Детальная информация

Цель работы – оценка эффективности методов декодирования полярных кодов на основе глубокого обучения по критериям точности и вычислительной сложности и выбор перспективного метода. В ходе работы решались следующие задачи: обзор существующих методов декодирования полярных кодов на базе глубокого обучения, анализ и сравнение методов декодирования полярных кодов, в том числе на базе глубокого обучения, а также выбор перспективного метода декодирования полярных кодов на базе глубокого обучения. Был проведен комплексный анализ методов декодирования полярных кодов, включая классические алгоритмы (SC, SCL, BP) и современные нейросетевые подходы (CNN-BP, Трансформер, FCNN). Основное внимание уделено оценке их точности и вычислительной сложности. Работа проведена на базе теоретических исследований и анализа существующих публикаций. Результаты показали, что гибридный подход CNN-BP обеспечивает оптимальное сочетание точности декодирования и вычислительной эффективности. В отличие от ресурсоемких трансформерных моделей и менее эффективных полносвязных сетей, CNN-BP наиболее перспективен для внедрения в современных системах связи. Дальнейшие исследования могут быть направлены на адаптацию архитектуры декодеров под различные каналы передачи данных.

The purpose of work is an estimation of efficiency of methods of decoding of polar codes on the basis of deep learning on criteria of accuracy and calculation complexity and a choice of a perspective method. In the process of work the following tasks were solved: review of existing methods of decoding polar codes on the basis of deep learning, analysis and comparison of methods of decoding polar codes, including on the basis of deep learning, and also a choice of perspective method of decoding polar codes on the basis of deep learning. The complex analysis of methods of decoding polar codes, including classical algorithms (SC, SCL, BP) and modern neural network approaches (CNN-BP, Transformer, FCNN) was carried out. The main attention is paid to the estimation of their accuracy and calculation complexity. The work is based on theoretical studies and analyses of existing publications. The results show that the hybrid CNN-BP approach provides an optimal combination of decoding accuracy and computational efficiency. In contrast to resource-intensive transform models and less efficient fully connected networks, CNN-BP is the most promising for implementation in modern communication systems. Further researches can be directed on adaptation of decoder architecture for various channels of data transmission.