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
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。
Oct, 2018
本文提出了一种使用机器学习来定制超完备校验矩阵的方法,通过裁剪不重要的检测节点并优化 Tanner 图中的权重,每个迭代使用不同的校验矩阵,从而在短线性块码上,实现比 BP 译码更好的性能且减少了解码器的复杂度。
Jan, 2020
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
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
使用数据驱动方法,通过利用因子图(也称为 Tanner 图)上的学习,在信道噪声模拟下开发满足现代短码长度约束并适应新的信道模型的局部最优稀疏码,以提高信念传播解码的性能。该方法通过使用信念传播算法的新型张量表示,在有限域上利用反向传播和高效的线性搜索方法进行优化,在解码性能上比现有流行码优越数个数量级,展示了数据驱动方法在码设计中的优势。
Jun, 2024
使用可学习的偏置参数,我们提出一种硬件友好的方法,以取代在 Tanner 图中使用乘法权重的深度学习技术,从而改进纠错解码器的性能,并将其与另一种神经解码算法进行比较,结果在考虑的代码中实现了比传统置信传播高 1dB 的错误纠正性能,并取得比乘法算法少 0.1dB 的性能。
Jan, 2017
本研究考虑使用简单缩放模型并通过少量参数实现与完全参数化相同的性能,同时提出了多种加强版 WBP 的训练方法与 PAN 技术优化 WBP 参数,在(32,16)Reed-Muller 码中,通过具有优化后软性误码率的 PAN 进行训练,可实现仅使用三个参数的简单缩放模型,接近最大似然性能。
Jan, 2019