Ключевые слова: LDPC, глубокое обучение, нейронная сеть, экспоненциальный алгоритм, минимальная сумма
Нейронная сеть для оптимизации адаптивного экспоненциального алгоритма декодирования минимальной суммы
УДК 007.3
DOI: 10.26102/2310-6018/2025.48.1.026
В настоящее время глубокое обучение как актуальное направление исследований дало плодотворные результаты в области обработки естественного языка, распознавания и генерации графов, например, ChatGPT и Sora. Объединение глубокого обучения с алгоритмами декодирования для канального кодирования также постепенно становится актуальным направлением исследований в области связи. В этой статье мы используем глубокое обучение для улучшения адаптивного алгоритма экспоненциальной минимальной суммы (AEMS) для LDPC-кодов. Во-первых, мы расширяем итеративную процедуру декодирования между контрольными узлами (CNs) и переменными узлами (VNs) в алгоритме декодирования AEMS в сеть распространения с прямой передачей, основанную на графе Таннера, полученном из H-матрицы LDPC-кодов. Во-вторых, для повышения эффективности обучения модели и снижения вычислительной сложности мы присваиваем одинаковый весовой коэффициент всей краевой информации в каждой итерации сети декодирования AEMS, что снижает вычислительную сложность и гарантирует эффективность декодирования, и мы называем ее общей нейронной сетью декодирования AEMS (SNAEMS). Результаты моделирования показывают, что производительность декодирования предложенной сети декодирования SNAEMS превосходит производительность обычного декодера AEMS, а коэффициент усиления кодирования постепенно увеличивается по мере увеличения длины кода.
1. Mathew A., Amudha P., Sivakumari S. Deep Learning Techniques: An Overview. In: Advanced Machine Learning Technologies and Applications: Proceedings of AMLTA 2020, 13–15 February 2020, Jaipur, India. Singapore Springer; 2021. pp. 599–608. https://doi.org/10.1007/978-981-15-3383-9_54
2. Li L., Mu X., Li S., Peng H. A Review of Face Recognition Technology. IEEE Access. 2020;8:139110–139120. https://doi.org/10.1109/ACCESS.2020.3011028
3. Gallager R. Low-density parity-check codes. IRE Transactions on Information Theory. 1962;8(1):21–28. https://doi.org/10.1109/TIT.1962.1057683
4. Wang Qi., Wang S., Fang H., Chen L., Chen L., Guo Yu. A Model-Driven Deep Learning Method for Normalized Min-Sum LDPC Decoding. In: 2020 IEEE International Conference on Communications Workshops (ICC Workshops), 07–11 June 2020, Dublin, Ireland. IEEE; 2020. pp. 1–6. https://doi.org/10.1109/ICCWorkshops49005.2020.9145237
5. Nachmani E., Marciano E., Lugosch L., Gross W.J., Burshtein D., Be’ery Ya. Deep Learning Methods for Improved Decoding of Linear Codes. IEEE Journal of Selected Topics in Signal Processing. 2018;12(1):119–131. https://doi.org/10.1109/JSTSP.2017.2788405
6. Lugosch L., Gross W.J. Neural offset min-sum decoding. In: 2017 IEEE International Symposium on Information Theory (ISIT), 25–30 June 2017, Aachen, Germany. IEEE; 2017. pp. 1361–1365. https://doi.org/10.1109/ISIT.2017.8006751
7. Fossorier M.P.C., Mihaljevic M., Imai H. Reduced complexity iterative decoding of low-density parity check codes based on belief propagation. IEEE Transactions on Communications. 1999;47(5):673–680. https://doi.org/10.1109/26.768759
8. Чжан В., Мухамад И., Саклаков В.М. Разработка адаптивного экспоненциального алгоритма декодирования минимальной суммы. Моделирование, оптимизация и информационные технологии. 2024;12(4). (На англ.). https://doi.org/10.26102/2310-6018/2024.47.4.019
9. Tanner R. A recursive approach to low complexity codes. IEEE Transactions on Information Theory. 1981;27(5):533–547. https://doi.org/10.1109/TIT.1981.1056404
10. Lyu W., Zhang Z., Jiao Ch., Qin K., Zhang H. Performance Evaluation of Channel Decoding with Deep Neural Networks. In: 2018 IEEE International Conference on Communications (ICC), 20–24 May 2018, Kansas City, USA. IEEE; 2018. pp. 1–6. https://doi.org/10.1109/ICC.2018.8422289
11. Goodfellow Ia., Bengio Yo., Courville A. Deep Learning. Cambridge: MIT Press; 2016. 800 p.
12. Nachmani E., Be’ery Ya., Burshtein D. Learning to decode linear codes using deep learning. In: 2016 54th Annual Allerton Conference on Communication, Control, and Computing (Allerton), 27–30 September 2016, Monticello, USA. IEEE; 2017. pp. 341–346. https://doi.org/10.1109/ALLERTON.2016.7852251
13. Wu X., Jiang M., Zhao Ch. Decoding Optimization for 5G LDPC Codes by Machine Learning. IEEE Access. 2018;6:50179–50186. https://doi.org/10.1109/ACCESS.2018.2869374
14. CCSDS Historical Document "Short Block Length LDPC Codes for TC Synchronization and Channel Coding" CCSDS 231.1-O-1 (2015). URL: https://public.ccsds.org/Pubs/231x1o1s.pdf [Accessed 12th December 2024].
Ключевые слова: LDPC, глубокое обучение, нейронная сеть, экспоненциальный алгоритм, минимальная сумма
Для цитирования: Чжан В., Мухамад И., Саклаков В.М., Джаякоди Д.К. Нейронная сеть для оптимизации адаптивного экспоненциального алгоритма декодирования минимальной суммы. Моделирование, оптимизация и информационные технологии. 2025;13(1). URL: https://moitvivt.ru/ru/journal/pdf?id=1807 DOI: 10.26102/2310-6018/2025.48.1.026 (на англ.)
Поступила в редакцию 24.01.2025
Поступила после рецензирования 18.02.2025
Принята к публикации 27.02.2025