Jan, 2017

基于深度学习的信道译码

PDF
TL;DR本文探讨使用深度神经网络进行一次解码的想法，特别是在随机和结构化码，如极化码方面的应用。通过实验我们发现，结构化码比随机码更易于学习，并且神经网络能够推广到它没有见过的结构化码中，这提供了神经网络可以学习解码算法的证据。我们引入了标准化验证误差（Normalized Validation Error，NVE）来进一步研究深度学习解码的潜力和限制。
发现论文，激发创造
  • 一次性解码：基于深度无监督学习的极化编码器

    本文提出了一种基于自监督学习的无监督深度学习解码方案，其将极化码的发生矩阵作为信息标签，使神经网络充当有界距离解码器，大大提高了通信系统的实际应用性能。经计算机模拟验证，与传统编码方案相比，该方案具有更优异的泛化能力和无限接近最大后验概率解码器的数据错误率和块错误率表现。

    Jul, 2023

  • 基于分区的极化码深度学习解码的规模化

    本文研究了基于神经网络的通道解码在处理大代码本的传统方法中的运用，通过将编码图分成小的子块，并对其进行单独训练，最大限度地接近每个子块的最大后验性能，然后通过传统的置信传播译码阶段连接这些块，从而实现高度并行化，展现了具有竞争性的误比特率表现。

    Feb, 2017

  • 深度学习提高线性编码解码的方法

    探讨利用深度学习方法改进信道解码器进行线性码的近似最优的解码，发现可以通过构建循环神经网络的体系结构来实现解码器参数的绑定，以此有效降低参数数量并提升性能。

    Jun, 2017

  • 基于深度学习的受限序列编码解码

    该研究采用基于深度学习的受限序列解码技术，在使用多层感知网络和卷积神经网络的情况下，能够实现接近于最大后验概率译码误差率的低误码率，提高系统吞吐量，实现容量实现固定长度编码，并避免基于表查找的译码方法带来的复杂性问题。

    Sep, 2018

  • 基于深度神经网络的通道解码性能评估

    本文研究了深度神经网络在 5G 网络方案中的应用，着重对多层感知机，卷积神经网络和循环神经网络进行了探讨与比较，发现循环神经网络性能最佳但计算负载最大，三种神经网络具有饱和长度限制。

    Nov, 2017

  • 基于深度学习的极化码设计

    通过使用深度学习建立极化码，我们将信息 / 冻结比特索引表示为二进制向量，并通过梯度下降优化这个向量，同时考虑译码器，实现了在 AWGN 和 Rayleigh 信道上的很好表现的极化码设计。

    Sep, 2019

  • 深度学习下的近似最大似然解码

    提出了一种新型高效的神经解码算法，结合神经置信传播算法和自同构群置换，实现了近乎最大似然性能的高密度奇偶校验码的解码，并显著降低了解码复杂度；此外，通过探究训练过程，加速了学习过程，通过模拟 Hessian 矩阵和条件数进一步说明了加速的原因，同时展示了算法在各种长度为 63 位及以下的线性分组码的解码效果。

    Jan, 2018

  • 基于综合症的线性码解码的深度学习方法

    提出了一种新的框架，可以将深度神经网络应用于任意块长度的线性码的软译码，其中使用递归神经网络结构以及排序统计解码算法进行预处理来提高性能。

    Feb, 2018

  • 神经置信传播译码器的泛化界限

    本文研究神经信念传播解码器的泛化能力，利用机器学习方法设计下一代通信系统的译码器，提高传统解码算法的性能。通过理论与实验结果给出了解码器的泛化缺口，以及其与代码参数、解码迭代次数、训练数据集大小等的关系。

    May, 2023

  • 线性分组码的 RNN 解码

    本文设计了一种适用于短到中等块长度的强代数码的实用性低复杂度接近最优通道解码器。我们介绍了一种循环神经网络结构来解码线性分块码，并表明该模式与前馈神经网络模式相比，参数明显更少，具有可比较的误比特率结果，提高了 Tanner 图解码的表现。此外，我们证明，RNN 解码器可用于提高 mRRD 算法的性能或降低计算复杂性，以进行低复杂度、接近最优的短 BCH 码解码。

    Feb, 2017