Neural-Polar码：一种基于深度学习的新型信道编码方案

摘要

为应对新型移动通信系统智能性的需求以及在难以进行人工建模的复杂信道环境下进行可靠通信的问题，基于Polar码的编译码递归结构提出一种新型神经网络信道编码方案，即Neural-Polar码。该方案利用神经网络将Polar码编译码递归结构中父、子节点间的线性映射变成非线性映射，引入快速连续抵消(successive cancellation, SC)译码的思想，解决在完全二叉树上构建Neural-Polar码造成网络结构过大的问题。仿真实验表明，Neural-Polar码可以获得优于经典SC译码算法的误码率(bit error rate, BER)和误块率(block error rate, BLER)性能，对网络的联合训练使得Neural-Polar码能够自动学习信道特性，具有更好的信道适应性和鲁棒性。Neural-Polar码将传统的对复杂信道进行人工建模分析的难题交给机器，充分体现出其编译码的智能性。

关键词

信道编码 / 极化码 / 神经网络 / 误码率(BER)

基金资助

国家自然科学基金项目(61801074)