具有权重量化机制的低复杂度循环神经网络极化译码器
信号处理
2019-02-05 v2 机器学习
摘要
极化码因其可达容量的性能而备受关注，并被采纳于5G新空口(NR)。近来，随着新兴深度学习(DL)技术在诸多领域取得突破性进展，神经网络译码器被提出以比置信传播(BP)译码获得更快收敛与更优性能。然而，神经网络内存密集，阻碍了DL在通信系统中的部署。本文提出一种基于码本权重量化的低复杂度循环神经网络(RNN)极化译码器。测试结果表明，我们能有效降低98%的内存开销，并以轻微性能损失缓解计算复杂度。
引用
@article{arxiv.1810.12154,
title = {Low-complexity Recurrent Neural Network-based Polar Decoder with Weight Quantization Mechanism},
author = {Chieh-Fang Teng and Chen-Hsi Wu and Kuan-Shiuan Ho and An-Yeu Wu},
journal= {arXiv preprint arXiv:1810.12154},
year = {2019}
}
备注
5 pages, accepted by the 2019 International Conference on Acoustics, Speech, and Signal Processing (ICASSP)