Nov, 2017

缓解置信传播解码极化码时的截止效应

PDF
TL;DR本文研究发现极化置信传播解码存在错误地板效应，是由对数似然比剪切引起的，并提出了四项算法改进策略来缓解该问题，实验证明错误地板是解码器的属性而不是编码器的属性，同时还发现错误地板的另一个原因是冻结比特位置的选择不当。
发现论文，激发创造
  • 极化码的置信传播列表译码

    本文提出了一种基于置信传播列表（BPL）的解码器，实现了与连续取消列表（SCL）解码器相当的性能，并且没有改变极化码的结构，是连续取消列表（SCL）解码器的一种替代方案，可用于迭代检测和译码以进一步提高性能。此外，该算法具有较低的解码延迟和高吞吐量实现的可能性，并且可以通过不同的选位冻结策略进一步增强误码率性能。

    Jun, 2018

  • 误差校正码信念传播译码的因子图优化

    使用数据驱动方法，通过利用因子图（也称为 Tanner 图）上的学习，在信道噪声模拟下开发满足现代短码长度约束并适应新的信道模型的局部最优稀疏码，以提高信念传播解码的性能。该方法通过使用信念传播算法的新型张量表示，在有限域上利用反向传播和高效的线性搜索方法进行优化，在解码性能上比现有流行码优越数个数量级，展示了数据驱动方法在码设计中的优势。

    Jun, 2024

  • 神经置信传播解码器修剪

    本文提出了一种使用机器学习来定制超完备校验矩阵的方法，通过裁剪不重要的检测节点并优化 Tanner 图中的权重，每个迭代使用不同的校验矩阵，从而在短线性块码上，实现比 BP 译码更好的性能且减少了解码器的复杂度。

    Jan, 2020

  • 大规模 LP 译码的分解方法

    研究使用线性节目（LP）编码进行错误纠正，使用优化论的分解方法，开发了一种有效的分布式算法，它具有比置信传递解码器更强的理论保证，并可以用于高效地译码大规模错误纠正码，同时避免了误差底座问题。

    Apr, 2012

  • 线性码的主动深度解码

    提出利用错误编码的数据进行深度学习模型训练的新方法，并结合加权置信传播算法（WBP）与活性学习技术，在不增加推理复杂度的情况下，通过精心采样数据成功改进 BCH (63, 36)、(63, 45) 和 (127, 64) 三个码的 WBP 解码效果，这为深度学习模型优化提供了一种将误差相关的领域知识纳入模型的指导方法，并可在其他基于深度学习的通信块上推广应用。

    Jun, 2019

  • 提升 LDPC 码的学习以改善误差地板性能

    通过训练方法优化神经最小和（NMS）解码器，有效降低 LDPC 码的误差底线现象，并获得最佳的误差底线性能。

    Oct, 2023

  • 循环置信传播用于近似推理：实证研究

    探讨了关于循环置信传播算法在贝叶斯网络中进行近似推断的适用性问题，并在若干网络结构中得出了相对正确的边际概率分布近似解。但是，在某些特定情况下，循环置信传播算法会出现振荡现象，但是解决振荡问题的方法得出的结果是错误的。

    Jan, 2013

  • 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

  • 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

  • 利用遗传算法设计面向解码器的极化码

    本研究提出了一种新的极化码构建框架，其中基于遗传算法，定制化地选择某个译码算法的冻结比特位置，以适应译码行为和通道特性，并在成功地构造出匹配无 CRC 辅助 SCL 译码的长度为 2048、编码速率为 0.5 的极化码的同时，大幅减少低重量码字的总数，从而获得了相对于 CRC 辅助译码更优异的 1 dB 的编码增益。

    Jan, 2019