И.В. Свиридова1, М.В. Хорошайлова2, Д.В. Лялин3

1-3 ФГБОУ ВО «Воронежский государственный технический университет» (г. Воронеж, Россия)

1 ri-ss-ka@mail.ru; 2 pmv2205@mail.ru; 3 dmitrylialin95@gmail.com

Постановка проблемы. Глубокие нейронные сети успешно применяются в канальном кодировании для улучшения качества декодирования. Однако современные нейронные декодеры каналов не могут одновременно обеспечить высокую производительности декодирования и низкую сложность реализации. Для устранения этой проблемы необходимо разработать декодер с двойным остаточным нейроном. Благодаря интеграции остаточного входа и остаточного обучения в архитектуре, декодер нейронного канала позволит значительно повысить производительность декодирования при сохранении низкой сложности.

Цель. Представить архитектуру декодера с двойной остаточной нейронной сетью, обеспечивающего высокую производительность декодирования в канальном кодировании при низкой сложности модели и малых вычислительных затратах.

Результаты. Предложен декодер с двойной остаточной нейронной сетью, который обеспечивает значительное повышение производительности декодирования, что подтверждено результатами моделирования. Выполнен сравнительный анализ декодера с двойной остаточной нейронной сетью с нейронным декодером на основе алгоритма распространения доверия и с нейронным декодером гиперграфа, который обладает самой лучшей способностью исправления ошибок среди всех существующих декодеров нейронных каналов. Установлено, что что в первом случае рассматриваемый декодер обеспечивает дополнительное усиление кодирования на 0,5-1,8 дБ, а во втором - аналогичную или даже лучшую производительность декодирования для разных кодов каналов.

Практическая значимость. Полученные результаты могут быть использованы для улучшения эффективности декодирования и повышения производительности в канальном кодировании.

Свиридова И.В., Хорошайлова М.В., Лялин Д.В. Высокопроизводительное декодирование с использованием глубоких нейронных сетей // Радиотехника. 2024. Т. 88. № 7. С. 21-25. DOI: https://doi.org/10.18127/j00338486-202407-04

1. Хорошайлова М.В. Архитектура канального кодирования на основе ПЛИС для 5G беспроводной сети с использованием высокоуровневого синтеза // Вестник Воронежского государственного технического университета. 2018. Т. 14. № 2. С. 99-105.
2. Safaldin M., Otair M., Abualigah L. Improved Binary Gray Wolf Optimizer and SVM for Intrusion Detection System in Wireless Sensor Networks // J. Ambient. Intell. Humaniz. Comput. 2021. № 12. Р. 1559–1576.
3. Yun-Jiang Wang, Barry C Sanders, Bao-ming Bai, Xin-mei Wang. Enhanced Feedback Iterative Decoding of Sparse Quantum Codes // IEEE Trans. Inf. Theory. 2012. № 58. Р. 1231–1241.
4. Хорошайлова М.В. Архитектура для стохастических LDPC-декодеров c использованием эффективной площади кристалла на основе ПЛИС // Вестник Воронежского гос. технич. ун-та. 2018. Т. 14. № 1. С. 95-100.
5. Башкиров А.В., Хорошайлова М.В. Алгоритмы низкой сложности декодирования и архитектура для недвоичных низкоплотностных кодов // Радиотехника. 2016. № 6. С. 10-14.
6. Башкиров А.В., Муратов А.В., Хорошайлова М.В., Ситников А.В., Ермаков С.А. Низкоплотностные коды малой мощности декодирования // Радиотехника. 2016. № 5. С. 32-37.
7. Thi Bao Nguyen T., Nguyen Tan T., Lee H. Efficient QC-LDPC Encoder for 5G New Radio // Electronics. 2019. № 8. Р. 668.