目录

1.Turbo码与传统译码

2.基于深度学习的Turbo译码核心原理

2.1 训练样本构建

2.2 深度学习译码器模型

---

      传统Turbo译码依赖迭代置信传播算法，存在收敛速度慢、参数调优复杂、硬件实现成本高等问题。随着深度学习在信号处理领域的渗透，基于深度学习的Turbo译码技术通过数据驱动与模型驱动的融合，实现了译码性能与效率的双重突破。

1.Turbo码与传统译码

     传统Turbo译码采用“迭代软输入软输出(SISO)” 结构，两个分量译码器(DEC1、DEC2)交替工作，通过交换外信息实现性能提升。其结构如下图所示：

软输入：接收端收到受噪声污染的序列y=[yu, yv1, yv2] ，其中yu、yv1、yv2分别对应信息位和两个校验位的接收信号。

软输出：每个SISO译码器输出信息位的后验概率，并分离出“外信息”(仅包含本译码器通过校验关系获得的新信息，不含输入软信息)。

迭代过程：DEC1利用yu和yv1计算外信息，经解交织器后输入DEC2；DEC2利用yv2和输入外信息计算新的外信息，经交织器反馈给DEC1，重复迭代直至收敛。

硬判决：最终根据后验概率最大值输出硬判决序列u

传统SISO译码器的核心是BCJR算法(或简化的MAX-LOG-MAP算法)，其本质是基于格状图的概率递推，但存在计算复杂度高、迭代次数多(通常需8-16次)的问题。深度学习的引入，正是通过神经网络拟合译码器的非线性映射关系，简化计算并加速收敛。

2.基于深度学习的Turbo译码核心原理

       深度学习Turbo译码的本质是用神经网络替代传统SISO译码器，或通过神经网络优化迭代过程中的外信息处理。

1.将Turbo译码的“软输入-软输出”映射建模为非线性函数 f:Y→P ，其中Y是接收信号的软信息空间， P是信息位的后验概率空间。

2.利用深度学习模型(如CNN、RNN、Transformer)学习该非线性函数，无需依赖格状图和复杂概率递推。

3.保留Turbo码的“迭代结构”，通过神经网络译码器交替输出外信息，实现性能提升；或通过端到端训练，直接学习从接收信号到原始信息的映射。

2.1 训练样本构建

1.信息序列生成：随机生成二进制信息序列u∈{0,1}L ，长度L可选取典型值(如L=1024、 L=2048)，满足Turbo码编码的块长要求。为保证样本多样性，生成N个独立信息序列(N≥10^5 )。

2.对每个信息序列u进行编码：生成码序列c=[u,v^1 ,v^2 ] 。其中分量编码器采用RSC结构，以常用的约束长度K=3 、生成多项式G=(1,1+D+D^2)/(1+D^2)，RSC编码器的状态转移方程为：

3.对码序列c进行BPSK调制：得到发送符号序列s=[s1,s2 ​ ,...,s3L] 。将s通过AWGN信道传输，接收符号序列为：

4.将接收符号y转换为LLR形式的软信息：作为模型输入。对于信息位接收信号yu，其LLR为：

5.数据划分与标准化：将样本集按7:2:1比例划分为训练集、验证集、测试集。

2.2 深度学习译码器模型

我们采用基于CNN卷积神经网络的译码器结构：

输入层：输入向量为预处理后的软信息xnorm∈R3L，为适配CNN的二维卷积操作，将其变为二维张量X∈RL×3 ，其中每行对应一个信息位的“信息位LLR+两个校验位LLR”，即：

卷积层：卷积操作的数学表达式为：

批归一化层：插入卷积层之间，加速训练收敛并缓解过拟合。对每层输入H^(l−1)的每个通道c′进行归一化：

全连接层：将卷积层提取的高维特征映射为信息位的外信息Le∈RL 。设卷积层最终输出特征为H 全连接层的数学表达式为：

输出激活：外信息Le​可正可负，无需激活函数约束；若模型直接输出后验LLRLp，也可保持线性输出，因LLR本身无取值范围限制。