Application of Deep-Learning-based Methods in the Decoding of Error Correcting Codes
وضعیت نشر و پخش و غیره
محل نشرو پخش و غیره
تهران
مشخصات ظاهری
ساير جزييات
۷۶ ص.
یادداشتهای مربوط به عنوان و پدیدآور
متن يادداشت
حسن خدایی مهر
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
کسي که مدرک را اعطا کرده
صنعتی خواجه نصیرالدین طوسی
زمان اعطا مدرک
۱۴۰۰
نظم درجات
علوم داده
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
یکی از مهمترین اهداف در ارتباطات، ارسال و دریافت امن اطلاعات از طریق کانال های ارتباطی می باشد. به همین دلیل در فرستنده بیت های توازن به اطلاعات اصلی افزوده می شود که در صورت نویزی شدن اطلاعات اصلی همچنان قابل بازیابی باشد. این فرآیند کدگذاری نامیده می شود. به دنبال کدگذاری به الگوریتم های کدگشایی برای بازیابی اطلاعات گیرنده نیاز داریم. الگوریتم انتشار باور یکی از روش های کدگذاری است که نتیجه بسیار خوبی بر روی برخی کدهای خطی همچون کدهای ال دی پی سی دشته است. مسئله کدگشایی کانال کدهای خطی با اندازه بلوک کوچک و با ژیچیدگی پایین و عملکرد نزدیک به بهینه در این پایان نامه در نظر گرفته شده است. نشان داده شده است که روش های یادگیری عمیق می تواند برای بهبود عملکرد کدگشای انتشار باور استفاده شود. ژیشرفت های مشابهی برای الگوریتم کدگشای حداقل مجموع نیز به دست آمده است که نشان می دهد گره خوردن ژارامترهای الگوریتم کدگشایی طی تکرارهای آن به منظور ایجاد یک شبکه عصبی بازگشتی قابل اجراست. مزیت این روش آن است که تعداد ژارامترهای کمتری مورد نیاز است. در این ژایان نامه معماری یک کدگشای عصبی بازگشتی مبتنی بر آزاد سازی متوالی را معرفی می کنیم. به علاوه نشان می دهیم که کدگشای انتشار باور عصبی می تواند برای بهبود عملکرد کدگشایی یا کاهش پیچیدگی محاسباتی برای کدهای کوتاه بی سی اچ استفاده شود.
متن يادداشت
One of the most important goals in communications science is to send and receive in- formation securely from telecommunication channels. No channel is free of noise. For this reason, additional information is added to the original information in the transmitter, which can still be extracted if the original information is noisy. This process is called coding. Following coding, we need decoding algorithms to recover information in the receiver. The belief propagation algorithm is one of the decoding methods that has had state of the art results on some linear codes such as LDPC codes. The problem of low complexity, close to optimal, channel decoding of linear codes with short block length is considered. It is shown that deep learning methods can be used to improve a standard belief propagation decoder. Similar improvements are obtained for the min-sum algorithm. It is also shown that tying the parameters of the decoders across iterations, so as to form a recurrent neural network ar- chitecture, can be implemented with comparable results. The advantage is that significantly less parameters are required. We also introduce a recurrent neural decoder architecture based on the method of successive relaxation. Furthermore, we demonstrate that the neural belief propagation decoder can be used to improve the performance, or alternatively reduce the computational complexity, of a close to optimal decoder of short BCH codes.
موضوع (اسم عام یاعبارت اسمی عام)
تقسیم فرعی موضوعی
یادگیری عمیق
تقسیم فرعی موضوعی
کدهای خطی
تقسیم فرعی موضوعی
الگوریتم انتشار باور
تقسیم فرعی موضوعی
الگوریتم کدگشایی حداقل-مجموع
تقسیم فرعی موضوعی
Deep learning
تقسیم فرعی موضوعی
Linear codes
تقسیم فرعی موضوعی
Belief propagation algorithm
تقسیم فرعی موضوعی
Min-Sum decoding algorithm
تقسیم فرعی موضوعی
ریاضی کاربردی
عنصر شناسه ای
ریاضی
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )