摘要

极化码短码在连续相消列表(Successive Cancellation List, SCL)译码算法下的性能取决于列表路径数L的大小,L足够大时,能有效逼近最大似然译码的性能。然而,SCL-L译码器的实现复杂度随L呈线性增长,这使得设计高效的SCL译码器非常具有挑战性。为此,提出了一种基于深度学习预测的路径移位SCL译码算法,该算法采用L值较小的SCL-L译码,通过启动最多两次SCL-L来有效提高译码性能。当第一次SCL-L译码失败时,利用深度神经网络预测出SCL译码路径首次丢失(正确路径被排除出存活的L个列表路径)的错误节点位置,重新启动一次具有路径移位功能的SCL-L译码,该路径移位SCL译码在预测的错误节点位置处对原SCL-L的L条存活路径进行移位,即选择原来被抛弃的L条路径作为存活路径。以码率为1/2的循环校验级联极化码(128,64+8)(8位CRC校验)为例,所提出的路径移位SCl-32译码算法通过最多启动两次SCl-32译码即可有效逼近SCl-128译码器的性能,并已逼近该短码的有限长理论界限。