用强化学习解码极化码
信息论
2020-09-16 v1 机器学习
信号处理
math.IT
摘要
本文解决在置信传播（BP）解码下为极化码选择因子图置换以显著提升码纠错性能的问题。具体而言，我们将因子图置换选择形式化为强化学习中的多臂老虎机问题，并提出一种解码器，其充当在线学习智能体，在解码过程中学习选择良好的因子图置换。我们使用最先进的多臂老虎机问题算法，并表明对于长度为 128、含 64 个信息位的 5G 极化码，与目标帧错误率 下随机选取因子图置换的方法相比，所提解码器约有 0.125 dB 的纠错性能增益。
引用
@article{arxiv.2009.06796,
title = {Decoding Polar Codes with Reinforcement Learning},
author = {Nghia Doan and Seyyed Ali Hashemi and Warren Gross},
journal= {arXiv preprint arXiv:2009.06796},
year = {2020}
}
备注
Accepted for presentation at IEEE GLOBECOM 2020