改进的循环神经网络极化码BP译码算法

近年来,新兴的深度学习(DL)技术在译码领域取得了进展,目前提出的极化码神经网络译码器有着比置信传播(BP)译码更快的收敛速度和更好的误码率(BER)性能,但其仍存在运算复杂度高的问题。文章针对该问题,在迭代过程中采用改进信息更新这个思路,提出了一种改进左信息更新的循环神经网络(RNN)偏移最小和(OMS)近似BP(RNN-OMS-BP-L)译码算法。仿真结果表明,文章所提算法相比于深度神经网络(DNN)BP(DNN-BP)译码算法,使用6.25%的加法运算代价替换了全部的乘法运算;相比于目前较优的RNN OMS近似BP(RNN-OMS-BP)译码算法,在确保BER性能几乎无损失的条件下,文章所提算法使用改进的信息更新减少了25%的加法运算复杂度,节省了部分存储空间开销,在相同BER性能下,减少了37.5%的迭代次数。