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
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
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
本文提出了一种用于低密度奇偶校验码的量化解码算法,其中,标准的最小和算法的变量节点更新规则被用信息论准则设计的查找表所替换。研究结果表明,即使使用只有 3 位消息分辨率的算法,也能比使用浮点数的最小和译码器取得更好的误码率;此外,研究了不同的译码器设计参数对译码性能的影响,如设计信噪比和查找表树结构等,并提出了一些复杂度约简技术,如查找表重用和消息字母表缩小。
Dec, 2015
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
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。
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
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
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
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