Oct, 2018

基于简化复杂度的循环神经网络极化码译码器及其权重量化机制

PDF
TL;DR本文提出一种基于代码簿加权量化的低复杂度循环神经网络极化解码器，可以有效减少内存开销，在轻微性能损失的情况下减轻计算复杂度。
polar codes5g new radioneural network decoderdeep learningrecurrent neural network
发现论文，激发创造
  • 基于深度学习的极化码设计

    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

  • 一次性解码：基于深度无监督学习的极化编码器

    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

  • 基于分区的极化码深度学习解码的规模化

    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

  • 稀疏图上的极化解码与深度学习

    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

  • 基于深度学习的信道译码

    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

  • 线性分组码的 RNN 解码

    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

  • 基于深度神经网络的通道解码性能评估

    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

  • 深度学习提高线性编码解码的方法

    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

  • 增强型神经解码器：实现 6G 网络中 LDPC 码的极高可靠性

    在 6G 网络中，确保极高的可靠性对于信道编码至关重要。我们提出一种创新的解决方案，即增强型神经最小和（NMS）解码器，通过采用新颖的训练方法，在 5G 低密度奇偶校验（LDPC）码中实现了优越的性能，并满足了 6G 低误码要求，同时具备高度的实际应用性。

    May, 2024

  • 深度学习下的近似最大似然解码

    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