10-03 浙江科睿微电子技术有限公司 极化码的bp译码方法、装置、系统、设备及存储介质
CN110798228A (zh) * 2019-10-29 2020-02-14 南京宁麒智能计算芯片研究院有限公司 一种基于深度学习的极化码翻转译码方法及系统
CN110943745B (zh) * 2019-11-29 2023-03-14 中国电子科技集团公司第三十八研究所 一种提前终止迭代输出结果的极化码bp译码方法及系统
CN111010196B (zh) * 2019-12-31 2021-09-03 北京航空航天大学 一种极化码BP List译码方法
CN111711455B (zh) * 2020-05-26 2022-04-12 北京邮电大学 一种基于神经网络的极化码bp译码方法
CN112118015B (zh) * 2020-09-11 2022-06-17 山东云海国创云计算装备产业创新中心有限公司 一种译码方法、装置、设备及存储介质
CN112290954B (zh) * 2020-09-15 2023-09-08 华南理工大学 一种基于深度学习后处理的ldpc码的译码算法
CN112332863B (zh) * 2020-10-27 2023-09-05 东方红卫星移动通信有限公司 低轨卫星低信噪比场景下的极化码译码算法、接收端和系统
CN113014271B (zh) * 2021-03-08 2022-08-12 重庆邮电大学 一种缩小翻转集的极化码bp译码方法
CN114614835B (zh) * 2022-03-23 2024-05-17 浙江大学 一种适用于水声通信的极化码bp译码方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105720992A (zh) * 2016-01-22 2016-06-29 哈尔滨工业大学深圳研究生院 一种极化码的简化译码方法
CN107241106A (zh) * 2017-05-24 2017-10-10 东南大学 基于深度学习的极化码译码算法
CN108847848A (zh) * 2018-06-13 2018-11-20 电子科技大学 一种基于信息后处理的极化码的bp译码算法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105720992A (zh) * 2016-01-22 2016-06-29 哈尔滨工业大学深圳研究生院 一种极化码的简化译码方法
CN107241106A (zh) * 2017-05-24 2017-10-10 东南大学 基于深度学习的极化码译码算法
CN108847848A (zh) * 2018-06-13 2018-11-20 电子科技大学 一种基于信息后处理的极化码的bp译码算法

Also Published As

Publication number Publication date
CN109586730A (zh) 2019-04-05

Similar Documents

Publication Publication Date Title
CN109586730B (zh) 一种基于智能后处理的极化码bp译码算法
CN108282264B (zh) 基于比特翻转串行消除列表算法的极化码译码方法
CN108847848B (zh) 一种基于信息后处理的极化码的bp译码算法
CN109660264B (zh) 高性能极化码译码算法
CN108462558B (zh) 一种极化码scl译码方法、装置及电子设备
CN109286405B (zh) 一种低复杂度的极化码递进式比特翻转sc译码方法
KR100651036B1 (ko) 공간다중화 시스템에서 부분적인 구복호 기반 복잡도를줄이는 반복 복호 수신 장치 및 그 방법
US20060136799A1 (en) LDPC decoding apparatus and method with low computational complexity algorithm
CN107612560B (zh) 基于部分信息比特似然比的极化码早期迭代停止方法
CN110445581B (zh) 基于卷积神经网络降低信道译码误码率的方法
CN107565978B (zh) 基于Tanner图边调度策略的BP译码方法
CN110336567B (zh) 一种应用于g-ldpc编码协作的联合迭代译码方法
Ye et al. Circular convolutional auto-encoder for channel coding
CN110233628B (zh) 极化码的自适应置信传播列表译码方法
Teng et al. Syndrome-enabled unsupervised learning for neural network-based polar decoder and jointly optimized blind equalizer
Winkelbauer et al. On quantization of log-likelihood ratios for maximum mutual information
Xiao et al. FAID diversity via neural networks
CN107181567B (zh) 一种基于门限的低复杂度mpa算法
CN111130567B (zh) 添加噪声扰动和比特翻转的极化码置信传播列表译码方法
KR20090012189A (ko) Ｌｄｐｃ 부호의 성능 개선을 위한 스케일링 기반의 개선된ｍｉｎ-ｓｕｍ 반복복호알고리즘을 이용한 복호 장치 및그 방법
CN115765759A (zh) 一种适用于多元ldpc码的高斯消去译码开集盲识别方法
CN112615629B (zh) 多元ldpc码的译码方法、系统、介质、设备及应用
US11184035B2 (en) Soft-input soft-output decoding of block codes
CN111313914B (zh) 一种基于神经网络分类器的scl简化译码方法
Huang et al. Extrinsic neural network equalizer for channels with high inter-symbol-interference

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
GR01 Patent grant
GR01 Patent grant