利用深度神经网络预测并改进极化码性能
机器学习
2021-05-12 v1 信息论
math.IT
摘要
极化码在理论上可实现极具竞争力的帧错误率。在实践中，其性能可能取决于所选取的解码过程，以及其所部署通信系统的其他参数。因此，为特定场景设计高效极化码很快会变得颇具挑战。本文引入一种方法，即训练深度神经网络，基于极化码的冻结比特构造序列预测其帧错误率。我们提出一种基于投影梯度下降的算法，利用神经网络函数的梯度生成有前景的冻结比特序列。我们在生成的数据集上展示了所提方法能够生成比用于训练神经网络的码更高效之码的能力，即便后者是从最高效的码中挑选出来的。
引用
@article{arxiv.2105.04922,
title = {Using Deep Neural Networks to Predict and Improve the Performance of Polar Codes},
author = {Mathieu Léonardon and Vincent Gripon},
journal= {arXiv preprint arXiv:2105.04922},
year = {2021}
}
备注
Submitted to ISTC 2021