来源：期刊VIP网 时间：
作者：罗颖;李晓记;王家明;
单位：桂林电子科技大学认知无线电与信息处理教育部重点实验室;
摘要：为了降低极化码神经网络译码器在训练阶段的维度限制，设计了一种基于全连接神经网络（FCNN）的串行抵消（SC）分区译码器，通过将极化码译码树划分为两个区域，并分别使用不同参数设置的FCNN进行处理，从而减少对大规模训练数据的需求。仿真结果表明：在加性高斯白噪声信道中，当信噪比为1～5 dB时，FCNN-SC译码器性能接近于SC译码算法；当信噪比为1.5～3 dB时，FCNN-SC译码器相较于FCNN译码器有0.5 dB左右的编码增益，且训练阶段所需的数据集更小，仅为FCNN译码器的一半左右。
关键词：极化码;;串行抵消译码算法;;全连接神经网络;;神经网络译码器;;深度学习
基金资助：广西教育厅教改重点项目（2024JGZ127）资助;; 广西青年科学基金项目（2024GXNSFBA010144）资助
