Nov, 2017

基于深度神经网络的通道解码性能评估

PDF
TL;DR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。
5gdeep neural network decodermulti-layer perceptronconvolution neural networkrecurrent neural network
发现论文，激发创造
  • 基于深度学习的信道译码

    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。

    Jan, 2017

  • 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

  • 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

  • ANN vs SNN：植入脑机接口中神经解码的案例研究

    此研究通过比较不同的神经网络进行运动解码，并结合传统信号处理技术与机器学习方法，在原始数据源处提取信息以解决无线可植入脑机接口中数据速率增加的问题，获得了令人惊喜的性能表现。

    Dec, 2023

  • 基于简化复杂度的循环神经网络极化码译码器及其权重量化机制

    本文提出一种基于代码簿加权量化的低复杂度循环神经网络极化解码器，可以有效减少内存开销，在轻微性能损失的情况下减轻计算复杂度。

    Oct, 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

  • 神经网络解决的低复杂度信道估计

    本文研究了利用机器学习，特别是神经网络方法来进行无线通信信道估计问题，并且针对正交频分复用信号的下行场景，采用一个通用的残差卷积神经网络进行了实现，且利用简单的插值层来替换其他网络中的转置卷积层，减少了计算成本。与其他深度学习方法相比，对于 3GPP 信道模型，我们提出的方法表现出更优的均方误差性能。

    Jan, 2022

  • 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 k-step 预测器的 5G MIMO 通信中的决策导向信道估计

    该研究使用深度神经网络发展一种决策定向通道估计算法，用于高动态车载环境下的多输入多输出空时分块编码系统，并且得到了比现有算法更佳的性能。

    Jan, 2019