基于深度学习的球译码
本文针对带有整数解的方程组进行了研究,并提出了一种基于 $L_0$- 范数约束的稀疏感知球译码算法,该算法的复杂度分析表明,其在特定的应用场景中比传统算法具有更优秀的性能和速度。此外,作者还进一步降低了算法的搜索空间,并在稀疏信道估计应用案例中演示了该算法的性能接近于理论下限。
Feb, 2014
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
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
本文提出了一种基于置信传播和深度学习的稀疏神经网络解码器 (SNND),用于极化码的解码,取得了与复杂的累加 - 乘算法相近的性能,尤其在解码延迟方面显著降低。
Nov, 2018
本研究提出了一种基于深度神经网络的解码算法,通过深度展开设计解码网络,其中采用交替方向乘子法罚函数,提出两种改进的网络结构,数值结果表明,其解码性能在各种低密度奇偶校验码下超越原始的交替方向乘子法罚函数解码器,且具有相似的计算复杂度。
Feb, 2020
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
本文提出了基于惩罚对偶分解(PDD)框架的 PDD 算法,并将机器学习技术集成到 PDD 解码算法的最耗时部分 —— 检查多面体投影(CPP)中,提出了特别设计的神经 CPP(NCPP)算法来降低解码延迟。仿真结果表明,所提出的算法是有效的
Jun, 2020
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。
Nov, 2017