利用循环神经网络设计逼近容量限的低密度奇偶校验码
机器学习
2020-01-07 v1 机器学习
摘要
在本文中，我们使用循环神经网络（Recurrent Neural Networks, RNNs）对密度演化（Density Evolution, DE）进行建模，旨在为二进制删除信道设计逼近容量限的非规则低密度奇偶校验（Irregular Low-Density Parity-Check, LDPC）码。具体而言，我们提出了一种确定度分布系数的方法，该系数刻画了 LDPC 码的结构。我们将所提 RNN 架构称为神经密度演化（Neural Density Evolution, NDE），并通过最小化一个损失函数来确定对应于最优设计的 RNN 权重，该损失函数强制满足渐近最优设计的属性以及所期望的码结构特征。这使得 LDPC 设计过程具有高度可配置性，因为可以通过修改损失函数添加约束以满足应用需求。为了训练 RNN，我们生成了对应于期望信道噪声的数据。我们从理论上分析了 NDE 的复杂度和最优性，并将其与采用差分演化的传统设计方法进行比较。仿真表明，NDE 在渐近性能和复杂度方面均优于差分演化。尽管我们关注渐近设定，我们仍对 NDE 所找到的有限码长设计进行了评估，并观察到其在多种信道下性能保持令人满意。
引用
@article{arxiv.2001.01249,
title = {Design of Capacity-Approaching Low-Density Parity-Check Codes using Recurrent Neural Networks},
author = {Eleni Nisioti and Nikolaos Thomos},
journal= {arXiv preprint arXiv:2001.01249},
year = {2020}
}