Decodificador baseado em Rede Neural Profunda para Códigos de Bloco Lineares Curtos Transmitidos via Canal Binário Simétrico
REMAT: Revista Eletrônica da Matemática
Decodificador baseado em Rede Neural Profunda para Códigos de Bloco Lineares Curtos Transmitidos via Canal Binário Simétrico
Autor Correspondente: Jorge Kysnney Santos Kamassury | [email protected]
Palavras-chave: Decodificador Baseado em Rede Neural; Canal Binário Simétrico; Códigos Corretores de Erros
Resumos Cadastrados
Resumo Português:
Os códigos de comprimento curto têm sido alvo de estudos recentes devido, principalmente, às exigências de tecnologias emergentes por requisitos específicos de comunicação. Entretanto, para a classe de código mais promissora (BCH), a decodificação é complexa quando se usa os decodificadores tradicionais. Nesse contexto, os projetos que empregam redes neurais para esse propósito manifestam-se como interessantes alternativas. Isto posto, neste artigo estende-se, para os códigos BCH de comprimento n menor ou igual a 31, o projeto de decodificador proposto na literatura que aplica a rede neural para estimar o padrão de erro a partir da síndrome do vetor recebido. Além disso, introduz-se um novo decodificador que estima iterativamente as posições mais confiáveis para serem os bits errôneos do padrão de erro previamente predito por uma rede neural. Os resultados apresentados evidenciam que para todos os códigos analisados, o novo decodificador alcança os máximos desempenhos teóricos.
Resumo Inglês:
Short-length codes have been the subject of recent studies mainly due to the need for specific communication requirements expressed by emerging technologies. However, for the most promising code class (BCH), decoding is complex when using traditional decoders. In this context, projects that use neural networks for this purpose appear as interesting alternatives. That said, in this article, the decoder project proposed in the literature that applies the neural network to estimate the error pattern considering the received vector syndrome extends to the BCH codes of length n less than or equal to 31. In addition, a new decoder is introduced, one that iteratively estimates the most reliable positions to be the erroneous bits of the error pattern previously predicted by a neural network. The results presented show that, for all the analyzed codes, the new decoder reaches the maximum theoretical performances.
