分组马尔可夫叠加传输的神经网络译码

doi:10.11959/j.issn.1000-436x.2020158

通信学报 ›› 2020, Vol. 41 ›› Issue (9): 202-209.doi: 10.11959/j.issn.1000-436x.2020158

分组马尔可夫叠加传输的神经网络译码

王千帆¹,毕胜^2,³,陈曾喆⁴,陈立⁴,马啸^2,³()

¹ 中山大学电子与通信工程学院，广东广州 510006
² 中山大学数据科学与计算机学院，广东广州 510006
³ 中山大学广东省信息安全重点实验室，广东广州 510006
⁴ 中山大学电子与信息工程学院，广东广州 5100063

修回日期:2020-06-30 出版日期:2020-09-25 发布日期:2020-10-12
作者简介:王千帆（1992– ），男，河南焦作人，中山大学博士生，主要研究方向为信道编码及其在无线通信中的应用|毕胜（1996– ），男，湖南常德人，中山大学硕士生，主要研究方向为信道编码与机器学习|陈曾喆（1996- ），男，广东汕头人，中山大学硕士生，主要研究方向为信道编码中的低时延译码技术|陈立（1981– ），男，广东揭西人，博士，中山大学教授、博士生导师，主要研究方向为信息与编码理论、数据通信等|马啸（1968– ），男，河南焦作人，博士，中山大学教授、博士生导师，主要研究方向为信息与编码理论、编码调制技术、无线通信、光通信等
基金资助:
国家自然科学基金资助项目(61971454);国家自然科学基金资助项目(61671486);广东省基础与应用基础研究基金资助项目(2020A1515010687);广东省自然科学基金资助项目(2016A030308008)

Neural network decoding of the block Markov superposition transmission

Qianfan WANG¹,Sheng BI^2,³,Zengzhe CHEN⁴,Li CHEN⁴,Xiao MA^2,³()

¹ School of Electronics and Communication Engineering,Sun Yat-sen University,Guangzhou 510006,China
² School of Data and Computer Science,Sun Yat-sen University,Guangzhou 510006,China
³ Guangdong Key Laboratory of Information Security Technology,Sun Yat-sen University,Guangzhou 510006,China
⁴ School of Electronics and Information Technology,Sun Yat-sen University,Guangzhou 510006,China

Revised:2020-06-30 Online:2020-09-25 Published:2020-10-12
Supported by:
The National Natural Science Foundation of China(61971454);The National Natural Science Foundation of China(61671486);The Basic and Applied Basic Research Foundation of Guangdong(2020A1515010687);The Natural Science Foundation of Guangdong Province(2016A030308008)

摘要/Abstract

摘要：

研究了分组马尔可夫叠加传输的神经网络（NN）译码方案。利用NN，实现了不同网络结构、数据表征形式的基本码译码器。在此基础上，将所实现的基本码译码器嵌入迭代译码机制中，提出了基于NN的分组马尔可夫叠加传输的滑窗译码算法，并分析了其对应的性能下界。所提出的译码算法提供了一种将NN运用到长码译码的解决思路，即用NN替代译码中的部分模块。仿真结果表明，利用NN实现的基本码译码器可以达到最大似然译码性能。基于NN的分组马尔可夫叠加传输的滑窗译码算法性能在中高信噪比区域与对应精灵辅助下界贴合，获得了额外的编码增益。

关键词: 分组马尔可夫叠加传输, 精灵辅助下界, 神经网络, 滑窗译码

Abstract:

A neural network (NN)-based decoding algorithm of block Markov superposition transmission (BMST) was researched.The decoders of the basic code with different network structures and representations of training data were implemented using NN.Integrating the NN-based decoder of the basic code in an iterative manner,a sliding window decoding algorithm was presented.To analyze the bit error rate (BER) performance,the genie-aided (GA) lower bounds were presented.The NN-based decoding algorithm of the BMST provides a possible way to apply NN to decode long codes.That means the part of the conventional decoder could be replaced by the NN.Numerical results show that the NN-based decoder of basic code can achieve the BER performance of the maximum likelihood (ML) decoder.For the BMST codes,BER performance of the NN-based decoding algorithm matches well with the GA lower bound and exhibits an extra coding gain.

Key words: BMST, GA lower bound, NN, sliding window decoding

中图分类号:

TN92

王千帆,毕胜,陈曾喆,陈立,马啸. 分组马尔可夫叠加传输的神经网络译码[J]. 通信学报, 2020, 41(9): 202-209.

Qianfan WANG,Sheng BI,Zengzhe CHEN,Li CHEN,Xiao MA. Neural network decoding of the block Markov superposition transmission[J]. Journal on Communications, 2020, 41(9): 202-209.

图/表 15

图1

图2

图3

图4

图5

图6

图7

图8

图9

图10

图11

表1

图12

图13

图14

参考文献 18

[1]	O’SHEA T , HOYDIS J . An introduction to deep learning for the physical layer[J]. IEEE Transactions on Cognitive Communications and Networking, 2017,3(4): 563-575.
[2]	CAID W R , MEANS R W . Neural network error correcting decoders for block and convolutional codes[C]// 1990 IEEE Global Communications Conference. Piscataway:IEEE Press, 1990: 1028-1031.
[3]	WANG X A , WICKER S B . An artificial neural net Viterbi decoder[J]. IEEE Transactions on Communications, 1996,44(2): 165-171.
[4]	GRUBER T , CAMMERER S , HOYDIS J ,et al. On deep learning-based channel decoding[C]// 2017 IEEE Annual Conference on Information Sciences and Systems. Piscataway:IEEE Press, 2017: 1-6.
[5]	NACHMANI E , MARCIANO E , LUGOSCH L ,et al. Deep learning methods for improved decoding of linear codes[J]. IEEE Journal of Selected Topics in Signal Processing, 2018,12(1): 119-131.
[6]	BELLMAN R . Dynamic programming[J]. Science, 1966,153(3731): 34-37.
[7]	WANG Y , ZHANG Z , ZHANG S ,et al. A unified deep learning based polar-LDPC decoder for 5G communication systems[C]// 2018 10th International Conference on Wireless Communications and Signal Processing. Piscataway:IEEE Press, 2018: 1-6.
[8]	CAMMERER S , GRUBER T , HOYDIS J ,et al. Scaling deep learning-based decoding of polar codes via partitioning[C]// 2017 IEEE Global Communications Conference. Piscataway:IEEE Press, 2017: 1-6.
[9]	LIANG C , MA X , ZHUANG Q ,et al. Spatial coupling of generator matrices:a general approach to design good codes at a target BER[J]. IEEE Transactions on Communications, 2014,62(12): 4211-4219.
[10]	MA X , LIANG C , HUANG K ,et al. Block Markov superposition transmission:construction of big convolutional codes from short codes[J]. IEEE Transactions on Information Theory, 2015,61(6): 3150-3163.
[11]	CAI S , LIN N , MA X . Block Markov superposition transmission of BCH codes with iterative erasures-and-errors decoders[J]. IEEE Transactions on Communications, 2019,67(1): 17-27.
[12]	WANG Q , CAI S , LIN W ,et al. Spatially coupled LDPC codes via partial superposition[C]// 2019 IEEE International Symposium on Information Theory. Piscataway:IEEE Press, 2019: 2614-2618.
[13]	朱锦顺, 马啸 . 户外无线光通信中湍流信道下的分组马尔可夫叠加传输研究[J]. 通信学报, 2017,38(7): 131-140.
	ZHU J S , MA X . Block Markov superposition transmission over turbulence channels in outdoor optical wireless communications[J]. Journal on Communications, 2017,38(7): 131-140.
[14]	马啸, 吉眉颖, 陈声晓 . 分组马尔可夫叠加传输在非高斯脉冲信道上的性能研究[J]. 通信学报, 2019,40(3): 109-115.
	MA X , JI M Y , CHEN S X . Performance of block Markov superposition transmission over non-Gaussian impulsive channels[J]. Journal on Communications, 2019,40(3): 109-115.
[15]	BI S , WANG Q , CHEN Z ,et al. Deep learning-based decoding of block Markov superposition transmission[C]// 2019 11th International Conference on Wireless Communications and Signal Processing. Piscataway:IEEE Press, 2019: 1-5.
[16]	MCCULLOCH W S , PITTS W . A logical calculus of the ideas immanent in nervous activity[J]. The bulletin of Mathematical Biophysics, 1943,5(4): 115-133.
[17]	FORNEY G D . Codes on graphs:normal realizations[J]. IEEE Transactions on Information Theory, 2001,47(2): 520-548.
[18]	NAIR V , HINTON G E . Rectified linear units improve restricted Boltzmann machines[C]// 2010 International Conference on Machine Learning. Piscataway:IEEE Press, 2010: 807-814.

译码方案	加法/次	乘法/次	比较操作/次
方案3 NN（none）	112	112	15
ML译码方案	0	96	15

分组马尔可夫叠加传输的神经网络译码

Neural network decoding of the block Markov superposition transmission

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 18

相关文章 15

Metrics

推荐阅读 0

[1]	陈晋音, 熊海洋, 马浩男, 郑雅羽. 基于对比学习的图神经网络后门攻击防御方法[J]. 通信学报, 2023, 44(4): 154-166.
[2]	李建锋, 刘哲宇, 荣洋, 李展, 廖柏林, 屈林曦, 刘志杰, 林琨煌. 用于线性噪声时变凸二次规划的归零神经网络[J]. 通信学报, 2023, 44(4): 226-233.
[3]	林云, 徐怀韬, 王森, 张思成, 庄龙. 基于特征融合的通信语音干扰效果客观评估[J]. 通信学报, 2023, 44(3): 105-116.
[4]	杨宏宇, 杨海云, 张良, 成翔. 基于特征依赖图的源代码漏洞检测方法[J]. 通信学报, 2023, 44(1): 103-117.
[5]	何世文, 袁军, 安振宇, 张敏, 黄永明, 张尧学. 基于图神经网络的联合用户调度与波束成形优化算法[J]. 通信学报, 2022, 43(7): 73-84.
[6]	冷涛, 蔡利君, 于爱民, 朱子元, 马建刚, 李超飞, 牛瑞丞, 孟丹. 基于系统溯源图的威胁发现与取证分析综述[J]. 通信学报, 2022, 43(7): 172-188.
[7]	李昂, 陈建新, 魏昕, 周亮. 面向6G的跨模态信号重建技术[J]. 通信学报, 2022, 43(6): 28-40.
[8]	王晓丹, 李京泰, 宋亚飞. DDAC：面向卷积神经网络图像隐写分析模型的特征提取方法[J]. 通信学报, 2022, 43(5): 68-81.
[9]	廖育荣, 王海宁, 林存宝, 李阳, 方宇强, 倪淑燕. 基于深度学习的光学遥感图像目标检测研究进展[J]. 通信学报, 2022, 43(5): 190-203.
[10]	张帆, 黄赟, 方子茁, 郭威. 卷积神经网络的损失最小训练后参数量化方法[J]. 通信学报, 2022, 43(4): 114-122.
[11]	朱政宇, 侯庚旺, 黄崇文, 孙钢灿, 郝万明, 梁静. 基于并行CNN的RIS辅助D2D保密通信系统资源分配算法[J]. 通信学报, 2022, 43(3): 172-179.
[12]	霍俊彦, 王丹妮, 马彦卓, 万帅, 杨付正. 基于轻量级全连接网络的H.266/VVC分量间预测[J]. 通信学报, 2022, 43(2): 143-155.
[13]	龙华, 黄张衡, 邵玉斌, 杜庆治, 苏树盟. 基于改进CFCC特征提取的语种识别算法研究[J]. 通信学报, 2022, 43(12): 211-221.
[14]	朱政宇, 陈鹏飞, 王梓晅, 巩克现, 吴迪, 王忠勇. 基于Swin-Transformer的短波协议信号识别[J]. 通信学报, 2022, 43(11): 127-135.
[15]	熊金波, 周永洁, 毕仁万, 万良, 田有亮. 边缘协同的轻量级隐私保护分类框架[J]. 通信学报, 2022, 43(1): 127-137.