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
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
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
本研究首次提出了一种统一的编码 - 解码训练方法,用于二进制线性分组码,采用了适应性编码设置,支持针对二阶伽罗瓦域的端到端优化。我们还提出了一种新颖的 Transformer 模型,其中的自注意力掩码采用可微分的方式进行,以实现对码梯度的有效反向传播。实验结果表明:(i) 所提出的解码器在常规编码上优于现有的神经解码器;(ii) 所提出的框架生成的编码优于相应的常规编码;(iii) 我们开发的编码不仅在我们的解码器上表现出色,而且在传统解码技术上也表现出更好的性能。
May, 2024
本文研究使用深度学习自动发现解码算法的可行性,并展示了我们训练的循环神经网络架构能够在自适应 AWGN 频道模型下,解码着名的顺序编码达到接近最优的性能。
May, 2018
本文提出使用深度学习方法解码固定长度和可变长度的约束序列码,其中基于多层感知机(MLP)网络和卷积神经网络(CNN)的解码固定长度的约束序列码和使用 CNN 对可变长度的约束序列码进行批处理解码,可以提高系统吞吐量和降低误比特率。
Jun, 2019
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
提出了一种基于深度学习方法改进置信传播算法的新方法。该方法通过对 Tanner 图的边进行加权来推广标准置信传播算法,然后使用深度学习技术进行训练。该方法能够保留传统算法的性能独立性,从而只需要学习一个码字而不是指数数量的码字,并在各种纠错码中展示了对置信传播算法的改进。
Jul, 2016
本文提出了一种基于自编码器的非线性反馈编码设计,该编码极大地提高了信道噪声下的鲁棒性,我们证明了平均功率约束被渐进满足,实验结果表明,该编码方案在实际前移和反馈噪声情况下的性能优于现有的反馈编码。
Apr, 2023
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