BIAWGN信道中改进的LT码优化方法

在二进制输入加性高斯白噪声信道中传输LT码时,采用高斯近似方法预测置信传播译码算法的误比特率性能不够准确。为此,提出一种改进的高斯近似方法,其中,输入节点度分布采用泊松分布,相应的软信息为高斯混合物,在此基础上给出一种LT码度分布优化方法。仿真结果证明,该方法相比同类方法性能更优越。     

基于深度学习的低复杂度LDPC译码器

在信道译码结合深度学习技术的研究中,维数限制问题一直是研究者们寻求突破的重点。由于深度神经网络是储存密集型,深度神经网络信道解码器通常需要比传统置信传播(BP)译码大得多的计算和内存开销。为了缓解这个问题,提出了一种应用于LDPC码的改进的神经网络译码器。根据深度神经网络信道解码器中权重参数值分布,有选择性地对新的神经网络解码器添加权重参数,通过限制训练参数数量,降低了深度神经网络信道解码器的规模,并且算法与BP译码相比取得了较大译码增益。     

BCH码迭代译码算法及软件实现方法

结合BCH码的特点,重点研究了BCH码中BM迭代译码算法的基本原理,对二进制BCH码与非二进制BCH码作了简单的比较,给出了算法的关键代码。根据BM迭代译码算法的基本步骤,采用三级流水算法结构并对实际应用的缩短码(50,32)(纠二检四)译码进行分析,同时阐明如何应用C/C 语言实现该算法。     

BCH码迭代译码算法及软件实现方法

结合BCH码的特点，重点研究了BCH码中BM迭代译码算法的基本原理，对二进制BCH码与非二进制BCH码作了简单的比较．给出了算法的关键代码。根据BM迭代译码算法的基本步骤，采用三级流水算法结构并对实际应用的缩短码（50，32）（纠二检四）译码进行分析，同时阐明如何应用C／C＋＋语言实现该算法。     

一种改进的LT码置信传播译码

在删除信道上,短信息字长度的LT码采用置信传播译码算法性能较差。提出了一种改进的置信传播译码算法,此算法在置信传播译码失败时只需运用高斯消元法确定少数猜测比特就可实现成功译码。仿真结果显示,相比于置信传播译码,改进的置信传播译码算法在增加少量译码运行时间的代价下获得较大的译码性能改善。     

一种改进的ART码译码性能分析

纠错码是现代通信系统中抵抗无线衰落信道噪声和干扰不可或缺的标准技术,对纠错编码性能的研究一直是通信技术的热门问题。为了提高纠错码的编译码性能,提出了一种结合重复累积(RA)码和级联树(CT)码的累积重复树(ART)码方案,研究了编码结构和译码算法,分析了密度进化方法,推导了高斯近似实现算法,讨论了与OFDM调制相结合的无线网络应用模式。对不同信道条件下的译码性能进行了仿真和比较分析,结果表明,ART码具有较高的编码增益,且编译码算法简单,采用置信传播(BP)译码算法的ART码性能出色。     

基于深度学习的图像去噪方法研究综述

图像去噪是利用图像序列的上下文信息去除噪声,从而恢复出清晰图像的一种技术,是计算机视觉领域重要研究内容之一。随着机器学习的发展,深度学习在图像去噪领域得到广泛应用,成为处理图像去噪的有效解决方法。分析了深度学习图像去噪方法;依据网络结构详细分析了图像去噪方法的思想,并对优缺点进行梳理总结;通过在DND、PolyU等数据集上的实验结果,对比分析基于深度学习去噪方法的性能;对图像去噪研究的关键问题进行总结,并讨论该领域未来研究的发展趋势。     

一种BCH(63,56)译码方法及其FPGA实现

BCH码是很好的线性纠错码类,具有严格的代数结构、构造方便、编码简单。本文提出一种符合CCSDS的BCH(63,56)译码方法,译码方法相对简单,便于硬件实现译码,并具有计算速度快、占用资源少的特点。译码采用Xilinx的Spar-tan3XC3S1500FPGA来实现,满足航天分包遥控的标准。     

RS类纠删码的译码方法

RS(Reed-Solomon)码可以根据应用环境构造出任意容错能力的码字,有很好的灵活性,且使用RS纠删码作为容错方法的存储系统能达到理论最优的存储效率.但是,与异或(exclusive-OR, XOR)类纠删码相比,RS类纠删码译码计算的时间开销过大,这又很大程度上阻碍了它在分布式存储系统中的使用.针对这一问题,提出了一类RS纠删码的译码方法,该方法完全抛弃了当前大多RS类纠删码译码方法中普遍使用的矩阵求逆运算,仅使用计算复杂度更小的加法和乘法,通过构造译码变换矩阵并在此矩阵上执行相应的简单的矩阵变换,能够直接得出失效码元由有效码元组成的线性组合关系,从而降低译码计算复杂度.最后,通过理论证明了该方法的正确性,并且针对每种不同大小的文件,进行3种不同大小文件块的划分,将划分得到的数据块进行实验,实验结果表明：在不同的文件分块大小情况下,该新译码方法较其他方法的译码时间开销更低.     

Turbo码的迭代译码方法的优化设计

迭代译码可以提高Turbo码的译码性能,但也是增加译码复杂性、延时及功率损耗的主要原因。在分析Turbo码的迭代译码原理和译码算法的基础上,提出了一种迭代译码的优化设计方法(Turbo-CRC),即利用循环冗余检测码CRC对Turbo译码器硬判决的输出结果进行检测,可以有效地减小平均迭代次数。计算机仿真结果表明在不降低译码性能和不增加系统复杂度的情况下,使用该方法可以有效地减小平均迭代次数和译码延时,尤其是在大信噪比时,效果更好。     

LT码编译的改进方法

LT码的无速率特性使其可在删除率未知的删除信道下高效传输信息,但译码代价会因R集合为空集概率的增加而增加。针对该问题,提出一种LT码编译的改进方法,使信息单元的度数近似服从均匀分布,并去除生成矩阵中出现长度为4的短环,从而降低R集合为空集的概率。仿真结果验证,采用该方法能降低LT码的译码代价。     

一种改进的Turbo codes译码方法

Turbo码是一种目前研究比较多的纠错码,译码端采用了基于软判决信息输入/输出的反馈迭代结构,译码的迭代是其具有优越纠错性能的关键,也是造成其时延的问题所在,该文提出一种自适应选择迭代次数的方法,实验表明该方法能够在译码结果收敛时自动停止迭代,避免大量无谓的计算,同时保证译码的准确性。     

深度学习加速技术研究

深度学习是近年来机器学习的研究热点,并已广泛应用于不同领域. 但由于训练模型复杂和训练集规模庞大等原因导致的深度学习性能问题已成为其发展的一大阻碍. 近年来计算机硬件的快速发展,尤其是处理器核数的不断增加和整体运算能力的快速提高,给深度学习加速提供了硬件基础,然而其训练算法并行度低和内存开销巨大等问题使得加速研究工作困难重重. 首先介绍了深度学习的背景和训练算法,对当前主要的深度学习加速研究工作进行归纳总结. 在此基础上,对经典的深度学习模型进行性能测试,分析了深度学习及并行算法的性能问题. 最后,对深度学习的未来发展进行了展望.     

一种LDPC码的两步混合译码算法

本文介绍了一种LDPC码的两步混合译码算法，并在AWGN信道下进行了仿真。仿真结果表明，与传统的BP算法相比，在中高信噪比区域，混合译码算法可以提供更低的误码平台。     

一种用于规则QC-LDPC码的高效译码方法

针对一类规则QC-LDPC码,提出一种高效的Log-BP译码方法,通过矩阵分裂,将原监督矩阵分裂成多个小矩阵,将原本的校验节点更新运算拆分成多次处理,以降低log-BP迭代运算的复杂度,给出该方法的迭代运算顺序。与现有的log-BP译码方法相比,该方法在相同的码速率下,校验节点运算单元与变量节点运算单元总规模减小了1/3;在相同的硬件资源下,译码速率提高了1/3,且校验节点运算单元与变量节点运算单元结构趋于对称,有利于设置更少的流水线级数、获得更好的时钟性能。     

Traffic Signal Timing via Deep Reinforcement Learning

In this paper, we propose a set of algorithms to design signal timing plans via deep reinforcement learning. The core idea of this approach is to set up a deep neural network (DNN) to learn the Q-function of reinforcement learning from the sampled traffic state/control inputs and the corresponding traffic system performance output. Based on the obtained DNN, we can find the appropriate signal timing policies by implicitly modeling the control actions and the change of system states. We explain the possible benefits and implementation tricks of this new approach. The relationships between this new approach and some existing approaches are also carefully discussed.      

Decoding turbo-like codes via linear programming

We introduce a novel algorithm for decoding turbo-like codes based on linear programming. We prove that for the case of repeat-accumulate codes, under the binary symmetric channel with a certain constant threshold bound on the noise, the error probability of our algorithm is bounded by an inverse polynomial in the code length.Our linear program (LP) minimizes the distance between the received bits and binary variables representing the code bits. Our LP is based on a representation of the code where codewords are paths through a graph. Consequently, the LP bears a strong resemblance to the min-cost flow LP. The error bounds are based on an analysis of the probability, over the random noise of the channel, that the optimum solution to the LP is the path corresponding to the original transmitted codeword.     

面向深度学习的公平性研究综述

深度学习是机器学习研究中的一个重要领域,它具有强大的特征提取能力,且在许多应用中表现出先进的性能,因此在工业界中被广泛应用.然而,由于训练数据标注和模型设计存在偏见,现有的研究表明深度学习在某些应用中可能会强化人类的偏见和歧视,导致决策过程中的不公平现象产生,从而对个人和社会产生潜在的负面影响.为提高深度学习的应用可靠性、推动其在公平领域的发展,针对已有的研究工作,从数据和模型2方面出发,综述了深度学习应用中的偏见来源、针对不同类型偏见的去偏方法、评估去偏效果的公平性评价指标、以及目前主流的去偏平台,最后总结现有公平性研究领域存在的开放问题以及未来的发展趋势.