Turbo码模型驱动DNN解码器：设计、仿真与实验结果
信号处理
2020-06-17 v1
摘要
本文提出了一种新颖的模型驱动深度学习(DL)架构，称为TurboNet，用于turbo解码，其将DL集成到传统的max-log-最大后验(MAP)算法中。TurboNet继承了max-log-MAP算法和DL工具的优势，从而以低训练成本展现出优异的纠错能力。为设计TurboNet，将原有的迭代结构展开为深度神经网络(DNN)解码单元，其中可训练权重被引入max-log-MAP算法并通过监督学习进行优化。为高效训练TurboNet，精心设计了损失函数以防止棘手的梯度消失问题。为进一步降低TurboNet的计算复杂度和训练成本，可将其剪枝为TurboNet+。与现有的黑盒DL方法相比，TurboNet+在计算复杂度上具有可观优势，并有助于显著降低解码开销。此外，我们还提出了一种简单的训练策略来解决过拟合问题，从而实现所提TurboNet+的高效训练。仿真结果证明了TurboNet+在纠错能力、信噪比泛化性和计算开销方面的优越性。另外，借助5G快速原型系统建立了实验系统以进行空口(OTA)测试，并展示了TurboNet强大的学习能力和对各种场景的良好鲁棒性。
引用
@article{arxiv.2006.08896,
title = {Model-Driven DNN Decoder for Turbo Codes: Design, Simulation and Experimental Results},
author = {Yunfeng He and Jing Zhang and Shi Jin and Chao-Kai Wen and Geoffrey Ye Li},
journal= {arXiv preprint arXiv:2006.08896},
year = {2020}
}
备注
31 pages, 15 figures