赵祥伟，卿粼波，杨 红，何小海

(四川大学 电子信息学院，四川 成都 610065)

0 引言

在无线传感器网络、分布式视频编码和高光谱图像压缩传输等场景中进行分布式压缩编码时，通常是多个信源的情况。在Slepian-Wolf理论[1]和Wyner-Ziv理论[2]基础上，基于信源之间存在统计相关性，利用这些统计特性来进行高效的编解码，这也是分布式信源编码(Distributed Source Coding,DSC)研究的重点。分布式信源信道联合编解码与传统的信源信道独立编码相比，大幅度降低了编译码的复杂度以及资源消耗，而且在编码效率上相近，因此一直是研究的热点。

2009年，土耳其教授Arikan[3]利用信道极化技术提出了可以达到香农极限的极化码，之后Arikan[4]又将极化技术引入信源编码，用于信源压缩的极化码。由于极化技术可以运用于信源和信道，因此可以结合2种极化设计信源信道联合编码的极化码。

目前分布式信源信道联合编码主要采用Turbo码和LDPC码，文献[5-9]针对不同的信道码设计了DJSCC方案，为了适应不同的速率，将检验位进行打孔，通过不同的打孔方案降低了发送端的功耗。文献[10-14]根据不同的场景提出了不同的DJSCC模型，为DJSCC的应用提供了优质的解决方案。此外，近年来有部分学者将深度学习应用到了DJSCC的编译码中[15-18]，为DJSCC提供了新的研究思路。但是这些研究主要是针对单信源和双信源的情况，并没有涉及多信源的复杂场景。

极化码相比LDPC和Turbo码，编译码的复杂度更低，并且理论上可以达到香农容量。在DJSCC方面，文献[19]针对自然语言文本提出了基于非系统极化码的联合信源信道译码方案；……