发表机构
Persian Gulf University; Finity Inc.（波斯湾大学; 1Finity公司）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文提出q元GRAND解码器，利用三种局部子生成规则和最佳优先遍历实现线性码的最大似然解码，并通过里德-所罗门仿真验证了其性能与复杂度权衡。
AI 中文摘要
我们针对q元字母表上的线性码开发了q元猜测随机加性噪声解码（GRAND）。该解码器基于排序的符号似然数组工作，并使用三种局部子生成规则来生成符号偏差模式。随后我们证明这些规则在全行索引空间上诱导出一棵单调有根生成树，因此在无限搜索下，最佳优先遍历可给出最大似然（ML）解码。里德-所罗门仿真验证了与ML的一致性，并展示了有限预算下的性能-复杂度权衡。
英文摘要
We develop q-ary Guessing Random Additive Noise Decoding (GRAND) for linear codes over a q-ary alphabet. The decoder works on a sorted symbol-likelihood array and uses three local child generation rules to generate symbol deviation patterns. We then prove that these rules induce a monotone rooted spanning tree of the full row-index space, so best-first traversal gives maximum-likelihood (ML) decoding under unlimited search. Reed-Solomon simulations verify ML agreement and show the finite-budget performance-complexity tradeoff.
CommentsAccepted, IEEE Comm Letters
