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
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
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
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
本文考虑了在噪声信道上传输结构化数据(例如自然语言)的联合源编码和信道编码问题,提出了基于深度学习编码器和解码器以及将句子嵌入语义空间后进行联合编码的方法,旨在同时最小化端到端失真和字错误率。
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
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