ИСПОЛЬЗОВАНИЕ МЕТОДА ИНФОРМАЦИОННОГО СЖАТИЯ ДЛЯ СНИЖЕНИЯ СЛОЖНОСТИ ДЕКОДЕРА МПП-КОДОВ

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Одним из способов снижения сложности алгоритмов распространения доверия для декодирования кодов с малой плотностью проверок на четность является хранение предварительно вычисленной суммы сообщений в узлах переменных. В свою очередь, объем обрабатываемой информации может быть значительно снижен с помощью метода информационного сжатия (МИС), снижающего разрядность всех обновляемых сообщений. Предлагается алгоритм построения бинарной функции на основе МИС, соответствующей вычитанию. Использование разработанной функции позволяет уменьшить количество хранимых и используемых таблиц поиска для узлов переменных.

Об авторах

И. А Мельников

Институт проблем передачи информации им. А.А. Харкевича РАН

Email: melnikov@iitp.ru
Москва

А. Ю Угловский

Институт проблем передачи информации им. А.А. Харкевича РАН

Email: uglovski@iitp.ru
Москва

А. А Крещук

Институт проблем передачи информации им. А.А. Харкевича РАН

Email: krsh@iitp.ru
Москва

А. А Куреев

Московский физико-технический институт (национальный исследовательский университет); Институт проблем передачи информации им. А.А. Харкевича РАН

Email: kureev@wireless.iitp.ru
Москва; Москва

Е. М Хоров

Институт проблем передачи информации им. А.А. Харкевича РАН

Email: khorov@wireless.iitp.ru
Москва

Список литературы

  1. Угловский А.Ю., Мельников И.А., Алексеев И.А., Куреев А.А. Оценка низкого уровня ошибок с помощью выборки по значимости с равномерным распределением // Пробл. передачи информ. 2023. Т. 59. № 4. С. 3–12. https://doi.org/10.31857/S0555292323040010
  2. Gallager R. Low-Density Parity-Check Codes // IRE Trans. Inform. Theory. 1962. V. 8. № 1. P. 21–28. https://doi.org/10.1109/TIT.1962.1057683
  3. Fossorier M.P.C., Mihaljevic M., Imai H. Reduced Complexity Iterative Decoding of LowDensity Parity Check Codes Based on Belief Propagation // IEEE Trans. Commun. 1999. V. 47. № 5. P. 673–680. https://doi.org/10.1109/26.768759
  4. Lewandowsky J., Bauch G. Information-Optimum LDPC Decoders Based on the Information Bottleneck Method // IEEE Access. 2018. V. 6. P. 4054–4071. https://doi.org/10.1109/ACCESS.2018.2797694
  5. Lewandowsky J., Bauch G., Stark M. Information Bottleneck Signal Processing and Learning to Maximize Relevant Information for Communication Receivers // Entropy. 2022. V. 24. № 7. Paper No. 972 (30 pp.). https://doi.org/10.3390/e24070972
  6. Stark M., Lewandowsky J., Bauch G. Information-Bottleneck Decoding of High-Rate Irregular LDPC Codes for Optical Communication Using Message Alignment // Appl. Sci. 2018. V. 8. № 10. Paper No. 1884 (17 pp.). https://doi.org/10.3390/app8101884
  7. Kurkoski B.M., Yamaguchi K., Kobayashi K. Noise Thresholds for Discrete LDPC Decoding Mappings // Proc. 2008 IEEE Global Telecommunications Conf. (GLOBECOM’08). New Orleans, LA, USA. Nov. 30 – Dec. 4, 2008. P. 1–5. https://doi.org/10.1109/GLOCOM.2008.ECP.214
  8. Фернандес М., Кабатянский Г.А., Круглик С.А., Мяо И. Коды для точного нахождения носителя разреженного вектора по ошибочным линейным измерениям и их декодирование // Пробл. передачи информ. 2023. Т. 59. № 1. С. 17–24. https://doi.org/10.31857/S0555292323010023
  9. He X., Cai K., Song W., Mei Z. Dynamic Programming for Sequential Deterministic Quantization of Discrete Memoryless Channels // IEEE Trans. Commun. 2021. V. 69. № 6. P. 3638–3651. https://doi.org/10.1109/TCOMM.2021.3062838
  10. Melnikov I.A., Uglovskii A.Yu., Kreshchuk A.A., Kureev A.A., Khorov E.M. Reducing the Complexity of the Layer Scheduled LDPC Decoder Based on the Information Bottleneck Method // Probl. Inf. Transm. 2024. V. 60. № 3. P. 199–208. https://doi.org/10.1134/S0032946024030049

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2024