Jan, 2019

使用简单缩放和信噪比自适应的学习信念传播译码

PDF
TL;DR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。
weighted belief-propagation decodermachine learningsimple scalingtraining improvementsparameter adapter networks
发现论文，激发创造
  • 线性码的主动深度解码

    提出利用错误编码的数据进行深度学习模型训练的新方法，并结合加权置信传播算法（WBP）与活性学习技术，在不增加推理复杂度的情况下，通过精心采样数据成功改进 BCH (63, 36)、(63, 45) 和 (127, 64) 三个码的 WBP 解码效果，这为深度学习模型优化提供了一种将误差相关的领域知识纳入模型的指导方法，并可在其他基于深度学习的通信块上推广应用。

    Jun, 2019

  • 神经置信传播译码器的泛化界限

    本文研究神经信念传播解码器的泛化能力，利用机器学习方法设计下一代通信系统的译码器，提高传统解码算法的性能。通过理论与实验结果给出了解码器的泛化缺口，以及其与代码参数、解码迭代次数、训练数据集大小等的关系。

    May, 2023

  • 神经置信传播解码器修剪

    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

  • 用于短块码的可扩展图神经网络译码器

    本文提出了一种基于边权图神经网络（EW-GNN）的短块编码新解码算法，采用迭代消息传递结构，在每次迭代中基于可靠性信息通过全连接神经网络获得信息，具有可伸缩性，并在解码错误率方面优于传统置信传播和基于深度学习的置信传播方法。

    Nov, 2022

  • 短块码在衰落信道下神经增强的最小和译码

    本文介绍在研究和优化 Belief Propagation 解码器的过程中，通过研究非 AWGN 通道和权重纠缠的作用，来提高最小和版本的解码器的性能，并对所学习的权重及其对潜在代码结构的影响进行解释。最后，我们运用软件定义的无线电进行算法评估。

    May, 2022

  • 神经偏移最小化和求和解码

    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

  • 使用深度学习学习解码线性码

    提出了一种基于深度学习方法改进置信传播算法的新方法。该方法通过对 Tanner 图的边进行加权来推广标准置信传播算法，然后使用深度学习技术进行训练。该方法能够保留传统算法的性能独立性，从而只需要学习一个码字而不是指数数量的码字，并在各种纠错码中展示了对置信传播算法的改进。

    Jul, 2016

  • 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

  • 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

  • 基于神经网络的 LDPC 解码器训练配方

    本论文提出了一种新的方法，利用深度学习框架确定传递消息的不同边的可训练参数，重点是减少可训练参数的数量并强调其位置。经过广泛的模拟实验，论文表明这种方法可以提供高质量的训练数据，并展示了训练损失和解码指标之间的强正关系。

    May, 2022