May, 2022

短块码在衰落信道下神经增强的最小和译码

PDF
TL;DR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。
belief propagationlinear block codesnon-awgn channelsentangling weightssoftware defined radios
发现论文，激发创造
  • 使用简单缩放和信噪比自适应的学习信念传播译码

    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。

    Jan, 2019

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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 AWGN 与多径衰落条件下通道编码参数的盲识别

    本文提出一种基于深度学习的解决方案来识别包括 LDPC、卷积、Turbo 和 Polar 等编码方案的通道编码参数。该方法不需要关于通道状态或信噪比（SNR）的先前知识或估计，并能够抵抗多径衰减等通道失真，从而提高了正确检测编码参数的概率，优于类似工作的表现。

    Sep, 2020

  • 基于贝叶斯方法和深度学习的大规模 MIMO 硬件非线性渠道估计

    本文研究了非线性硬件失真对单小区 massive MIMO 的上行传输性能的联合影响，并提出了使用深度学习方法估计基站天线的有效通道和失真方差，在高阶非线性下取得更好的性能表现。

    Nov, 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