- DeepPolar: 利用深度学习发明非线性大核极化码
通过扩展核心大小,我们研究了一种新型的极化码,称为 DeepPolar 码,结果表明 DeepPolar 码有效地利用了更大的核心大小的优势,从而在可靠性上优于现有的神经码和传统的极化码。
- 基于数据驱动的神经极化码研究未知无记忆信道及带有记忆信道
通过新颖的数据驱动方法,提出了一种针对具有和不具有记忆的信道设计极化码的方法。该方法利用连续取消 (SC) 译码器的结构来设计神经 SC (NSC) 译码器,使用神经网络 (NNs) 替代原始 SC 译码器的核心元素,以及在 SC 译码器的 - 随机极化码用于随时分布式机器学习
提出一种强大的分布式计算框架,通过随机化草图和极化码的概念,能够进行近似和精确的线性操作计算,并在实践中展示了其可扩展性。
- 一次性解码:基于深度无监督学习的极化编码器
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 - CRISP:基于课程的极化码族串行神经解码器
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, - MM基于图神经网络的逐次取消列表译码可扩展极化码构造
本文提出了一种基于异构图神经网络的迭代消息传递算法 (IMP) 来构造极化码,对比传统的构造方法,该算法拥有更好的稳定性和可扩展性。
- 计算极化码权重分布的确定性算法
该文研究极化码的重量分布问题,提出了一种基于解码路径的递归计算极化码重量分布的算法,并探讨了极化码的混合因子和自同构群等性质,从而实现在合理时间内计算长度为 128 的极化码的重量分布。
- 利用遗传算法设计面向解码器的极化码
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 - 稀疏图上的极化解码与深度学习
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。
- 基于简化复杂度的循环神经网络极化码译码器及其权重量化机制
本文提出一种基于代码簿加权量化的低复杂度循环神经网络极化解码器,可以有效减少内存开销,在轻微性能损失的情况下减轻计算复杂度。
- 极化码的置信传播列表译码
本文提出了一种基于置信传播列表(BPL)的解码器,实现了与连续取消列表(SCL)解码器相当的性能,并且没有改变极化码的结构,是连续取消列表(SCL)解码器的一种替代方案,可用于迭代检测和译码以进一步提高性能。此外,该算法具有较低的解码延迟和 - MM5G 新无线电中极化码的设计
介绍了 5G 标准采用的极化码编码过程,着重探讨了极化码系列的设计、速率灵活性和低译码延迟等方面,最终得出了一个应用新编码技术提供实心通道编码的复杂架构。
- 极化码盲检测方案的设计和实现
本文提出一种针对极化码的盲检测方案,其中用户 ID 被传输替代了某些已冻结的比特。第一阶段的粗略解码可以帮助选择一个更小的子集,然后使用更强大的算法进行解码。通过引入早停准则,实现少量系统资源的同时,实现了低的漏检率和误警率以及显著的延迟优 - 光纤可达信息速率:应用与计算
本文讨论了光纤通信的可达信息速率,并比较了相关设计常用的互信息、广义互信息等与多种现代编码策略(如 LDPC 码和极化码)的理论预测和实际表现,还介绍了计算这些信息速率的两种不同方法:蒙特卡罗积分和 Gauss-Hermite 积分,以及针 - 极化码的盲检测
提出了一种基于极化码的盲检测方案,通过在数据流中传输固定位替代通信标识符(RNTI),显著降低了解码过程的复杂度,并且运用早停策略可以进一步提升检测速度和降低能耗,并且通过对不同系统参数的调整,满足了严格的时间要求。
- $β$- 展开式:极化码的快速递归构造的理论框架
本文提出 $eta$-expansion 作为理论框架来研究基于 UPO 和 PW 算法的极化码的快速构建,并在 AWGN 信道的示例中展示了这个框架的可行性和有效性
- 基于分区的极化码深度学习解码的规模化
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 - 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 - 具有次线性复杂度的极化码构建
本文研究了构建极化码的可行性和相关复杂度,通过探索极化合成信道之间的偏序关系,发现只需计算相对于 $N$ 的对数项数量级的合成信道可达到参考精度;该部分合成信道可以通过求解二分图最大匹配问题快速找到。
- 基于极化码的调光可见光通信容量实现和无闪烁前向纠错编码方案
本文提出了一种基于极化编码的 FEC 编码方案,旨在增加编码效率并简化编码结构,来支持调光可见光通信