基于深度学习的Turbo码译码研究

摘要

译码器通常被设计用于高斯信道,对于非高斯信道而言却是次优的.深度学习方法为设计译码器提供了一种新的方法,可以对任意信道的数据进行训练和学习.为了克服传统模式存在的弊端,提出了一种新的基于卷积神经网络(CNN)的Turbo码译码方案.通过搭建神经译码网络模型,采用交叉熵函数(BCE)作为损失函数,对生成的编码数据进行网络训练,使得训练网络能够更好地提取特征关系,从而拟合出Turbo码的最佳译码函数.试验结果表明:基于卷积神经译码网络在加性高斯白噪声(AWGN)信道上和标准的Turbo解码器性能接近,但在非AWGN信道上却表现出相比于标准译码器更好的适应性和鲁棒性,适用于任意信道.此外,卷积神经译码网络还可以用于低密度奇偶校验(LDPC)码和Polar码的译码,有利于提出更多端到端训练有素的神经译码器.