基于神经网络的有限字母表迭代译码器多样性

译码器多样性是一种强大的纠错框架，其中一组译码器协作纠正一组错误图样，而这些图样是任何单个译码器都无法纠正的。在本文中，我们提出一种新的方法来设计二进制对称信道（BSC）上低密度奇偶校验（LDPC）码的有限字母表迭代译码器（FAID）的译码器多样性，目的是降低误码平层同时保证瀑布性能。所提出的译码器多样性通过训练一个循环量化神经网络（RQNN）来学习/设计 FAID 实现。我们首次证明，机器学习的译码器在性能上可以超越同等复杂度的手工译码器。由于 RQNN 可以建模一大类 FAID，它们能够学习任意 FAID。为了向 RQNN 提供关于误码平层的充分知识，训练集通过从最成问题的错误图样集合——陷阱集（trapping sets）中采样来构建。与现有使用交叉熵函数作为损失函数的方法不同，我们引入了一种基于帧错误率（FER）的损失函数来训练 RQNN，其目标是纠正特定错误图样而非降低比特错误率（BER）。示例与仿真结果表明，RQNN 辅助的译码器多样性提升了 LDPC 码的纠错能力并降低了误码平层。