基于深度学习的稀疏图极化码译码
信号处理
2018-11-27 v1 信息论
机器学习
math.IT
摘要
本文提出一种基于置信传播（BP）和深度学习的极化码稀疏神经网络译码器（SNND）。首先，将极化码 BP 译码的传统因子图转换为类似于低密度奇偶校验（LDPC）码的双部 Tanner 图。然后将 Tanner 图展开并转化为深度神经网络（DNN）的图表示。将复杂的求和-乘积算法（SPA）修改为低复杂度的 min-sum（MS）近似。我们通过使用单一权重参数化网络，大幅减少了权重数量。经深度学习训练技术优化，所提出的 SNND 取得了与 SPA 相当的译码性能，并在 () 和 () 码上比 MS 译码获得约 dB 增益。此外，实现了 的复杂度降低，且译码时延显著低于传统极化码 BP。
引用
@article{arxiv.1811.09801,
title = {Polar Decoding on Sparse Graphs with Deep Learning},
author = {Weihong Xu and Xiaohu You and Chuan Zhang and Yair Be'ery},
journal= {arXiv preprint arXiv:1811.09801},
year = {2018}
}
备注
submitted to Asilomar 2018