SC译码器下的基于极化权重和遗传算法的极化码构造方法

摘要

本发明提出了一种新的极化码构造方法，该方法适用于高斯信道下的SC译码。该方法包括：根据极化权重算法，挑选出可靠的比特通道，不可靠的比特通道，以及不确定比特通道；对遗传算法进行改进，通过引入优胜劣汰机制，加快传统遗传算法的收敛速度；根据改进的遗传算法寻找不确定比特通道中的最优解，即其中的信息位。其中，种群通过自身的误码性能不断的进化，最终向误码率最低所对应的比特集收敛。本方法的优点在于，相对于传统的极化码构造方法，该算法求得的比特集误码性能更优。

说明书

技术领域

本发明涉及数据传输以及5G移动通信技术领域，具体是一种SC译码器下的基于极化权重和遗传算法的极化码构造方法。

背景技术

在信道编码技术领域，追求香农极限容量一直都是通信学者们的目标。早期的Turbo码和LDPC码已经十分接近这一目标，但是没能得到严格的数学证明，目前唯一能达到香浓极限的信道编码技术也只有极化码技术。极化码是一种基于信道极化现象而产生的一种信道专属编码，关于极化码的理论研究可以可以划分为极化码的构造方法以及极化码译码算法的研究。研究极化码构造方法的主要目的是在信道产生极化之后精准的挑选出信道容量趋于“1”的比特信道来传送有用的信息位，而研究极化码译码算法的目的则是在信息接收端以最精确的方式还原发送端所传过来的信息。

极化码是在信道极化理论基础上，使用N个信道中的K个可靠信道来传输信息并且在其余的不可靠信道上使用收发双方都已知的固定信息(通常为0)填充。在接收端，最初使用串行抵消(SC)算法进行译码。由于SC译码的误码性能并不够理想，学者们提出了置信度传播(BP)译码算法、线性规划(LP)译码算法等。这些算法取得了一定的编码增益，但增益仍然不够明显。

关于极化码构造方法的研究相对较少，但是通过改进编码构造方法可以有效的提升极化码的性能。Monte-Carlo方法，Density evolution方法和高斯近似方法是经典的极化码构造方法。Monte-Carlo算法的精确度过度依赖重复计算的次数，因此在实际应用时其复杂度十分的高。密度演进算法的精度虽然非常高，但是该方法在计算过程中涉及到卷积计算，这对硬件的要求十分苛刻。高斯近似方法存在极化速率过低的问题。最近PW算法用于极化码的构造，该算法虽然能够快速的构造出比特集，但是误码性能相对较差。

发明内容

本发明要解决的技术问题在于，针对如何精准的挑选出信道容量趋近于“1”的比特信道来传送有用的信息位，采用了一种SC译码器下的基于极化权重和遗传算法的极化码构造方法解决上述问题。

一种SC译码器下的基于极化权重和遗传算法的极化码构造方法，包括以下步骤：

S1、根据PW算法，挑选出可靠的比特通道、不可靠的比特通道以及不确定比特通道；

S2、通过引入优胜劣汰机制，改进传统的遗传算法；

S3、根据改进的遗传算法，寻找不确定比特通道中的最优解；

S4、将S3求得的最优解用于高斯信道下的SC译码器。

进一步地，S1中，PW算法挑选出可靠的比特通道、不可靠的比特通道及不确定比特通道具体步骤如下：

S11、对于码长N＝2

S12、设N个子信道中的极化权重中间值为G，子信道的极化权重值相对于G值越大，即为可靠的比特通道I，极化权重值相对于G值越小，即为不可靠的比特通道F，极化权重位于G值附近的子通道，就是不确定比特通道U，其中I+F+U＝N，并且I＝F，I和F的大小取决于U的大小，U＝2

S13、把可靠的比特通道直接作为信息位1，不可靠的比特通道直接作为冻结位0；

S14、根据步骤S11，S12和S13，得到码长分别为N＝2

进一步地，S2中，通过引入优胜劣汰机制改进传统遗传算法的步骤如下：

S21、在每次挑选下一代种群之前，计算出每个个体的适应度值，然后找出该种群中适应度值最小的个体，然后记录下该个体以及它所对应的适应度值；

S22、采用轮盘赌法算子选择执行挑选操作，挑选出来下一代个体，并对挑选出来的种群进行交叉和突变，其中，只有当种群中的个体大于设定的交叉概率和突变概率才进行交叉和突变操作；

S23、循环执行步骤S21和步骤S22，直到达到设定的遗传算法最大循环次数M；

S24、在达到遗传算法最大循环次数M时，记录下M个个体和它们所对应的适应度值；

S25、对比步骤S24中M个个体的适应度值，找到这M个个体中适应度值最小的个体A，然后再将个体A的适应度值与最终收敛结果对应的适应度值进行对比，找出适应度值最小的个体即是求得的最优解。

进一步地，S3中，根据改进的遗传算法，寻找不确定比特通道中的最优解，即信息位，包括以下步骤：

S31、执行步骤S14，得到I个信息位比特通道，F个冻结位比特通道以及U个不确定比特通道，对不确定比特通道随机进行初始化，假设初始化得到了L个信息位比特通道；

S32、进行自适应操作，使得由步骤S31初始化得到的信息位个数L+I＝K，K为设定的值；

S33、对初始化的种群进行适应度值计算，即求种群中每个个体的误码率，然后执行步骤S21；

S34、采用轮盘赌法算子选择执行挑选操作，挑选出来下一代个体，并对挑选出的种群进行交叉和突变，但是交叉和突变都只是针对不确定比特通道，并且交叉和突变后，都要执行自适应操作，使得信息位的个数始终为K；

S35、执行步骤S23，S24和S25，找到误码率最低的比特集。

附图说明

图1为本发明一种SC译码器下的基于极化权重和遗传算法的极化码构造方法流程图；

图2为本发明一种SC译码器下的基于极化权重和遗传算法的极化码构造方法SC译码器信号流图；

图3为本发明求得的比特集(N＝512)与PW算法求得比特集在高斯信道下SC译码的误码性能对比图；

图4为本发明求得的比特集(N＝1024)与PW算法求得比特集在高斯信道下SC译码的误码性能对比图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

如图1所示为本发明一种SC译码器下的基于极化权重和遗传算法的极化码构造方法示意图，该方法根据PW算法，挑选出可靠的比特通道(信息位)，不可靠的比特通道(冻结位)，以及不确定比特通道(可能为信息位也可能为冻结位)；对遗传算法进行改进，通过引入优胜劣汰机制，加快传统遗传算法的收敛速度；根据改进的遗传算法寻找不确定比特通道中的最优解，即最优的极化码构造。其中，种群(比特集)通过自身的误码性能不断的进化，最终向误码率最低所对应的比特集收敛。

步骤S1中，PW算法挑选出可靠的比特通道，不可靠的比特通道以及不确定比特通道具体步骤如下：

S11、对于第i个子信道W

如N＝16时，各比特子通道的极化权重值为V＝{0.000，1.000，1.189，2.189，1.414，2.414，2.603，3.603，1.682，2.682，2.871，3.871，3.096，4.096，4.285，5.285}，进一步的可以得到各信道的可靠性排序Order＝{0，1，2，4，8，3，5，6，9，10，12，7，11，13，14，15}；

S12、设N个子信道中的极化权重中间值为G，那么子信道的极化权重值越大(相对于G值越大)，它的可靠性越高，即为可靠的比特通道，子信道的极化权重值越小(相对于G值越小)，它的可靠性越低，即为不可靠的比特通道，子信道的极化权重位于G值附近的子通道，就是不确定比特通道。至于可靠比特通道的个数(I)，不可靠比特通道个数(F)以及不确定比特通道个数(U)的选取，采用办法为：始终保持I+F+U＝N，并且I＝F，那么I和F的大小取决于U的大小。U＝2

S13、把可靠的比特通道直接作为信息位1，不可靠的比特通道直接作为冻结位0；

S14、根据步骤S11，S12和S13，可以得到码长分别为N＝32，64，128，256，512，1024时所对应的可靠比特通道，不可靠比特通道以及不确定比特通道；如N＝512时，不确定比特通道的索引值为{121 173 179 216 228 283 295 332 390 448}，N＝1024时，不确定比特通道的索引值为{127 221 248 315 364 410 422 480 572 601 613 653 659 708 775802}。

步骤S2中，改进的遗传算法具体步骤如下：

S21、传统的遗传算法收敛速度非常慢，为了解决这个问题，引入了优胜劣汰机制来改进遗传算法。在每次挑选下一代种群之前，计算出每个个体的适应度值，然后找出该种群中适应度值最小的个体，然后记录下该个体以及它所对应的适应度值；

S22、采用轮盘赌法算子选择执行挑选操作，挑选出来下一代个体，并对挑选出来的种群进行交叉和突变。其中，只有当种群中的个体大于设定的交叉概率和突变概率才会进行交叉和突变操作；

S23、循环执行步骤S21和步骤S22，直到达到设定的遗传算法最大循环次数M；

S24、在达到遗传算法最大循环次数时，由步骤S21，一共记录下M个个体和它们所对用的适应度值；

S25、对比步骤S24中M个个体的适应度值，找到这M个个体中适应度值最小的个体A，然后再将个体A的适应度值与最终收敛结果对应的适应度值进行对比，找出适应度值最小的个体即是求得的最优解。

步骤S3中，采用改进的遗传算法挑选出不确定比特通道中的信息位步骤如下：

S31、执行步骤S14，得到I个信息位比特通道，F个冻结位比特通道以及U个不确定比特通道，对不确定比特通道随机进行初始化，如N＝512时，对索引值为{121 173 179 216228 283 295 332 390 448}的比特通道随机进行初始化，假设初始化得到了L个信息位比特通道；

S32、进行自适应操作，使得由步骤S31初始化得到的信息位个数L+I＝K，K为设定的值；

S33、对初始化的种群进行适应度值计算，即求种群中每个个体的误码率，然后执行步骤S21；

S34、采用轮盘赌法算子选择执行挑选操作，挑选出来下一代个体，并对挑选出的种群进行交叉和突变，但是交叉和突变都只是针对不确定比特通道，如N＝512时，只对种群中个体索引值为{121 173 179 216 228 283 295 332 390 448}的比特通道进行交叉和突变操作。并且交叉和突变后，都要执行自适应操作，使得信息位的个数始终为K；

S35、执行步骤S23，S24和S25，找到误码率最低的比特集。

图2为本文中的SC译码器(N＝4)信号流图。

如图3所示为本发明所得比特集(N＝512)与PW算法求得比特集在高斯信道下SC译码的误码性能对比图。

其中如图3中“○”线条所示为本发明所构造的比特集(N＝512)误码性能曲线。如图3中“□”线条所示为PW算法构造的比特集(N＝512)的误码性能曲线。

从图中可以看出，当信噪比大于等于2.0dB时，基于极化权重和遗传算法构造的比特集具有更好的误码性能。

随着信噪比的不断增大，这种基于极化权重和遗传算法构造的比特集在误码性能上的优势越来越明显，当信噪比大于等于3dB时，本发明构造的比特集误码率有了将近0.2dB的增益，当信噪比大于等于4dB时，本发明构造的比特集误码率有了将近0.5dB的增益。

如图4所示为本发明所得比特集(N＝1024)与PW算法求得比特集在高斯信道下SC译码的误码性能对比图。

其中如图4中“○”线条所示为本发明所构造的比特集(N＝1024)误码性能曲线。如图4中“□”线条所示为PW算法构造的比特集(N＝1024)的误码性能曲线。

从图中可以看出，当信噪比大于等于2.0dB时，基于极化权重和遗传算法构造的比特集具有更好的误码性能。

随着信噪比的不断增大，这种基于极化权重和遗传算法构造的比特集在误码性能上的优势越来越明显，当信噪比大于等于3dB时，本发明构造的比特集误码率有了将近0.1dB的增益。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。