极化码的置信传播列表译码
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
本文研究了在一般二进制无记忆对称通道上实现最大似然解码所需平均列表大小的信息论量,并提供了这些量的上下界。研究表明可通过修改 Reed-Muller 码等方式改善性能,并且对于足够大的块长度,列表大小的对数具有集中的趋势,该文通过概率质量函数的方式对其进行了说明。
Mar, 2021
本文介绍了一种新颖的预转换极化码类别,称为深度极化码。此类码具有低复杂度的编码实现和重复度增强,同时支持多种码率和码块长度,提出了一种低复杂度的解码算法和延迟低的并行解码算法,并通过模拟实验证明了其在短块长度下优于现有的预转换极化码,并展示了与循环冗余检验码级联可以在某些情况下达到有限块长度容量的元逆推 bound,与此 bound 之间仅相差 0.4 dB。
Aug, 2023
本文提出一种基于 Genetic Algorithm 的新型极化码构造框架,通过演化变换不同的信息集来适应于指定的译码算法,而不是基于不一定最优的假设;使用该算法,我们构造了一种极化码,无须 CRC 辅助,达到了与 CRC 辅助 SCL 译码相同的误码率性能,同时在 $10^{-6}$ 比特误率下实现了 1dB 的编码增益。另外,我们还展示了可以通过把我们的算法应用到信念传播译码来接近 SCL 的误码率性能而不需要修改译码算法本身。
Jan, 2019
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
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
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。
Nov, 2017
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