Academic Journal
ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОПТИМИЗАЦИИ ДЕКОДИРОВАНИЯ LDPC-КОДОВ ДЛЯ 5G БЕСПРОВОДНОЙ СЕТИ
| Τίτλος: | ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОПТИМИЗАЦИИ ДЕКОДИРОВАНИЯ LDPC-КОДОВ ДЛЯ 5G БЕСПРОВОДНОЙ СЕТИ |
|---|---|
| Στοιχεία εκδότη: | ВЕСТНИК ВОРОНЕЖСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА, 2019. |
| Έτος έκδοσης: | 2019 |
| Θεματικοί όροι: | квази-циклические низкоплотностные коды, алгоритм декодирования min-sum, оптимизация декодирования, нейронные сети |
| Περιγραφή: | Предложен обобщенный алгоритм декодирования min-sum, использующий линейное приближение (от англ. a Linear Approximation Min-Sum, LAMS) для кодов низкой плотности проверки на четность с квазициклическими структурами (от англ. Quasi-Cyclic Low-Density Parity-Check, QC-LDPC). Линейное приближение вводит некоторые факторы на каждой итерации декодирования, которые линейно корректируют обновление проверочного узла и выходные данные канала. Эти факторы итеративно оптимизируются с использованием нейронного обучения, где оптимизация может быть эффективно решена с помощью небольшой и неглубокой нейронной сети с обучающими данными, полученными с помощью декодера LAMS. Нейронная сеть построена в соответствии с матрицей проверки четности кода QC-LDPC со структурой контроля четности, которая может значительно уменьшить размер нейронной сети. Поскольку мы оптимизируем коэффициенты один раз за итерацию декодирования, оптимизация не ограничивается количеством итераций. Затем задаем оптимизированные результаты коэффициентов в декодере LAMS и выполняем моделирование декодирования для QC-LDPC кодов в мобильных сетях пятого поколения (5G). При моделировании алгоритм LAMS показывает заметное улучшение по сравнению с алгоритмами нормализованной и минимальной суммы смещения и даже лучшую производительность, чем алгоритм распространения доверия (the belief propagation algorithm) в некоторых областях с высоким отношением сигнал/шум In this article, we propose a generalized min-sum decoding algorithm using linear approximation (LAMS) for low density parity check codes with quasi-cyclic structures (QC-LDPC). The linear approximation introduces some factors at each decoding iteration that linearly correct the update of the test node and the output of the channel. These factors are iteratively optimized using neural learning, where optimization can be effectively solved using a small and shallow neural network with training data obtained using a LAMS decoder. The neural network is built in accordance with the parity check matrix of the QC-LDPC code with a parity structure that can significantly reduce the size of the neural network. Since we optimize coefficients once per iteration of decoding, optimization is not limited to the number of iterations. Then we set the optimized coefficient results in the LAMS decoder and perform decoding simulation for QC-LDPC codes in fifth-generation mobile networks (5G). In the simulation, the LAMS algorithm shows a noticeable improvement compared to the normalized and minimum amount of bias algorithms and even better performance than the belief propagation algorithm in some areas with a high signal-to-noise ratio №2 (2019) |
| Τύπος εγγράφου: | Article |
| Γλώσσα: | Russian |
| DOI: | 10.25987/vstu.2019.15.2.018 |
| Αριθμός Καταχώρησης: | edsair.doi...........fea50a6fb67f993b684a551f4d2e32f6 |
| Βάση Δεδομένων: | OpenAIRE |
| DOI: | 10.25987/vstu.2019.15.2.018 |
|---|