引用本文：

罗颖，李晓记，王家明. 基于FCNN的极化码分区译码算法研究[J]. 光通信技术，2025，49（3）：79-82.

基于FCNN的极化码分区译码算法研究

罗 颖，李晓记*，王家明

（桂林电子科技大学 认知无线电与信息处理教育部重点实验室，广西 桂林 541004）

【下载PDF全文】 【下载Word】

摘要：为了降低极化码神经网络译码器在训练阶段的维度限制，设计了一种基于全连接神经网络（FCNN）的串行抵消（SC）分区译码器，通过将极化码译码树划分为两个区域，并分别使用不同参数设置的FCNN进行处理，从而减少对大规模训练数据的需求。仿真结果表明：在加性高斯白噪声信道中，当信噪比为1~5 dB时，FCNN-SC译码器性能接近于SC译码算法；当信噪比为1.5~3 dB时，FCNN-SC译码器相较于FCNN译码器有0.5 dB左右的编码增益，且训练阶段所需的数据集更小，仅为FCNN译码器的一半左右。

关键词：极化码；串行抵消译码算法；全连接神经网络；神经网络译码器；深度学习

中图分类号：TN91  文献标志码：A 文章编号：1002-5561（2025）03-0079-04

DOI:10.13921/j.cnki.issn1002-5561.2025.03.013

  1. 研究背景与目的：

    • 极化码已被广泛应用于无线光通信、水下光通信及物理层安全等领域。

    • 传统极化码译码算法存在计算复杂度高、译码时延长等问题。

    • 神经网络与纠错码技术联系紧密，将神经网络应用于译码算法可降低计算复杂度、减少译码时延。

    • 针对神经网络译码器训练复杂度指数增长、维度受限的问题，本文提出基于全连接神经网络（FCNN）的极化码分区译码算法。

  2. 基于FCNN的极化码译码器模型：

    • 描述了基于FCNN的极化码译码器系统框图及工作流程。

    • 阐述了FCNN译码器的开发与测试阶段，包括数据集的生成、训练集与测试集的划分、损失函数的选择等。

  3. 基于FCNN的极化码分区译码器模型：

    • 介绍了SC二分区译码设计的原理，将SC译码树划分为两个区域，分别使用不同的FCNN译码器进行处理。

    • 描述了基于FCNN的SC二分区译码器模型，包括f函数和g函数的定义及LLR计算方式。

  4. FCNN-SC二分区译码器建模及结果分析：

    • 对FCNN-SC二分区译码器进行建模，并设置仿真参数。

    • 通过仿真测试比较了FCNN-SC译码器、FCNN译码器及标准SC译码算法的性能。

    • 结果表明，在特定信噪比范围内，FCNN-SC译码器性能接近或优于其他两种译码器，且所需数据集更小。

  5. 结论：

    • 本文设计的基于FCNN的SC二分区译码器在性能上与传统SC译码算法相当，甚至在某些情况下更优。

    • FCNN-SC译码器相较于标准FCNN译码器具有约0.5dB的编码增益，且训练所需数据集减少近一半。

    • 该研究验证了将FCNN应用于极化码译码并采用分区方法的可行性和可靠性，为进一步探索减少译码过程中维度限制提供了新的视角。