本发明属于通信，具体涉及一种基于树搜索的迭代检测译码方法。
背景技术：
1、未来6g场景对接收机的可靠性提出了更高的要求。与此同时，极化码已被证明可以达到信道容量，这也使得极化码编码的多输入多输出(multiple-input multiple-output,mimo)系统具有优越的帧错误率(fer)性能。其中，极化码编码的迭代检测译码(iterative detection and decoding,idd)接收机的性能更为突出，这主要得益于检测器和译码器之间的消息交换。
2、通过使用高性能检测器和译码器，可进一步增强idd接收机的性能优势：
3、(1)对于mimo检测器，最大似然检测被认为是最优的检测算法，但所需付出的复杂度过高，不易实现。基于树搜索的检测器，如球形译码(sphere decoding,sd)检测器和k-best检测器，可以通过参数调优实现性能和复杂度之间的权衡。
4、(2)对于极化码译码器，循环冗余校验码辅助的连续抵消列表(cyclicredundancy check aided successive cancellation list,ca-scl)译码器因其优越的性能而被广泛采用。但是，它不能迭代提供软消息，这使得它不能直接被应用在idd接收机中。为解决这一问题，研究人员们先后提出了软抵消(soft cancellation,scan)译码器和软输出列表(soft-output list,sol)译码器等，它们可以提供软消息，进而可作为idd接收机的译码器模块。
5、现有的极化码编码mimo系统存在以下问题：
6、1)传统的分离检测译码(separate detection and decoding,sdd)接收机中，检测模块的结果单向地输入给译码模块，而忽略了两模块间的消息交互，无法保证系统的高可靠性。
7、2)现有的idd接收机中，尚未实现基于串行抵消译码(可充分契合极化码编码规则)的极化码编码idd接收机，难以实现令人满意的高性能，且无法通过简单地调整参数实现性能与复杂度的有效折衷，给硬件实现带来难度。
8、现有的idd接收机中，尚未出现使用机器学习进行参数优化的方案，已有方案中依赖于设计者的专业知识，且提供的经验值缺乏对不同环境的适应性，方法不具备通用性，无法更加高效地实现“性能-复杂度”折衷。
9、尽管树搜索算法在检测器和译码器中均表现出优异的错误率性能，但其较高的复杂度使其难以被广泛应用。先前已有研究表明，一种解决方案是使用经验方法降低层宽度，例如非常数k-best(non-constant k-best,nc k-best)检测和自适应scl(adaptive scl)译码。另一种方法是使用神经网络进行自适应scl译码。此外，分段ca-scl(segmented ca-scl,sca-scl)通过在译码进程中间验证路径正确性来降低计算复杂度。还有研究人员提出了一种使用遗传算法设计自适应scl译码层宽度的方案。
10、目前尚未存在完全基于树搜索模块的极化码编码idd接收机。并且，在idd接收机中，对于上述提到的层宽和消息交互这两组可调参数，目前尚无针对上述参数的机器学习优化工作，以进一步探索更优“性能-复杂度”的权衡。
技术实现思路
1、发明目的：为了克服现有技术中存在的不足，提供一种基于树搜索的迭代检测译码方法，通过检测与译码模块间的软信息交换，迭代检测译码(idd)可实现比分离检测译码(sdd)更佳的可靠性，且对该方案进行了优化，分别从错误率性能和复杂度的需求出发，通过调整层宽和消息交互达到了更好的错误率性能和更低的复杂度。
2、技术方案：为实现上述目的，本发明提供一种基于树搜索的迭代检测译码方法，包括如下步骤：
3、s1：初始化k-best检测器；
4、s2：通过fastsol译码器获取到先验消息la1(si)；
5、s3：通过k-best检测器执行含先验消息la1(si)的k-best检测，获取到符号估计序列；
6、s4：将符号估计序列转化为比特估计序列，输出给fastsol译码器进行fastsol译码，获取译码结果序列；
7、s5：判断是否达到最大迭代次数，若没有达到，则将译码结果序列作为先验消息输出给k-best检测器，即回到步骤s2；反之进入到步骤s6；
8、s6：完成检测译码，输出对应的fer性能数据。
9、进一步地，所述步骤s2中先验消息la1(si)的获取方法为：
10、fastsol译码器输出的后验消息ld2表示为：
11、ld2(xk|y)＝la2(xk)+le2(xk|y) (1)
12、其中，xk表示第k个比特；译码器先验消息la2(xk)由k-best检测器提供；译码过程是通过先验消息la2(xk)来近似译码器似然le2(xk|y)并输出后验消息ld2(xk|y)；
13、根据公式(1)计算得到le2(xk|y)，将le2(xk|y)作为先验消息la1(si)。
14、进一步地，所述步骤s3中对先验消息la1(si)进行概率域转换，对应于每个比特，将它们转换成符号域，将符号域的概率输入到k-best检测器，概率域转换公式为：
15、
16、其中，s0表示所有比特均为0所对应的符号，p(s0)约定为1；q表示每个调制符号所映射的比特数，xi,b＝1和xi,b＝0分别表示第i个符号的第b个比特判决为1和0。
17、进一步地，所述步骤s3中k-best检测的方法为：
18、根据先验消息la1(si)计算得到变化后的ped'，计算公式为：
19、ped′＝ped+la1(si) (3)
20、逐层选取使得ped幅值最小的符号，并组成符号估计序列。
21、进一步地，所述步骤s4中将符号估计序列转化为比特估计序列的转化公式为：
22、
23、其中，是使得xk＝1的符号集，是使得xk＝0的符号集。
24、进一步地，引入缩放参数δ、μ、ω分别到k-best检测器接收到的先验值ld1、fastsol译码器输出的后验消息ld2和ped'中进行缩放参数优化，寻找出最佳的缩放比例，具体为：
25、ld1＝δla1+le1 (5)
26、ld2＝μla2+le2 (6)
27、ped′＝ped+ωla1(7)
28、其中，{δ,μ,ω}即为引入的三个参数，用于调整外消息以提升性能。
29、本发明采取的sms-emoa方法，是通过目标函数与约束函数对问题建模，旨在找到一个最优的解决方案，其能在满足约束条件的同时，使目标函数尽可能大。在建立的问题中，需要找出这样一组{δ,μ,ω}参数，使其他条件相同时，系统的fer最小。因此，对于参数的选择范围没有约束，而目标函数为：
30、f＝fer(δ,μ,ω) (8)
31、进一步地，使用sms-emoa对k-best检测器和fastsol译码器进行层宽训练，具体的训练流程包括：
32、1)将目标性能和初始列表向量输入基于sms-emoa的层宽训练算法，其中，初始列表向量中所有分量均为设定训练范围的最大值，即ki＝kmax,i＝1,...,nt；li＝lmax，i＝1，...，m；目标性能即为采用初始列表向量的idd接收机所产生的fer性能ptarget；
33、2)计算当前的f函数，通过sms-emoa产生使f函数值更小的新列表向量；
34、3)将新的列表向量代入idd接收机，获取当前的性能fer(k,l)；
35、4)当前的性能fep(k,l)若满足p函数则进入步骤5)，否则回到步骤2)；
36、5)保留当前列表向量；
37、6)判断是否达到最大迭代次数，若达到则进入步骤6，否则返回到步骤2)；
38、7)输出经优化后的列表向量k和l。
39、进一步地，所述步骤2)中根据公式(8)计算当前的f函数，具体为：
40、
41、所述步骤4)中p函数为：
42、p＝fer(k,l)<(1+ε)ptarget, (10
43、其中，nt为发射天线数(对应k-best检测树搜索层数)，m为信息比特数(对应fastsol译码树搜索层数)，f函数表示k和l在i次迭代下的平均值，p函数表示当前候选者的fer是否满足约束条件，本优化问题就是为了寻求满足p函数的前提下使f函数尽可能小的一组层宽参数；fer(k,l)表示在某一组层宽参数{k,l}下的fer性能，ptarget表示目标的fer；ε表示fer允许的误差范围，从而使部分因训练集有限而出现性能微小抖动的候选参数得以被考虑。
44、本发明提出一种基于树搜索的迭代检测译码(idd)方法，所采用的idd接收机采用k-best检测器和fastsol译码器，充分利用了树搜索算法带来的错误率性能优势；进一步地，引入缩放参数来优化消息交互增强树搜索的高效性；由于二者均为树搜索算法，因此可通过分别调整检测中的参数k和译码中的列表大小l的值，从而调整层宽参数，来控制算法的复杂度。通过以上措施，本发明可获得更优的idd接收机的“性能-复杂度”折衷。
45、有益效果：本发明与现有技术相比，为了满足未来通信系统对于高可靠性的要求，首次提出了一种完全基于树搜索的idd方法接收机，idd接收机采用k-best检测器和快速软输出列表(fastsol)译码器，充分利用了树搜索算法带来的错误率性能优势，并引入缩放参数来优化消息交互，从而进一步增强树搜索的高效性，最后通过引入并降低层宽参数来降低树搜索的复杂度。为获得更优的idd接收机的“性能-复杂度”折衷，本发明采用基于s度量选择进化多目标优化算法(s metric selection evolutionary multiobjectiveoptimisation algorithms,sms-emoa)的方法，分别降低层宽并优化缩放参数，前者目标为在保持接收机错误率性能的同时以最小化平均层宽，后者目标为提升接收机错误率性能。
1.一种基于树搜索的迭代检测译码方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于树搜索的迭代检测译码方法，其特征在于，所述步骤s2中先验消息la1(si)的获取方法为：
3.根据权利要求2所述的一种基于树搜索的迭代检测译码方法，其特征在于，所述步骤s3中对先验消息la1(si)进行概率域转换，对应于每个比特，将它们转换成符号域，将符号域的概率输入到k-best检测器，概率域转换公式为：
4.根据权利要求2所述的一种基于树搜索的迭代检测译码方法，其特征在于，所述步骤s3中k-best检测的方法为：
5.根据权利要求4所述的一种基于树搜索的迭代检测译码方法，其特征在于，所述步骤s4中将符号估计序列转化为比特估计序列的转化公式为：
6.根据权利要求4所述的一种基于树搜索的迭代检测译码方法，其特征在于，引入缩放参数δ、μ、ω分别到k-best检测器接收到的先验值ld1、fastsol译码器输出的后验消息ld2和ped'中进行缩放参数优化，寻找出最佳的缩放比例，具体为：
7.根据权利要求6所述的一种基于树搜索的迭代检测译码方法，其特征在于，通过sms-emoa方法寻找出最佳的缩放比例，目标函数为：
8.根据权利要求1所述的一种基于树搜索的迭代检测译码方法，其特征在于，使用sms-emoa对k-best检测器和fastsol译码器进行层宽训练，具体的训练流程包括：
9.根据权利要求8所述的一种基于树搜索的迭代检测译码方法，其特征在于，所述步骤2)中根据公式(8)计算当前的f函数，具体为：
