MMFeb, 2020

深度学习辅助下基于 ADMM 的二元线性码解码器

PDF
TL;DR本研究提出了一种基于深度神经网络的解码算法，通过深度展开设计解码网络，其中采用交替方向乘子法罚函数，提出两种改进的网络结构，数值结果表明，其解码性能在各种低密度奇偶校验码下超越原始的交替方向乘子法罚函数解码器，且具有相似的计算复杂度。
发现论文，激发创造
  • 基于 ADMM 罚项的 LDPC 码译码器

    本文提出了两种基于 ADMM 和重加权技术的线性规划解码算法，解决了低信噪比下 LP 解码性能不足的问题，并实验证明这两种新算法在所有信噪比下的性能优于 BP 和 LP 解码。

    Sep, 2014

  • 大规模 LP 译码的分解方法

    研究使用线性节目（LP）编码进行错误纠正，使用优化论的分解方法，开发了一种有效的分布式算法，它具有比置信传递解码器更强的理论保证，并可以用于高效地译码大规模错误纠正码，同时避免了误差底座问题。

    Apr, 2012

  • 基于神经检验多面体投影的二进制线性码 PDD 解码器

    本文提出了基于惩罚对偶分解（PDD）框架的 PDD 算法，并将机器学习技术集成到 PDD 解码算法的最耗时部分 —— 检查多面体投影（CPP）中，提出了特别设计的神经 CPP（NCPP）算法来降低解码延迟。仿真结果表明，所提出的算法是有效的

    Jun, 2020

  • 可微分线性化 ADMM

    本文提出一种深度神经网络 Differentiable Linearized ADMM (D-LADMM)，用于求解具有线性约束的问题，并证明该方法是可收敛的，同时也是第一个在约束问题上提供收敛性分析的学习优化方法。

    May, 2019

  • 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

  • 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

  • 交替方向乘子法在稀疏卷积神经网络中的应用

    本论文使用交替方向乘子法（ADMM）来识别网络的稀疏结构，通过最小化一个目标函数，附带有促进稀疏的额外惩罚项，减少卷积神经网络（CNNs）的计算复杂度，生成具有更少计算和参数的模型同时保持或提高泛化能力。

    Nov, 2016

  • 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

  • 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

  • 基于多码深度图像先验的即插即用 ADMM 图像去噪和 CT 重建

    本研究提出了多编码深度图像滤波方法，可避免过拟合问题并在图像去噪和 CT 重建问题中表现卓越。

    Apr, 2023