Нейронная сеть для оптимизации адаптивного экспоненциального алгоритма декодирования минимальной суммы; Моделирование, оптимизация и информационные технологии; Т. 13, № 1
| Parent link: | Моделирование, оптимизация и информационные технологии.— .— Воронеж: Воронежский институт высоких технологий Т. 13, № 1.— 2025.— 10 с. |
|---|---|
| Drugi avtorji: | , , , |
| Izvleček: | Заглавие с экрана В настоящее время глубокое обучение как актуальное направление исследований дало плодотворные результаты в области обработки естественного языка, распознавания и генерации графов, например, ChatGPT и Sora. Объединение глубокого обучения с алгоритмами декодирования для канального кодирования также постепенно становится актуальным направлением исследований в области связи. В этой статье мы используем глубокое обучение для улучшения адаптивного алгоритма экспоненциальной минимальной суммы (AEMS) для LDPC-кодов. Во-первых, мы расширяем итеративную процедуру декодирования между контрольными узлами (CNs) и переменными узлами (VNs) в алгоритме декодирования AEMS в сеть распространения с прямой передачей, основанную на графе Таннера, полученном из Hматрицы LDPC-кодов. Во-вторых, для повышения эффективности обучения модели и снижения вычислительной сложности мы присваиваем одинаковый весовой коэффициент всей краевой информации в каждой итерации сети декодирования AEMS, что снижает вычислительную сложность и гарантирует эффективность декодирования, и мы называем ее общей нейронной сетью декодирования AEMS (SNAEMS). Результаты моделирования показывают, что производительность декодирования предложенной сети декодирования SNAEMS превосходит производительность обычного декодера AEMS, а коэффициент усиления кодирования постепенно увеличивается по мере увеличения длины кода Currently, deep learning, as a hot research direction, has yielded fruitful research results in natural language processing and graph recognition and generation, such as ChatGPT and Sora. Combining deep learning with decoding algorithms for channel coding has also gradually become a research hotspot in the field of communication. In this paper, we use deep learning to improve the adaptive exponential min sum (AEMS) algorithm for LDPC codes. Initially, we extend the iterative decoding procedure between check nodes (CNs) and variable nodes (VNs) in the AEMS decoding algorithm into a feedforward propagation network based on the Tanner graph derived from the H matrix of LDPC codes. Second, in order to improve the model training efficiency and reduce the computational complexity, we assign the same weight factor to all the edge information in each iteration of the AEMS decoding network, which reduces the computational complexity while guaranteeing the decoding performance, and we call it the shared neural AEMS (SNAEMS) decoding network. The simulation results show that the decoding performance of the proposed SNAEMS decoding network outperforms that of the conventional AEMS decoder, and its coding gain is gradually enhanced as the code length increases Текстовый файл |
| Jezik: | ruščina |
| Izdano: |
2025
|
| Teme: | |
| Online dostop: | http://dx.doi.org/10.26102/2310-6018/2024.47.4.019 |
| Format: | Elektronski Book Chapter |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=679822 |
MARC
| LEADER | 00000naa0a2200000 4500 | ||
|---|---|---|---|
| 001 | 679822 | ||
| 005 | 20250904151554.0 | ||
| 090 | |a 679822 | ||
| 100 | |a 20250422d2025 k||y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 181 | 0 | |a i |b e | |
| 182 | 0 | |a b | |
| 183 | 0 | |a cr |2 RDAcarrier | |
| 200 | 1 | |a Нейронная сеть для оптимизации адаптивного экспоненциального алгоритма декодирования минимальной суммы |d Neural network to optimize the adaptive exponential min sum decoding algorithm |f Чжан Вэйцзя, Ибрагим Мухамад, В. М. Саклаков, Душанта Налин К. Джаякоди |z eng | |
| 300 | |a Заглавие с экрана | ||
| 320 | |a Список литературы: 14 назв | ||
| 330 | |a В настоящее время глубокое обучение как актуальное направление исследований дало плодотворные результаты в области обработки естественного языка, распознавания и генерации графов, например, ChatGPT и Sora. Объединение глубокого обучения с алгоритмами декодирования для канального кодирования также постепенно становится актуальным направлением исследований в области связи. В этой статье мы используем глубокое обучение для улучшения адаптивного алгоритма экспоненциальной минимальной суммы (AEMS) для LDPC-кодов. Во-первых, мы расширяем итеративную процедуру декодирования между контрольными узлами (CNs) и переменными узлами (VNs) в алгоритме декодирования AEMS в сеть распространения с прямой передачей, основанную на графе Таннера, полученном из Hматрицы LDPC-кодов. Во-вторых, для повышения эффективности обучения модели и снижения вычислительной сложности мы присваиваем одинаковый весовой коэффициент всей краевой информации в каждой итерации сети декодирования AEMS, что снижает вычислительную сложность и гарантирует эффективность декодирования, и мы называем ее общей нейронной сетью декодирования AEMS (SNAEMS). Результаты моделирования показывают, что производительность декодирования предложенной сети декодирования SNAEMS превосходит производительность обычного декодера AEMS, а коэффициент усиления кодирования постепенно увеличивается по мере увеличения длины кода | ||
| 330 | |a Currently, deep learning, as a hot research direction, has yielded fruitful research results in natural language processing and graph recognition and generation, such as ChatGPT and Sora. Combining deep learning with decoding algorithms for channel coding has also gradually become a research hotspot in the field of communication. In this paper, we use deep learning to improve the adaptive exponential min sum (AEMS) algorithm for LDPC codes. Initially, we extend the iterative decoding procedure between check nodes (CNs) and variable nodes (VNs) in the AEMS decoding algorithm into a feedforward propagation network based on the Tanner graph derived from the H matrix of LDPC codes. Second, in order to improve the model training efficiency and reduce the computational complexity, we assign the same weight factor to all the edge information in each iteration of the AEMS decoding network, which reduces the computational complexity while guaranteeing the decoding performance, and we call it the shared neural AEMS (SNAEMS) decoding network. The simulation results show that the decoding performance of the proposed SNAEMS decoding network outperforms that of the conventional AEMS decoder, and its coding gain is gradually enhanced as the code length increases | ||
| 336 | |a Текстовый файл | ||
| 461 | 1 | |t Моделирование, оптимизация и информационные технологии |c Воронеж |n Воронежский институт высоких технологий | |
| 463 | 1 | |t Т. 13, № 1 |v 10 с. |d 2025 | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a труды учёных ТПУ | |
| 610 | 1 | |a LDPC | |
| 610 | 1 | |a глубокое обучение | |
| 610 | 1 | |a нейронная сеть | |
| 610 | 1 | |a экспоненциальный алгоритм | |
| 610 | 1 | |a минимальная сумма | |
| 701 | 0 | |a Чжан Вэйцзя | |
| 701 | 1 | |a Мухамад |b И. |g Ибрагим | |
| 701 | 1 | |a Саклаков |b В. М. |c специалист в области информатики и вычислительной техники |c cтарший преподаватель Томского политехнического университета |f 1989- |g Василий Михайлович |9 21244 | |
| 701 | 1 | |a Джаякоди Арачшиладж |b Д. Н. К. |c специалист в области электроники |c профессор Томского политехнического университета |f 1983- |g Душанта Налин Кумара |9 20605 | |
| 801 | 0 | |a RU |b 63413507 |c 20250421 |g RCR | |
| 850 | |a 63413507 | ||
| 856 | 4 | |u http://dx.doi.org/10.26102/2310-6018/2024.47.4.019 |z http://dx.doi.org/10.26102/2310-6018/2024.47.4.019 | |
| 942 | |c CF | ||