کدبرداری از کدهای خطی بر مبنای معادله سندرم با استفاده از یادگیری عمیق

Abstract

استفاده از کدهای طول کوتاه در ارتباطات دیجیتال به خاطر فراگیرشدن پدیده اینترنت اشیاء از اهمیت ویژه‌ای برخوردار است. از طرفی مدلهای یادگیری عمیق در زمینه‌های مختلفی مانند تشخیص اشیاء و تشخیص گفتار نتایج لبه علمی را بدست آورده‌اند. از این میان شبکه‌های کانولوشنی نقش اساسی در موفقیت مدلهای یادگیری عمیق را دارند. برای افزایش دقت کدبرداری کدهای طول کوتاه (Low Density Parity Check Codes) بر مبنای معادله علامت از شبکه کانولوشنی استفاده گردید. برای تعیین جواب معادله علامت از روش تشخیص الگوی خطا بهره گرفته شد. به این منظور، نخست شبکه کانولوشنی یک بعدی با سه لایه اصلی که هر لایه شامل زیرلایه‌های کانولوشن و ادغام میباشند استفاده شد. سپس خروجی شبکه کانولوشنی بر شبکه برگشتی GRU اعمال گردید. شبکه برگشتی GRU با تعداد سه برابر طول کدواژه با تابع فعالسازی ReLU مورد استفاده واقع گردید. تعیین مقدار ابرپارامترهای شبکه عصبی مورد استفاده ابتدا بصورت مقادیر پیش فرض کتابخانه تنسورفلو نسخه ۲ مقدار دهی و در برخی موارد برای افزایش دقت تغییر داده شدند. مقایسه بین مدل ترکیبی حاصل از شبکه کانولوشنی یک بعدی و شبکه برگشتی با مدل شبکه برگشتی نشان میدهد که برای کد LDPC با طول ۶۴ در کاهش نرخ خطای بیت، مدل ترکیبی حاصل از شبکه کانولوشنی و شبکه GRU بهتر عمل میکند. نرخ خطای بیت در شرایط نویزی مختلف به میزان ۵.۰ تا ۸.۰ دسیبل کمتر از میزان کدبردار بیشینه‌گر احتمال میباشد. همچنین نشان دادیم که شبکه‌های کانولوشنی در کنار شبکه‌های برگشتی پتانسیل این را دارند که بتوانند عملکرد چنین شبکه‌هایی را بهبود ببخشند.