Объект исследования –  нейросетевой декодер помехоустойчивого кода. Цель работы – разработка декодера помехоустойчивого кода на основе методов глубокого обучения. Блок декодирования помехоустойчивого кода является одной из важных частей любого современного цифрового приемо-передающего устройства. Из-за бурного развития цифровой связи, и несмотря на наличие существующих алгоритмов декодирования, возникает необходимость в создании новых методов, которые бы требовали меньший объем памяти и меньших вычислений. И одним из перспективных направлений является создание декодера на основе глубокого обучения для системы приема-передачи OFDM-сигнала, чьи возможности, на данный момент, практически не освещены в литературе. В данной работе был разработан нейросетевой декодер для свёрточного кода на трёх различных современных архитектурах: RNN (GRU, LSTM) и CNN. Было показано, что для рекуррентной нейронной архитектуры достигается лучшая производительность, и для случайного набора бит кривые помехоустойчивости стремятся к результатам классического алгоритма декодирования Витерби с мягкими решениями. Также была построена имитационная модель приемо-передающего устройства для OFDM-сигнала, в блоке декодирования которой исследовалась работа нейросетевого декодера. Было определено, что и в этом случае предпочтительны нейросетевые декодеры на основе RNN, производительность которых превосходит алгоритм Витерби с жесткими решениями и стремится к производительности мягких решений.

The object of research is a neural network decoder of an error-correcting code. The purpose of the work is to develop a decoder for an error-correcting code based on deep learning methods. The decoding block of the noise-correcting code is one of the important parts of any modern digital transceiver. Due to the rapid development of digital communication, and despite the existence of existing decoding algorithms, there is a need to create new methods that would require less memory and less calculations. And one of the promising directions is the creation of a decoder based on deep learning for an OFDM signal reception and transmission system, whose capabilities, at the moment, are practically not covered in the literature. In this work, a neural network decoder for a convolutional code was developed on three different modern architectures: RNN (GRU, LSTM) and CNN. It has been shown that the best performance is achieved for a recurrent neural architecture, and for a random set of bits, the noise immunity curves tend to the results of the classical soft-decision Viterbi decoding algorithm. A simulation model of a transceiver for an OFDM signal was also built, in the decoding unit of which the operation of a neural network decoder was studied. It was determined that in this case too, neural network decoders based on RNNs are preferred, the performance of which is superior to the Viterbi algorithm with hard decisions and tends to the performance of soft decisions.

• 1.1 Алгоритм Витерби
• 1.2 Алгоритм BCJR
• 1.3 Нейросетевые декодеры
• 1.4 Выводы
• 2.1 Имитационная модель приемо-передающего устройства OFDM-сигнала
• 2.2 OFDM-сигнал
• 2.3 Структура и обучение нейросетевого декодера
• 2.4 Оценка производительности декодера
• 2.5 Выводы
• 3.1 Декодирование нейросетевым декодером
• 3.2 Кривые помехоустойчивости для имитационной модели
• 3.3 Выводы
• ОПРЕДЕЛЕНИЯ, ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ
• ВВЕДЕНИЕ
• 1 Обзор существующих методов декодирования помехоустойчивого кода
  • 1.1 Алгоритм Витерби
  • 1.2 Алгоритм BCJR
  • 1.3 Нейросетевые декодеры
  • 1.4 Выводы
• 2 Реализация имитационной модели для OFDM-сигнала и нейросетевого декодера
  • 2.1 Имитационная модель приемо-передающего устройства OFDM-сигнала
  • 2.2 OFDM-сигнал
  • 2.3 Структура и обучение нейросетевого декодера
  • 2.4 Оценка производительности декодера
  • 2.5 Выводы
• 3 Анализ результатов работы нейросетевого декодера
  • 3.1 Декодирование нейросетевым декодером
  • 3.2 Кривые помехоустойчивости для имитационной модели
  • 3.3 Выводы
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ