A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Deep Learning of Damped AMP Decoding Networks for Sparse Superposition Codes via Annealing Aprendizado profundo de redes de decodificação AMP amortecidas para códigos de superposição esparsos via recozimento

Toshihiro YOSHIDA, Keigo TAKEUCHI

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

Este artigo aborda códigos de superposição esparsa (SSCs) de curto comprimento sobre o canal de ruído gaussiano branco aditivo. A passagem aproximada de mensagens (AMP) amortecida é usada para decodificar SSCs curtos com dicionários gaussianos independentes de média zero e distribuídos de forma idêntica. Para projetar fatores de amortecimento em AMP por meio de aprendizado profundo, este artigo constrói redes de decodificação de AMP amortecidas e desdobradas. Um método de recozimento para aprendizado profundo é proposto para projetar fatores de amortecimento quase ótimos com alta probabilidade. No recozimento, os fatores de amortecimento são primeiro otimizados por meio de aprendizado profundo no regime de baixa relação sinal-ruído (SNR). Em seguida, os fatores de amortecimento obtidos são ajustados para os valores iniciais na descida gradiente estocástica, o que otimiza os fatores de amortecimento para SNR ligeiramente maior. A repetição deste processo de recozimento projeta fatores de amortecimento no regime de alta SNR. Simulações numéricas mostram que o recozimento atenua a flutuação nos fatores de amortecimento aprendidos e supera a pesquisa exaustiva com base em um fator de amortecimento independente da iteração.

Publicação
IEICE TRANSACTIONS on Fundamentals Vol.E106-A No.3 pp.414-421
Data de publicação
2023/03/01
Publicitada
2022/07/22
ISSN online
1745-1337
DOI
10.1587/transfun.2022TAP0009
Tipo de Manuscrito
Special Section PAPER (Special Section on Information Theory and Its Applications)
Categoria
Teoria da Comunicação e Sinais

autores

Toshihiro YOSHIDA
  Toyohashi University of Technology
Keigo TAKEUCHI
  Toyohashi University of Technology

Palavra-chave