基于深度学习的极化码设计
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
本研究提出了一种新的极化码构建框架,其中基于遗传算法,定制化地选择某个译码算法的冻结比特位置,以适应译码行为和通道特性,并在成功地构造出匹配无 CRC 辅助 SCL 译码的长度为 2048、编码速率为 0.5 的极化码的同时,大幅减少低重量码字的总数,从而获得了相对于 CRC 辅助译码更优异的 1 dB 的编码增益。
Jan, 2019
本文介绍了一种新颖的预转换极化码类别,称为深度极化码。此类码具有低复杂度的编码实现和重复度增强,同时支持多种码率和码块长度,提出了一种低复杂度的解码算法和延迟低的并行解码算法,并通过模拟实验证明了其在短块长度下优于现有的预转换极化码,并展示了与循环冗余检验码级联可以在某些情况下达到有限块长度容量的元逆推 bound,与此 bound 之间仅相差 0.4 dB。
Aug, 2023
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
本文提出一种基于 Genetic Algorithm 的新型极化码构造框架,通过演化变换不同的信息集来适应于指定的译码算法,而不是基于不一定最优的假设;使用该算法,我们构造了一种极化码,无须 CRC 辅助,达到了与 CRC 辅助 SCL 译码相同的误码率性能,同时在 $10^{-6}$ 比特误率下实现了 1dB 的编码增益。另外,我们还展示了可以通过把我们的算法应用到信念传播译码来接近 SCL 的误码率性能而不需要修改译码算法本身。
Jan, 2019
使用先进的强化学习技术将极化码嵌套结构建模为马尔可夫决策过程,并提出一种神经网络结构和遗传算法来优化学习的效率和质量,实验结果表明在 successive cancellation list (SCL) 解码器下,优化学习的极化码结构达到了与先前算法相当甚至更好的性能但未利用从极化编码理论中的任何专家知识。
Apr, 2019
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
本文提出一种基于课程的顺序神经网络解码器(CRISP)用于极化码,该解码器基于信息论指导下的有原则的课程设计,使用数据驱动策略训练网络,通过与其他课程的比较,CRISP 在 Polar(32,16)和 Polar(64,22)码上表现出色,在现有 SC 解码器可靠性较低的情况下,CRISP 可轻松扩展到极化调整卷积(PAC)码,并且成为第一个在 PAC(32,16)码上表现近乎最优的数据驱动解码器。
Oct, 2022