学习变量节点选择以改进多轮置信传播解码-计算机科学-神经网络-算法.pdfVIP

学习变量节点选择以改进多轮置信传播解码

AhmadIsmail,RaphaëlLeBidan,ElsaDupraz,andCharbelAbdelNour

IMTAtlantique,Lab-STICCUMRCNRS6285,Brest,France

摘要—在短码块长度下的纠错仍然是低密度奇偶校验种开销，一些工作[5],[6]建议仅当BP无法收敛时才

（LDPC）码的挑战，因为置信传播（BP）解码与最大似然度将OSD用作备选的后处理步骤。另一种广泛研究的方

解码（MLD）相比是次优的。虽然BP很少出错，但由于少法是多轮BP（MRBP）译码器，也称为增强BP(ABP)

量有问题的错误变量节点（VNs），它经常无法收敛。多轮BP

[7]。MRBP基于这样一个观察：当BP失败时，它很少

（MRBP）解码通过识别并扰动这些VNs来提高性能，使BP

会收敛到一个错误的码字，而是根本不收敛，通常是因

能够在后续的解码尝试中成功。然而，现有的用于VN识别的经

验方法可能需要大量的解码轮次才能接近ML性能。在这项工为有几个问题的错误VN阻碍了解码成功。为了解决这

作中，我们建立了在MRBP中识别候选VN进行扰动与估计个问题，MRBP通过监视精心选择的译码指标来寻找

本信道输出错误之间的联系，后者之前已被基于综合症的神经解码那些有问题的VN，一旦找到一个，就扰动其值以增加

译器（SBND）解决过。借助这一见解，我们提出了一种受SBND后续BP迭代中成功解码的可能性。文献中提出了各种

启发的神经网络架构，用于学习预测哪些VNs是MRBP需要

中各样的MRBP策略，它们在如何选择要扰动的VN、应

关注的对象。实验结果表明，所提出的这种学习方法优于文献中

1的专家规则，在达到接近MLD性能所需的MRBP解码尝试用的扰动性质以及调度多次解码轮次的方式上有所不

v

1次数更少。这为改善短LDPC码的解码提供了有前景的方法。同[8]–[11]。虽然OSD后处理和MRBP都可以提高BP

6IndexTerms—LDPC码，多轮置信传播，最大似然解码，向MLD的能力，但它们的应用通常会带来非常大的计

4

3神经网络算成本（重新编码或解码尝试次数非常多）。

0

7.I.介绍学习最近被提出作为进一步提升BP解码性能的一

0种有前景的方法。最早且最自然地将学习补充到BP中

5低密度奇偶校验（LDPC）码[1]是一种强大的纠

2错码，在使用如置信传播（BP）这样的迭代算法进行解的方法是神经BP（NBP）[12]，它将BP迭代建模为神

:

v码时，能够实现高效率和低解码复杂度。由于其出色的经网络（NN）的层，并通过学习优化可训练权重。然

i

x性能，LDPC码已被现代通信标准采用，包括5G无线而，在LDPC编码的背景下，除非迭代次数非常低，否

r

a系统。虽然BP在长块长度下表现有效，但在短块长度则与标准BP相比，NBP到目前为止表现出有限的性

下的性能会下降，并且与最大似然解码（MLD）[2]相能改进。因此，研究工作逐渐转向利用学习来打破改进

比仍处于次优状态。的基于BP解码器中的复杂性瓶颈。其中一种方法涉及

显著的努力已经投入到增强短LDPC码的BP译使用轻量级神经网络增强OSD后处理[13],[14]。这些

码性能上。一种已建立的方法，如[3]中所介绍，在每神经网络证明在识别BP输出中最可靠的VNs方面更

次BP迭代后应用低阶有序统计量解码器(OSD)[4]。有效，从而减少了重新编码的数量，并使OSD最大重

OSD通过在BP输出中最具可靠性的信息集上应用一处理顺