编辑推荐：
SAGIN通信网络中基于HyperNet的增强型神经最小和（BHNMS）解码器通过分层激活机制、量化感知权重生成、跨阶段状态中继和块梯度桥接四项创新，解决了动态异构环境下的高可靠通信问题，显著降低误码地面效应并提升低信噪比性能。
张培英|冯正|张伟|史慧玲|尼拉杰·库马尔|王健
中国石油大学（华东）计算机科学与技术学院青岛软件研究所，青岛，266580，中国
摘要
在动态异构环境中确保通信的极高可靠性和效率对于空间-空中-地面集成网络（SAGIN）至关重要。为了解决低密度奇偶校验（LDPC）码中遇到的错误 floor 现象，我们基于 HyperNet 和增强学习设计了一种创新的解码器：增强型 HyperNet 神经最小和（BHNMS）解码器。该解码器的特点包括：（1）分层激活机制动态激活 HyperNet，以解决由于 HyperNet 需要的前向计算导致的训练资源爆炸问题，采用多阶段训练进行增强学习，以及块级迭代训练；（2）量化感知权重生成依赖于可微分量化门、动态精度感知训练和量化域一致性约束，以解决 HyperNet 的浮点计算与量化权重生成之间的兼容性问题；（3）跨阶段状态中继通过时空压缩传输和自适应精度控制实现节点演化轨迹的连续重建，以解决动态反馈不平衡问题；（4）块梯度桥通过可学习的桥参数和跨块一致性约束重建全局梯度传播路径，确保动态权重生成器的端到端可训练性，从而解决梯度传播中断问题。仿真表明，BHNMS 没有出现显著的错误 floor，其性能远超传统解码器，提前达到
引言
随着高速卫星互联网、自主空中监视和全球物联网（IoT）等新兴技术的快速发展，对鲁棒、高效和低延迟通信系统的需求激增 [1]，[2]，[3]。SAGIN 通过无缝结合地面基础设施、空中平台（如无人机（UAV）和气球）以及基于太空的资产（例如低地球轨道（LEO）、中地球轨道（MEO）和地球静止轨道（GEO）卫星），被提出作为满足这种多样化环境下可靠通信需求的解决方案 [4]。SAGIN 提供了无与伦比的覆盖范围和灵活性，但由于严重的信道损伤和高移动性，在信号传输和解码方面带来了重大挑战 [5]，[6]，[7]。
SAGIN 中的通信信道复杂且动态，存在长距离衰落、多径传播、多普勒频移、突发噪声和非线性等挑战，这使得解码过程容易出错，尤其是在低信噪比（SNR）条件下 [8]，[9]，[10]。传统的 LDPC 码和解码算法（如最小和算法）在许多场景中有效 [11]，但在高 SNR 条件下会出现“错误 floor”现象，即误比特率（BER）曲线显著下降 [12]，[13]。瀑布区域显示出 BER 的急剧下降，而错误 floor 区域则表现出渐进式下降，传统算法难以同时优化这两个区域。例如，WMS 解码器在瀑布区域性能有所提高，但在错误 floor 区域性能下降 [14]。
为了减轻错误 floor，最小和（MS）解码器通过简单的代数运算近似消息传递，但在低 SNR 下表现不佳 [14]。WMS 解码器引入权重因子来缓解错误 floor，但在低 SNR 下仍面临挑战。OMS 解码器通过在消息传递过程中偏移符号来进一步提高性能，但面临动态反馈不平衡的问题。神经最小和（NMS）解码器 [15] 利用神经网络进行优化解码，并具有可训练参数，有效减轻了低 SNR 下的错误 floor。增强型 NMS 解码器 [16] 通过创新的训练方法（包括增强学习和块级训练）进一步提高了性能，显著改善了低 SNR 环境下的解码性能。然而，当前的解码算法仍面临三个挑战：
•高资源需求：解码器在训练和推理过程中通常需要大量的计算资源和存储空间。例如，NMS 和增强型 NMS 依赖于深度学习模型的复杂性，导致高计算成本和内存消耗。高资源需求限制了这些解码器的广泛应用。
•量化兼容性差：由于浮点计算和量化计算之间的差异，模型在部署到硬件平台时可能会遇到兼容性问题 [17]。在量化过程中可能发生数值精度损失，特别是在低 SNR 条件下，性能更加敏感 [18]。如何在保持解码精度的同时实现有效量化仍然是一个重大挑战。
•信息传播不平衡：由于网络结构的深度或复杂性，神经网络结构内部的信息（如梯度、错误和反馈）传播可能会出现不平衡或中断 [19]。这可能导致学习效率降低或梯度消失或梯度爆炸等问题，从而影响解码器的性能。
本文提出了一种高效的自适应神经解码框架——BHNMS（增强型 HyperNet 神经最小和），它将基于 HyperNet 的动态权重生成与增强学习技术相结合，以缓解上述瓶颈。介绍了四种新颖机制：
•分层激活机制 通过逐步将 HyperNet 整合到多阶段解码中，减轻训练过程中的资源峰值。
•量化感知权重生成方案 使用可微分量化门、动态位宽控制和一致性正则化，以确保与硬件约束的兼容性。
•跨阶段状态中继 通过时空压缩传输和自适应精度控制实现节点演化轨迹的连续重建，以解决动态反馈不平衡问题。
•块梯度桥 通过可学习的桥参数和跨块一致性约束重建全局梯度传播路径，确保动态权重生成器的端到端可训练性，从而解决梯度传播中断问题。
本文的其余部分组织如下。第 2 节回顾了神经解码器领域的现有研究。第 3 节描述了系统模型并定义了问题陈述和评估指标。第 4 节介绍了 BHNMS 解码器的核心方法论，包括四个关键创新点。第 5 节评估了 BHNMS 解码器的性能。第 6 节总结了我们的工作。本文中使用的关键数学符号在表 1 中进行了总结。根据需要，在文本中定义了其他符号。
节选内容
高效神经解码器架构
高效神经解码器对于提高通信系统性能至关重要，尤其是在资源受限的环境中。王等人提出了一种基于节点度的权重共享技术 [20]，该技术减少了存储和计算开销，适用于 FPGA 等平台。然而，这种方法难以准确捕捉边缘差异，可能导致在更复杂场景中的性能下降。梁等人进一步结合了张量环（TR）
系统模型
SAGIN 由三个关键层组成：地面层、空中层和太空层。每一层在通信中扮演着不同的角色，共同提供全球覆盖。NMS 解码器在优化数据解码方面起着关键作用，特别是在空中层和太空层。
地面层包括传统的基站，它们对数据进行编码、调制并传输到空中层或太空层。在传输过程中，信号会因噪声、衰减和干扰而退化，尤其是在
方法论
如图 1 所示，BHNMS 解码器由四个组件组成。分层激活机制通过抑制早期和稳定解码阶段不必要的 HyperNet 激活和繁重计算来减少 Tdec(θ)。量化感知权重生成同时针对 BER(θ) 和 ‖θ‖0，通过实现低精度部署同时保持解码精度，采用可微分量化、动态位宽适应和量化域一致性正则化，有效
实验
在本节中，我们使用标准 LDPC 码在各种应用中评估了 BHNMS 解码器的性能，包括 WiMAX 和 5G NR 系统。
结论
本研究介绍了 BHNMS 解码器，这是一种旨在提高 SAGIN 动态异构环境中解码性能的新方法。通过将基于 HyperNet 的动态权重生成与增强学习相结合，BHNMS 结合了四种创新机制，系统地解决了现有解码方案中的三个关键挑战：训练期间过高的资源需求、对量化引起的错误的敏感性以及梯度传播中的中断
CRediT 作者贡献声明
张培英：撰写——原始草稿、软件、方法论、调查、形式分析、概念化。冯正：数据整理、撰写——原始草稿、验证、撰写——审阅与编辑。张伟：可视化、调查。史慧玲：监督、资源管理。尼拉杰·库马尔：软件、项目管理。王健：撰写——审阅与编辑、资金获取。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
张培英目前是中国石油大学（华东）计算机科学与技术学院的教授。他于 2019 年在北京邮电大学信息与通信工程学院获得博士学位。自 2016 年以来，他发表了多篇高质量论文，如 IEEE T-IFS、IEEE TSC、IEEE T-ITS、IEEE TMC 等。他曾担任 IJCAI’25、AAAI’25、AAAI’24、AAAI’23 的技术程序委员会成员。
