倪永婧,郭 巍,张静涛

(1.河北科技大学 信息科学与工程学院，河北 石家庄 050000；2.中国电子科技集团公司第五十四研究所，河北 石家庄 050081)

0 引言

在通信中，由于信道上存在着许多干扰，因此接收机会出现接收错误，这一点在无线信道中尤其严重。香农的信道编码定理指出[1]，在码长趋向无穷长时，可以找到达到信道容量的编码。BCH和LDPC就是2类经过特殊设计的信道编码。其中， LDPC的汉明距离随着码长的增加而增加[2]，因此在码长很长时，可以接近信道容量。

尽管LDPC具有相当多的优势，但是在一些特殊场景中，比如功率很低的情况下，信息速率也非常低，此时LDPC引起的延迟会十分显著。在有限码长编码理论中，文献[3-4]研究了有限码长信道编码的理论性能，文献[5]研究了有限码长下的信道-信源联合编码，文献[6]研究了接力信道中采用有限码长编码的优势。上述研究都是有限码长编码的理论研究，如何构造高性能有限码长编码的问题，通常由RS、RM码等构造[7]。近年来，随着机器学习的发展，将以深度神经网络为代表的机器学习的方法应用在物理层上，例如调制识别[8]、序列估计[9]等，从而在一些特殊场景下获得比传统算法更好的性能。在信道编码方面，文献[10]将神经网络应用在随机编码和Polar码的译码器上。文献[11]采用卷积神经网络预测有色高斯噪声，从而提高了LDPC在有色高斯噪声下的性能。文献[12-13]采用循环神经网络，在增加了随机置换层之后，提高了HDPC的性能，在较低运算资源下获得了与极大似然译码相近的性能。……