本文提出了一种基于深度学习的新型编码方案,应用于高斯噪声信道,并结合信息论洞见,有效提升了通信可靠性,相较于过去几十年间研制的编码方案提高了 3 个数量级。
Jul, 2018
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
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
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
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
通过深度学习方法进行 Turbo 解码器设计的研究,提出了一种新的端到端训练的深度学习解码器 DeepTurbo,相较于传统的 Turbo 解码器和神经 BCJR 解码器,DeepTurbo 在 AWGN 和 non-AWGN 下都有更好的性能表现,同时也展现出最低的误码率。
Mar, 2019
提出了一种基于深度学习和变分推断的框架,用于设计具有噪声传输符号的端到端通信系统,同时系统性地集成了通道类型等领域知识,在多个流行通道模型中击败了以前利用深度学习模型的先前工作,实现更好的打包密度和更快的速度。
Apr, 2019
本文提出了第一种基于学习的 Coding-theoretic 解决方案,通过使用神经网络架构和训练方法,学习编码和解码函数来处理非线性计算,结果表明学习可以是设计码的有效技术,并且学习到的码是将编码优势应用于非线性计算的极具前途的方法。
Jun, 2018
本文针对 5G 标准下信道编码的低延迟要求,基于深度学习和通信工程知识,提出了一种端到端学习的神经编码器,称为 LEARN 编码器。相比传统卷积码,LEARN 编码器在低延迟条件下表现更好,具有强鲁棒性和适应性,表现出设计用于未来通信的新型多功能通用编码的潜力。
Nov, 2018
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