基于因子图神经增强的低复杂度近最优符号检测
信息论
2022-11-28 v2 机器学习
信号处理
math.IT
摘要
我们考虑将因子图框架应用于线性码间干扰信道上的符号检测。基于Ungerboeck观测模型，可导出具有吸引人的复杂度特性的检测算法。然而，由于底层因子图含环，和积算法（SPA）给出的是次优算法。本文发展并评估了通过神经增强提升因子图符号检测性能的高效策略。特别地，我们将神经置信传播与因子节点泛化视为缓解因子图内环效应的有效途径。通过对信道输出施加通用预处理，我们提出一种在每次SPA迭代中改变底层因子图的简单技术。利用该动态因子图转移，我们意图保持SPA消息的外在性，否则该性质会因环而受损。仿真结果表明，所提方法可大幅提升检测性能，在各种传输场景下甚至逼近最大后验性能，同时保持关于块长与信道记忆均线性的复杂度。
引用
@article{arxiv.2203.16417,
title = {Low-complexity Near-optimum Symbol Detection Based on Neural Enhancement of Factor Graphs},
author = {Luca Schmid and Laurent Schmalen},
journal= {arXiv preprint arXiv:2203.16417},
year = {2022}
}
备注
revised version. arXiv admin note: text overlap with arXiv:2203.03333