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
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
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
通过训练方法优化神经最小和(NMS)解码器,有效降低 LDPC 码的误差底线现象,并获得最佳的误差底线性能。
Oct, 2023
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
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
在 6G 网络中,确保极高的可靠性对于信道编码至关重要。我们提出一种创新的解决方案,即增强型神经最小和(NMS)解码器,通过采用新颖的训练方法,在 5G 低密度奇偶校验(LDPC)码中实现了优越的性能,并满足了 6G 低误码要求,同时具备高度的实际应用性。
May, 2024
通过 LDPC 编码的数据直接进行分类,不需要任何形式的解压缩,结果表明,与 Huffman 编码和算术编码相比,LDPC 编码的分类效果更好,并且需要更小的学习模型。
Mar, 2024
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
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