Jul, 2014

信道容量的高效逼近

PDF
TL;DR提出一种迭代计算分散无记忆信道容量的方法，包括对输入分布的附加约束；利用凸规划的对偶性，获得了容量的显式上下界。该方法的复杂度为 O（M ^ 2 N√（log N）/ε），其中 N 和 M 分别表示输入和输出字母表的大小；单次迭代的复杂度为 O（MN）。同时，针对有限连续输入和可数输出字母表的无记忆信道提出了近似计算容量的方法，在一些关于信道尾部的渐变速率的温和假设下可以实现（离散时间泊松信道属于该问题类），并给出了其在峰值功率输入约束下的上下界估计路段作为案例研究
发现论文，激发创造
  • 量子信道容量的高效逼近

    本文提出基于凸规划对离散输入字母和有限维输出的经典量子通道容量的迭代估算方法，得到 Holevo 容量的近似值，并且可将其扩展到有界连续输入和有限维输出的通道。

    Jul, 2014

  • 基于数据的容量上限估计

    提出一种基于数据驱动的算法，利用最小化通道输出上的参考分布来估算未知通道法和连续输出字母表上通道容量上界的估算方法，并使用修改的互信息神经估计器来计算所需的条件通道和参考分布之间的散度最大化，在不同的无记忆通道上进行数字评估，证明了该方法估算的上界要么接近通道容量，要么接近最佳已知下界。

    May, 2022

  • 通过有向信息神经估计器计算具有记忆的连续信道容量

    利用神经分布转换器（NDT）模型对连续字母信道进行容量估计，从而推导出一种新的估计框架来逐步最大化目标函数中的分数，以便进行准确的估计。

    Mar, 2020

  • 二元输入离散无记忆信道的量化

    研究了将离散无记忆二进制输入信道的输出量化为较少个数级别的问题，给出了一种寻找最优量化器的算法，该结果适用于任意信道，并且与先前针对受限信道或受限量化器输出数量的结果不同。最差情况下，该算法的复杂度是 $M^3$ ，并使用 Burshtein 的定理来证明最优性。

    Jul, 2011

  • 无记忆多路访问信道容量区域的神经计算

    本文提供了一个数值框架，用于计算具有连续字母表的无记忆多路访问通道（MAC）的可达速率区域。该方法使用了神经网络参数化的一组函数来计算 MAC 的速率区域边界，并使用 KL 散度的变分下限和上限来实现计算。该方法提供比 MINE 估计器更紧的估计，并且在大信噪比下计算量更小。最终，我们将该方法应用于光强 MAC，并获得比现有工作更紧的可达速率边界。

    May, 2021

  • 带反馈的信道容量

    本文提出了一种用于处理具有记忆和反馈的通道的一般框架，包括使用广义 Massey 概念和动态规划框架计算不同类型的通道的容量，以及描述简单足够统计的场景。

    Sep, 2006

  • 离散时间、幅度受限、加性白高斯噪声信道的容量界限

    本研究报道了离散时间加性高斯白噪声通道输入分布的容量实现，研究使用对偶容量表达式导出了标量和矢量 AWGN 通道的解析容量上限。

    Nov, 2015

  • 二元输入随机码分多址系统容量的严格界限

    本文探讨多用户二进制输入加性白噪声信道上的多址通信，运用随机扩展码分复用技术，对于一类对称分布涂抹系数，在大量用户情况下，我们证明了一个容量的上界，与 Tanaka 公式一致，同时还展示了多个相关量的浓度，包括相互信息，容量和自由能，该数学方法相当普适，可扩展至其他多用户场景。

    Mar, 2008

  • 关于近似信道仿真的样本复杂性的一些注解

    基于通道模拟算法，该论文讨论了通过近似方案在固定运行时间内对目标分布进行编码，以实现优化编码性能的实现。

    May, 2024

  • 二维通道的分割函数和信息速率的蒙特卡洛算法

    本篇论文提出了基于 Monte Carlo 算法的二维源 / 信道模型信息速率计算方法，以允许的输入配置为限制的二进制输入信道为重点研究对象。通过采用基于树的 Gibbs 抽样和多层（多温度）重要性抽样算法，提出了计算 Monte Carlo 估计分区函数的方法。通过模拟结果的验证，证明了所提算法的可行性。

    May, 2011