Decodificador baseado em Rede Neural Profunda para Códigos de Bloco Lineares Curtos Transmitidos via Canal Binário Simétrico

Jorge Kysnney Santos Kamassury

doi:10.35819/remat2021v7i1id4389

Autores

Jorge Kysnney Santos Kamassury Universidade Federal de Santa Catarina (UFSC), Centro Tecnológico (CTC), Florianópolis, SC, Brasil http://orcid.org/0000-0001-8335-9796

DOI:

https://doi.org/10.35819/remat2021v7i1id4389

Palavras-chave:

Decodificador Baseado em Rede Neural, Canal Binário Simétrico, Códigos Corretores de Erros

Resumo

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.

Downloads

Os dados de download ainda não estão disponíveis.

Biografia do Autor

Jorge Kysnney Santos Kamassury, Universidade Federal de Santa Catarina (UFSC), Centro Tecnológico (CTC), Florianópolis, SC, Brasil

Doutorando do Programa de Pós-Graduação em Engenharia Elétrica da Universidade Federal de Santa Catarina (UFSC), Mestre em Engenharia Elétrica (UFSC) e Bacharel em Engenharia Física e Ciência & Tecnologia pela Universidade Federal do Oeste do Pará (UFOPA). Participante do Programa Ciência Sem Fronteiras, na modalidade Graduação Sanduíche do curso de Engenharia Física na Universidade de Aveiro (UA), em Portugal, atualmente participa do Grupo de Pesquisa em Comunicações (GPqCom) do Laboratório de Comunicações e Sistemas Embarcados (LCS) da UFSC. Tendo experiência em Otimização Matemática, Teoria de Controle e Dinâmica dos Fluidos Computacional, também vem gradativamente enfocando os estudos nas seguintes áreas: Sinais e Sistemas, Teoria da Informação, Aprendizado de Máquina, Comunicações sem fio, Códigos Corretores de Erros, Teoria Eletromagnética, Teoria de Campos e Ensino de Física Teórica e Aplicada.

Referências

BISHOP, C. M. Pattern Recognition and Machine Learning. Springer, 2006.

BOSE, R. C.; RAY-CHAUDHURI, D. K. Further results on error correcting binary group codes. Information and Control, v. 3, n. 3, p. 279-290, set. 1960a. DOI: http://doi.org/10.1016/S0019-9958(60)90870-6.

BOSE, R. C.; RAY-CHAUDHURI, D. K. On a class of error correcting binary group codes. Information and Control, v. 3, n. 1, p. 68-79, mar. 1960b. DOI: http://doi.org/10.1016/S0019-9958(60)90287-4.

DURISI, G.; KOCH, T.; POPOVSKI, P. Toward massive, ultrareliable, and low-latency wireless communication with short packets. Proceedings of the IEEE, v. 104, n. 9, p. 1711-1726, set. 2016. DOI: http://doi.org/10.1109/JPROC.2016.2537298.

GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep Learning. [S.I.]: MIT Press, 2016. Disponível em: http://www.deeplearningbook.org. Acesso em: 14 maio 2020.

GRUBER, T.; CAMMERER, S.; HOYDIS, J.; BRINK, S. On deep learning-based channel decoding. In: ANNUAL CONFERENCE ON INFORMATION SCIENCES AND SYSTEMS, 2017, Baltimore. Proceedings ..., s.L.: IEEE, 2017. p. 1-6. DOI: http://doi.org/10.1109/CISS.2017.7926071.

HAYKIN, S. Digital Communication Systems. Hoboken, NJ: John Wiley & Son, Inc., 2014.

HOCQUENGHEM, A. Codes correcteurs d'erreus. Chiffres, v. 2, p. 147-156, 1959. Disponível em: http://kom.aau.dk/~heb/kurser/NOTER/KOFA02.PDF. Acesso em: 22 mar. 2020.

HORNIK, K.; STINCHCOMBE, M.; WHITE, H. Multilayer feedforward networks are universal approximators. Neural Networks, v. 2, n. 5, p. 359-366, 1989. DOI: https://doi.org/10.1016/0893-6080(89)90020-8.

IOFFE, S.; SZEGEDY, C. Batch normalization: accelerating deep network training by reducing internal covariate shift. CoRR, abs/1502.03167, 2015. Disponível em: http://arxiv.org/abs/1502.03167. Acesso em: 28 abr. 2020.

KAMASSURY, J. K. S.; SILVA, V. F. O. Rápido reconhecimento de modulações analógicas e digitais via redes residuais profundas. In: SIMPÓSIO BRASILEIRO DE ENGENHARIA FÍSICA, 14, Ponta Grossa, 2020. Anais... Ponta Grossa: Atena Editora, 2020. cap. 9, p. 83-97. DOI: http://doi.org/10.22533/at.ed.1572002039.

KAMASSURY, J. K. S.; TÔRRES, I. F.; DUARTE, W. G. Decodificação de máxima verossimilhança para códigos de bloco lineares: probabilidades de erro do código de repetição e do código de Hamming. REMAT: Revista Eletrônica da Matemática, v. 5, n. 2, p. 177-191, 1 jul. 2019. DOI: https://doi.org/10.35819/remat2019v5i2id3371.

KINGMA, D. P.; BA, J. Adam: a method for stochastic optimization. CoRR, abs/1412.6980, 2014. Disponível em: http://arxiv.org/abs/1412.6980. Acesso em: 28 abr. 2020.

LIN, S.; COSTELLO, D. Error control coding: Fundamentals and Applications. 2. ed. Upper Saddle River, NJ: Prentice-Hall, 2004.

O'SHEA, T.; HOYDIS, J. An introduction to deep learning for the physical layer. IEEE Transactions on Cognitive Communications and Networking, v. 3, n. 4, p. 563-575, dez. 2017. DOI: https://doi.org/10.1109/TCCN.2017.2758370.

PROAKIS, J. G.; SALEHI, M. Digital Communication. 5. ed. New York: McGraw-Hill, 2007.

SHIRVANIMOGHADDAM, M.; MOHAMMADI, M. S.; ABBAS, R.; MINJA, A.; YUE, C.; MATUZ, B.; HAN, G.; LIN, Z.; LIN, W.; LI, Y.; JONHSON, S.; VUCETIC, B. Short block-length codes for ultra-reliable low latency communications. IEEE Communications Magazine, v. 57, n. 2, p. 130-137, fev. 2019. DOI: http://doi.org/10.1109/MCOM.2018.1800181.

SMITH, L. N. Cyclical learning rates for training neural networks. In: IEEE WINTER CONFERENCE ON APPLICATIONS OF COMPUTER VISION, 2017, Santa Rosa. Proceedings..., s.L.: IEEE, 2017. p. 464-472. DOI: http://doi.org/10.1109/WACV.2017.58.

TALLINI, L. G.; CULL, P. Neural nets for decoding error-correcting codes. In: IEEE TECHNICAL APPLICATIONS CONFERENCE AND WORKSHOPS. NORTHCON/95. CONFERENCE RECORD, 1995, Portland. Proceedings..., s.L.: IEEE, 2002. p. 89-94. DOI: http://doi.org/10.1109/NORTHC.1995.485019.

WANG, X.-A; WICKER, S. B. An artificial neural net Viterbi decoder. IEEE Transactions on Communications, v. 44, n. 2, p. 165-171, 1996. DOI: http://doi.org/10.1109/26.486609.

WHITE, H. Connectionist nonparametric regression: Multilayer feedforward networks can learn arbitrary mappings. Neural Networks, v. 3, n. 5, p. 535-549, 1990. DOI: https://doi.org/10.1016/0893-6080(90)90004-5.