通信系統(tǒng)中的信道編碼系統(tǒng)通過對原始信息進(jìn)行隨機(jī)化并加入冗余信息的方式來增加信息傳遞的可靠性。過去的信道碼譯碼算法多是通過純粹的數(shù)學(xué)公式推導(dǎo)得出。由于如今人類掌握的數(shù)學(xué)工具的匱乏與計(jì)算機(jī)算力的限制,傳統(tǒng)的信道譯碼算法往往需要對模型進(jìn)行簡化,對計(jì)算進(jìn)行近似,這樣處理的好處是在可接受的計(jì)算復(fù)雜度下完成譯碼,但同時(shí)也損失了準(zhǔn)確度。當(dāng)下機(jī)器學(xué)習(xí)算法在多種領(lǐng)域都有了可實(shí)用的表現(xiàn),譯碼問題本質(zhì)上可以看作是一個(gè)二分類問題來進(jìn)行研究,其任務(wù)為將接受到的被信道污染的數(shù)據(jù)通過一個(gè)分類函數(shù)映射到0、1兩個(gè)值上。本文研究內(nèi)容為使用機(jī)器學(xué)習(xí)的方法對這個(gè)分類函數(shù)進(jìn)行擬合,研究對象為5G通信中控制信道采用的polar碼與4G通信中采用的turbo碼。本文主要包括以下三點(diǎn)的創(chuàng)新:第一,針對現(xiàn)有polar碼的SCL譯碼算法為串行譯碼算法,并行性較差的缺點(diǎn),結(jié)合神經(jīng)網(wǎng)絡(luò)在層內(nèi)可實(shí)現(xiàn)全并行的特點(diǎn),本文提出一種針對polar碼的全新的卷積神經(jīng)網(wǎng)絡(luò)譯碼器,該譯碼器利用polar編碼時(shí)相異或的比特相關(guān)性更強(qiáng)的特性設(shè)計(jì)卷積核,使用七層神經(jīng)網(wǎng)絡(luò)可以獲得與現(xiàn)有譯碼器相當(dāng)?shù)男阅?但計(jì)算復(fù)雜度相比前人提出的全連接神經(jīng)網(wǎng)絡(luò)更低,且具有更強(qiáng)的泛...

【文章頁數(shù)】：90 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
縮略詞表
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 通信信道碼技術(shù)研究歷史與現(xiàn)狀
    1.3 本論文的結(jié)構(gòu)安排
第二章 Polar碼與Turbo碼現(xiàn)行編譯碼算法介紹
    2.1 Turbo碼編譯碼算法
        2.1.1 Turbo碼編碼原理
        2.1.2 Turbo碼的BCJR譯碼算法
    2.2 Polar碼編譯碼算法
        2.2.1 Polar碼中的信道極化原理及編碼方式
        2.2.2 Polar碼的置信度傳播(BP)譯碼算法
        2.2.3 Polar碼的串行抵消列表(SCL)譯碼算法
    2.3 本章小結(jié)
第三章 神經(jīng)網(wǎng)絡(luò)及監(jiān)督學(xué)習(xí)
    3.1 神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)與分類
        3.1.1 神經(jīng)元模型
        3.1.2 全連接神經(jīng)網(wǎng)絡(luò)
        3.1.3 卷積神經(jīng)網(wǎng)絡(luò)
        3.1.4 循環(huán)神經(jīng)網(wǎng)絡(luò)
    3.2 常用激活函數(shù)
        3.2.1 sigmoid函數(shù)
        3.2.2 ReLU函數(shù)
        3.2.3 elu函數(shù)
        3.2.4 PReLU函數(shù)
    3.3 監(jiān)督學(xué)習(xí)的數(shù)據(jù)集的生成
        3.3.1 留出法
        3.3.2 交叉驗(yàn)證法
    3.4 本章小結(jié)
第四章 基于神經(jīng)網(wǎng)絡(luò)的polar譯碼算法
    4.1 針對譯碼場景的訓(xùn)練集與測試集的生成
    4.2 基于卷積神經(jīng)網(wǎng)絡(luò)的polar譯碼器
        4.2.1 卷積層通道數(shù)對訓(xùn)練效果的影響
        4.2.2 全連接層的層數(shù)對訓(xùn)練效果的影響
        4.2.3 隱藏層的節(jié)點(diǎn)數(shù)對訓(xùn)練效果的影響
        4.2.4 過擬合與dropout
        4.2.5 損失函數(shù)的選擇
        4.2.6 激活函數(shù)的選擇
        4.2.7 CNN譯碼與傳統(tǒng)譯碼算法性能比較
        4.2.8 CNN譯碼器的泛化能力
        4.2.9 CNN譯碼器與全連接神經(jīng)網(wǎng)絡(luò)譯碼器對比
    4.3 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的加權(quán)BP譯碼器
        4.3.1 循環(huán)神經(jīng)網(wǎng)絡(luò)polar譯碼結(jié)構(gòu)
        4.3.2 循環(huán)神經(jīng)網(wǎng)絡(luò)polar譯碼性能
    4.4 本章小結(jié)
第五章 基于卷積神經(jīng)網(wǎng)絡(luò)的turbo譯碼器
    5.1 基于CNN的turbo譯碼器結(jié)構(gòu)
    5.2 CNN譯碼器不同卷積核與通道數(shù)對性能的影響
    5.3 基于CNN的turbo譯碼器性能
    5.4 本章小結(jié)
第六章 全文總結(jié)與展望
    6.1 全文總結(jié)
    6.2 后續(xù)工作展望
致謝
參考文獻(xiàn)
學(xué)位論文答辯后勘誤修訂說明表



本文編號：3821713