MMJun, 2019

基于深度学习的受限序列编码解码

PDF
TL;DR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。
constrained sequence codesdeep learningfixed-length codesvariable-length codesconvolutional neural networks (cnns)
发现论文，激发创造
  • 基于深度学习的受限序列编码解码

    该研究采用基于深度学习的受限序列解码技术，在使用多层感知网络和卷积神经网络的情况下，能够实现接近于最大后验概率译码误差率的低误码率，提高系统吞吐量，实现容量实现固定长度编码，并避免基于表查找的译码方法带来的复杂性问题。

    Sep, 2018

  • 基于综合症的线性码解码的深度学习方法

    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

  • 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

  • 基于深度学习的通信算法

    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

  • 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

  • 通过循环神经网络创造低延迟编码

    本文针对 5G 标准下信道编码的低延迟要求，基于深度学习和通信工程知识，提出了一种端到端学习的神经编码器，称为 LEARN 编码器。相比传统卷积码，LEARN 编码器在低延迟条件下表现更好，具有强鲁棒性和适应性，表现出设计用于未来通信的新型多功能通用编码的潜力。

    Nov, 2018

  • 卷积序列到序列学习

    利用卷积神经网络架构完全替代了循环神经网络的流行序列到序列学习方法，运用门控线性单元简化了梯度传播，为每个解码器层装备了单独的注意力模块，在 GPU 和 CPU 上取得了比 Wu 等人（2016）更高的准确性和十倍以上的速度。

    May, 2017

  • 学习线性分组纠错码

    本研究首次提出了一种统一的编码 - 解码训练方法，用于二进制线性分组码，采用了适应性编码设置，支持针对二阶伽罗瓦域的端到端优化。我们还提出了一种新颖的 Transformer 模型，其中的自注意力掩码采用可微分的方式进行，以实现对码梯度的有效反向传播。实验结果表明：(i) 所提出的解码器在常规编码上优于现有的神经解码器；(ii) 所提出的框架生成的编码优于相应的常规编码；(iii) 我们开发的编码不仅在我们的解码器上表现出色，而且在传统解码技术上也表现出更好的性能。

    May, 2024

  • 基于功率约束的深度学习鲁棒非线性反馈编码

    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

  • 使用 CNN-Autoencoder 在有限块长制度下，对高斯信道进行编码

    本文论述了使用卷积神经网络自编码器解决长码和短码的问题，通过对一系列信噪比的探索，与其他编码方案相比，发现该方案可以逼近理论最大可实现速率，解决了在无线网络中实现低延迟应用需要高可靠性编码的挑战。

    May, 2023