摘要
针对传统的极化码译码(SC译码)算法实际应用中的用时较长和容错率较差的问题,提出并使用新型人工神经网络——时间卷积网络(temporal convolutional network,TCN)拟合的方式搭建极化码译码模型.与其他人工神经网络不同的是,时间卷积网络属于卷积神经网络(convolutional neural network,CNN),和循环神经网络(recurrent neural network,RNN)的功能相似,其独有的膨胀因果卷积结构和残差链接方法使其擅于分析时间数据,比长短期记忆网络(long short-term memory,LSTM)、门控循环神经网络(gated recurrent units,GRU)之类的规范循环网络更准确、更简单、更清晰,比较适合极化码这样的时间序列.通过调试网络模型参数的方式,对时间卷积网络译码性能影响进行了研究,仿真结果显示,通过合理地调整训练序列数、卷积核的大小和数目可以实现提升极化码译码性能的要求.
基金项目
国家自然科学基金(62071248)
国家自然科学基金(61179027)
江苏省研究生科研创新计划(KYCX20-0730)
维普
万方数据