Unsupervised Learning for Neural Network-based Polar Decoder via Syndrome Loss
Department of Electrical Engineering, National Taiwan University（台湾大学电气工程学系）
随着深度学习在各个领域的快速发展，机器学习辅助通信系统吸引了大量的研究，并取得了许多引人注目的初步成果。现阶段，大多数方法仍然需要大量的标记数据进行监督学习。然而，在实际应用中，获得标记数据是不可行的，这可能会导致严重的性能下降，由于信道变化。为了克服这样的约束，伴随式损失已被提出来惩罚无效的解码码字，并实现基于神经网络的解码器的无监督学习。然而，它不能直接应用于极化解码器。在这项工作中，通过利用极化码的性质，我们提出了一种改进的综合征损失。从仿真结果来看，所提出的方法证明了码结构中的特定领域知识和专有技术可以实现基于神经网络的极化解码器的无监督学习。
2019-11-05 cs.LG eess.SP
Low-complexity Recurrent Neural Network-based Polar Decoder with Weight Quantization Mechanism
National Taiwan University（台湾大学）
极化码由于其容量实现性能而引起了广泛的关注并在5G新无线电（NR）中被采用。近年来，随着新兴的深度学习（DL）技术在多个领域取得突破性成果，提出了神经网络解码器，以获得比置信传播（BP）解码更快的收敛速度和更好的性能。然而，神经网络是存储密集型的，并且阻碍了DL在通信系统中的部署。在这项工作中，提出了一种低复杂度的递归神经网络（RNN）极性解码器与基于码本的权重量化。我们的测试结果表明，我们可以有效地减少98%的内存开销，降低计算复杂度，轻微的性能损失。
2019-02-02 cs.LG eess.SP
Syndrome-Enabled Unsupervised Learning for Neural Network-Based Polar Decoder and Jointly Optimized Blind Equalizer
MediaTek, Inc.（联发科股份有限公司）
最近，伴随式丢失已经被提出来实现基于神经网络的BCH/LDPC解码器的“无监督学习”。然而，该设计方法不能直接应用于极化码，并且尚未在变化的信道下进行评估。在这项工作中，我们提出了两个修改的综合征损失，以促进无监督学习的接收器。然后，我们首先将其应用于基于神经网络的置信传播（BP）极性解码器。在CRC启用的综合征丢失的帮助下，BP解码器甚至可以在误块率方面优于传统的监督学习方法。其次，我们提出了一种联合优化的综合征使能盲均衡器，它可以避免传输的训练序列，并达到全球最佳的1.3 dB增益比非盲最小均方误差（MMSE）均衡器。
2020-06-16 cs.LG eess.SP
CommUnet: U-net decoder for convolutional codes in communication
近年来，深度神经网络在解决二维图像处理中的各种挑战方面发挥了重要作用。全卷积网络（FCN）（如U-net）已被证明在医学图像分析和在黑暗场所拍摄的图像去噪的分割任务中非常成功。本文利用这种著名的深度神经网络来应对最近被证明适用于深度神经网络的信道解码挑战。以前的工作已经成功地使用不同的架构来解码卷积码，例如递归神经网络（RNN）和全连接神经网络（FCNN），并取得了令人满意的结果。然而，这些方法在延迟方面代价高昂，计算资源和存储器。本文表明，采用二维图像处理中使用的方法，通过在预处理阶段对数据进行简单的操作，在误比特率（BER）测量中实现了更好的结果，并且在延迟和维护神经解码器所需的参数数量上有很大的折扣。
2020-04-20 eess.SP
Learning to Denoise and Decode: A Novel Residual Neural Network Decoder for Polar Codes
极化码由于其容量可实现的特性而被采用作为第五代新无线电（5G NR）标准中的控制信道编码方案。传统的极化解码算法，如连续消除（SC），遭受高延迟问题，因为它们的顺序解码性质。神经网络译码器（NND）由于具有单点译码和并行计算的能力，被证明是极化码译码器的候选者。然而，NND算法的误比特率（BER）性能仍然不如SC算法。在本文中，我们提出了一个残留的神经网络解码器（RNND）的极化码。与以往直接使用神经网络对接收到的符号进行解码不同，该算法在NND之前引入了基于残差学习的去噪模块。提出的残差学习去噪器能够从接收信号中去除大量的噪声。数值结果表明，我们提出的RND优于传统的NND的BER性能相当的延迟下。
2019-08-01 cs.IT eess.SP math.IT
Ultra-Low-Power IoT Communications: A novel address decoding approach for wake-up receivers
提供节能的物联网（IoT）连接在第五代（5G）无线网络及以后引起了极大的关注。实现长期物联网设备网络的一个潜在解决方案是为每个物联网设备配备唤醒接收器（WuR），以使设备始终可访问，而不是始终在线。WuR通常包括射频解调器、序列解码器和数字地址解码器，并且在网络中被提供有唯一的认证地址。虽然关于高效解调器的文献已经很成熟，但缺乏对快速、低功耗和可靠的地址解码器的研究。由于该模块持续监测接收到的环境能量以用于设备的潜在寻呼，因此其对WuR功耗的贡献至关重要。基于这种需求，本文设计了一种低功耗、高可靠性的地址译码器。我们进一步研究了WUR在低功耗上行链路/下行链路通信中的集成，并使用系统级能量分析;我们表征了WUR可以显着节能的操作区域。设备级能量分析证实了我们解码器的优越性能。结果表明，所提出的解码器显着优于国家的最先进的60 nW的功耗，在牺牲了一个可以忽略不计的增加解码延迟。
2021-11-15 eess.SP
Joint Sensing and Semantic Communications with Multi-Task Deep Learning
Nexcepta（内克塞克塔公司）；The Ohio State University（俄亥俄州立大学）；University of Maryland（马里兰大学）
本文提出利用多任务深度学习联合训练编码器和多个解码器，在噪声衰落信道下同时实现数据重建、目标检测测距与语义标签分类，并通过CIFAR-10实验验证了联合感知与语义通信的高保真性能。
2024-10-21 cs.AI cs.IT cs.LG
An Implementation of List Successive Cancellation Decoder with Large List Size for Polar Codes
极化码是具有可证明的容量实现能力的第一类前向纠错（FEC）码。使用具有大列表大小的列表连续消除解码（LSCD），极化码的纠错性能超过其他公知的FEC码。然而，LSCD的硬件复杂度随着列表大小而快速增加，这导致现场可编程门阵列（FPGA）上的资源的高使用率，并且显著地阻碍极化码的实际部署。针对LSCD的高复杂度问题，提出了两种低复杂度的LSCD译码方案和相应的FPGA实现结构。该架构在Altera Stratix V FPGA中实现。测试结果表明，即使列表大小为32，该架构也能够在150 us内解码4096比特极化码的码字，实现27 Mbps的吞吐量
2018-05-08 eess.SP
Low-Complexity LSTM-Assisted Bit-Flipping Algorithm for Successive Cancellation List Polar Decoder
Graduate Institute of Electronics Engineering, National Taiwan University（国立台湾大学电子工程研究所）；MediaTek Inc.（联发科技股份有限公司）
极化码由于其容量实现性能在过去十年中引起了广泛关注。5G和5G之后（B5 G）需要更高的解码容量。尽管循环冗余校验（CRC）辅助的连续消除列表比特翻转（CA-SCLF）译码器已经被开发以获得更好的性能，但是错误比特纠正（比特翻转）问题的解决方案仍然是不完善的并且难以设计。在这项工作中，我们利用通信系统的专家知识，并采用深度学习（DL）技术，以获得更好的解决方案。提出了一种低复杂度的长短期记忆网络（LSTM）辅助的CA-SCLF解码器，以进一步提高传统CA-SCLF的性能，避免复杂度和内存开销。我们的测试结果表明，我们可以有效地提高误比特率性能的0.11dB相比，以前的工作，并减少了超过30%的网络的复杂性和内存开销。
2019-12-11 cs.LG eess.SP
Semantic Feature Channel Optimization: A Unified Framework for Analog and Digital Semantic Communications
Singapore University of Technology and Design（新加坡科技设计大学）；Adelaide University（阿德莱德大学）；POSTECH（浦项工科大学）
本文提出了一种基于语义特征通道优化的联合优化框架，通过线性编码器-解码器结构和高斯源假设，实现了在不同通信环境下更优的任务性能。
2026-09-29 eess.SP
Ternary Quantized Polar Code Decoders: Analysis and Design
针对解码器消息被粗量化的情况，分析了短极化码在连续消除（SC）和SC列表（SCL）解码下的性能。这种设置对于需要低复杂度节能收发器的应用（例如，物联网或无线传感器网络）。我们专注于极端的情况下，解码器的消息量化与3个级别。我们展示了如何根据SCL解码量化对数似然比导致一个大的不准确性，在计算路径度量，导致相当大的性能损失相对于一个未量化的SCL解码器。然后，我们介绍了两种新的技术，提高性能的SCL解码与粗量化。第一种技术由SCL解码的最终决策步骤的修改组成，其中所选择的码字是在最终列表内最大化最大似然解码度量的码字。第二种技术依赖于通过适当修改的密度演化分析获得的关于比特估计的可靠性的统计知识，以改进列表构造阶段，从而产生在列表中具有发送的码字的更高概率。通过仿真证明了这两种技术的有效性。
2019-10-02 cs.IT eess.SP math.IT
Morph: ChirpTransformer-based Encoder-decoder Co-design for Reliable LoRa Communication
本研究提出兼容商用LoRa节点的Morph编解码方案，通过多SF配置编码及定制DNN解码器，在极低SNR下实现更可靠通信，计算效率达现有最优方案3倍。
2025-07-30 cs.NI eess.SP
Efficient Stochastic Polar Decoder With Correlated Stochastic Computing
本文提出高效相关随机极化译码器（ECS-PD），通过两种优化策略解决保持状态问题，减少迭代延迟并提升吞吐量，在 $E_b/N_0$ = 3 dB 时迭代次数减少 25.2%，硬件效率比 min-sum 译码器高 2.7 倍。
2025-01-29 cs.IT eess.SP math.IT
Hardware-friendly IR-HARQ for Polar SCL Decoders
针对极化码基线IR-HARQ方案硬件实现难度大、面积开销高的问题，提出将集合运算转为二进制向量运算并采用新型快速节点集成方法，显著提升硬件兼容性，仅带来25-27%的内存开销。
2025-08-11 eess.SP
Building Encoder and Decoder with Deep Neural Networks: On the Way to Reality
深度学习已经成为各个领域以及通信系统中的突破性技术。尽管近年来基于深度神经网络（DNN）的技术取得了显著进步，但高计算复杂性一直是将DNN应用于需要实时操作的实际通信系统的主要障碍。从这个意义上说，在基于DNN的智能通信的扩散成为现实之前，必须解决实际实施方面的挑战。据作者所知，本文首次提出了一种有效的学习架构和设计策略，包括使用硬件描述语言（HDL）通过数字电路实现的链路级验证，以减轻这一挑战，并推断DNN在通信系统中的可行性和潜力。具体地，DNN被应用于编码器和解码器，以使得能够在不需要任何域特定信息的情况下相对于系统环境进行灵活的自适应。作者考虑了广泛的调查和跨学科的设计考虑，包括基于DNN的自动编码器结构，学习框架和用于实时操作的低复杂度数字电路实现，从而确保了基于DNN的通信在实践中的使用。
2018-08-07 cs.IT eess.SP math.IT
The Benefit of Decoder-Provided Pilots in Highly Dynamic Channels
Northeastern University（东北大学）；MIT（麻省理工学院）；Air Force Research Laboratory（空军研究实验室）
本文提出利用解码码字作为导频序列更新接收端信道估计，非迭代方法适用于低延迟场景，同时在频域和时域编码中提升性能。
2026-05-01 cs.IT eess.SP math.IT
Knowledge Distillation Based Semantic Communications For Multiple Users
University of Warwick（华威大学）；Southern University of Science and Technology（南方科技大学）；University of Durham（杜伦大学）；University of Reading（雷丁大学）
针对多用户语义通信系统样本有限、存在意外干扰及模型泛化差的问题，提出基于知识蒸馏的系统，采用Transformer语义编解码器与全连接信道编解码器，分析四类知识迁移，验证了其可提升抗干扰鲁棒性、泛化能力并降低压缩性能损失。
2023-11-23 cs.LG eess.SP
Sparsely Pre-transformed Polar Codes for Low-Latency SCL Decoding
本文针对小列表SCL译码下最小权重码字减少无法提升性能的问题，提出稀疏预变换极化码，通过将错误事件集分解为两个互斥集合并分别施加两种预变换，在低时延场景下一致优于现有预变换极化码。
2024-08-10 cs.IT eess.SP math.IT
Serial Polar Automorphism Ensemble Decoders for Physical Unclonable Functions
针对物理不可克隆函数，提出基于极化码和串行自同构集成译码的低复杂度编码方案，重用单个SC译码器，以3比特量化实现$10^{-6}$误码率，码字比特数较BCH基线减少1.75倍。
2025-10-10 cs.IT eess.SP math.IT
Blind Training for Channel-Adaptive Digital Semantic Communications
针对数字语义通信编解码器难适配信道与系统差异的问题，提出以并行可训练比特翻转概率的BSC等效建模信道的盲训练框架，结合推理阶段自适应功率调制策略，在任务性能与功耗上优于现有方法。
2025-03-19 cs.IT eess.SP math.IT
Improving the decoding performance of CA-polar codes
Northeastern University（东北大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出利用无码型解码器改进CA极码解码性能，实现块错误率降低及未检测错误率控制。
2026-09-01 cs.IT eess.SP math.IT
