Decodificação de códigos de comprimento curto usando redes neurais profundas

Detalhes bibliográficos
Autor(a) principal: Kamassury, Jorge Kysnney Santos
Data de Publicação: 2020
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/216351
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2020.
id UFSC_453d24cebf848ef6ad46e777289c64ea
oai_identifier_str oai:repositorio.ufsc.br:123456789/216351
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Decodificação de códigos de comprimento curto usando redes neurais profundasEngenharia elétricaTeoria da codificaçãoDecodificadores (Eletrônica)Aprendizado do computadorRedes neurais (Computação)Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2020.Os códigos de comprimento curto têm sido alvo de estudos recentes, em grande parte, devido às exigências de tecnologias emergentes por requisitos específicos de comunicação. A tecnologia 5G, por exemplo, visa atender serviços que demandam comunicação ultraconfiável e de baixa latência como é o caso de sistemas de transportes inteligentes, internet tátil e telecirurgia. Nesses cenários de interesse, os códigos de comprimento muito longo são inapropriados devido ao requisito de latência, o que vem potencializando o interesse pela aplicação de códigos de comprimento curto. Manifestando-se como um importante candidato para atender esses requisitos, os códigos BCH, por sua vez, têm se defrontando com uma decodificação custosa quando se usa o algoritmo OSD (Ordered Statistics Decoder) que possui desempenho quase ótimo. Recentemente, uma alternativa interessante aos algoritmos tradicionais de decodificação consiste no uso de decodificadores baseados em redes neurais. Atrelado a esse contexto, apresenta-se nesta dissertação uma revisão acerca da evolução das propostas de decodificadores neurais, com enfoque às abordagens que fazem uso do conhecimento da síndrome do vetor recebido no processo de treinamento/inferência da rede neural. A partir de técnicas modernas no âmbito do aprendizado profundo, antigos e recentes trabalhos são revisitados e novas redes densas são propostas para lidar com a decodificação de códigos BCH para os canais BSC e AWGN. Além disso, introduz-se um novo decodificador neural que também faz uso do conhecimento da síndrome. Diferentemente das abordagens existentes, o decodificador proposto atua estimando, posição por posição, o padrão de erro através de uma rede neural previamente treinada, possuindo a vantagem de ser flexível em relação à rede empregada. De fato, para todos os códigos BCH avaliados, o desempenho do decodificador proposto supera os melhores resultados da literatura vigente no contexto dos decodificadores baseados em redes neurais, inclusive, aproximando-se do desempenho ML para alguns casos.Abstract: Short-length codes have been the subject of recent studies, largely due to the demands of emerging technologies for specific communication requirements. 5G technology, for example, aims to provide services that demand ultra-reliable and low-latency communication, such as intelligent transport systems, tactile internet and telesurgery. In these scenarios of interest, codes of very long length are inappropriate due to the latency requirement, which has been increasing the interest in the application of codes of short length. Being an important candidate that fulfills these requirements, the BCH codes, in turn, have been faced with a costly decoding when using the OSD (Ordered Statistics Decoder) algorithm that has near-optimal performance. Recently, an interesting alternative to traditional decoding algorithms is the use of decoders based on neural networks. In this context, this dissertation presents a review of the evolution of the proposals for neural decoders, focusing on approaches that use the knowledge of the vector syndrome received in the training/inference process of the neural network. Based on modern techniques in the context of deep learning, old and recent works are revisited and new dense networks are proposed to deal with the decoding of BCH codes for the BSC and AWGN channels. In addition, a new neural decoder is introduced that also uses the knowledge of the syndrome. Unlike the existing approaches, the proposed decoder estimates, position by position, the error pattern through a previously trained neural network, having the advantage of being flexible in relation to the network used. In fact, for all evaluated BCH codes, the performance of the proposed decoder surpasses the best results in the current literature in the context of decoders based on neural networks, even approaching ML performance in some cases.Silva, DaniloUniversidade Federal de Santa CatarinaKamassury, Jorge Kysnney Santos2020-10-21T21:28:40Z2020-10-21T21:28:40Z2020info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis78 p.| il.application/pdf370327https://repositorio.ufsc.br/handle/123456789/216351porreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2020-10-21T21:28:40Zoai:repositorio.ufsc.br:123456789/216351Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732020-10-21T21:28:40Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Decodificação de códigos de comprimento curto usando redes neurais profundas
title Decodificação de códigos de comprimento curto usando redes neurais profundas
spellingShingle Decodificação de códigos de comprimento curto usando redes neurais profundas
Kamassury, Jorge Kysnney Santos
Engenharia elétrica
Teoria da codificação
Decodificadores (Eletrônica)
Aprendizado do computador
Redes neurais (Computação)
title_short Decodificação de códigos de comprimento curto usando redes neurais profundas
title_full Decodificação de códigos de comprimento curto usando redes neurais profundas
title_fullStr Decodificação de códigos de comprimento curto usando redes neurais profundas
title_full_unstemmed Decodificação de códigos de comprimento curto usando redes neurais profundas
title_sort Decodificação de códigos de comprimento curto usando redes neurais profundas
author Kamassury, Jorge Kysnney Santos
author_facet Kamassury, Jorge Kysnney Santos
author_role author
dc.contributor.none.fl_str_mv Silva, Danilo
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Kamassury, Jorge Kysnney Santos
dc.subject.por.fl_str_mv Engenharia elétrica
Teoria da codificação
Decodificadores (Eletrônica)
Aprendizado do computador
Redes neurais (Computação)
topic Engenharia elétrica
Teoria da codificação
Decodificadores (Eletrônica)
Aprendizado do computador
Redes neurais (Computação)
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2020.
publishDate 2020
dc.date.none.fl_str_mv 2020-10-21T21:28:40Z
2020-10-21T21:28:40Z
2020
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv 370327
https://repositorio.ufsc.br/handle/123456789/216351
identifier_str_mv 370327
url https://repositorio.ufsc.br/handle/123456789/216351
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 78 p.| il.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808652075623514112

Registros relacionados