Аннотация:В работе Махмутовой Л.Р. рассматривается проблема декодирования LDPC кодов в области порога ошибок, который возникает из-за существования так называемых множеств-ловушек, которые препятствуют успешному декодированию отдельных конфигураций ошибочных бит.
Множества-ловушки как правило являются следствием недостаточной оптимизации проверочных матриц так, что в графе Таннера соответствующей матрицы существуют короткие циклы, и как следствие, проверки на четность становятся сильно зависимы друг от друга, и малое количество ошибочных бит не может быть исправлено декодером.
Для борьбы с множествами-ловушками существует несколько подходов.
Некоторые нацелены изначальную оптимизацию матрицы с целью увеличить количество проверок на четность, в которых участвует каждый бит, и сделать множества проверок максимально независимыми. Такой подход довольно неплохо справляется с поставленной задачей, но качество декодирования в области водопада как правило при этом страдает.
Другим способом является подбор квантизации (адаптивный или статический) на входе декодера, что позволяет ослабить «неверную» входную информацию и дать возможность верной информации от соседних проверок исправить ошибочный бит.
В работе Махмутовой рассматривается метод двухфазного декодирования, когда большую часть времени декодер работает в обычном режиме, и в случае, если кодовое слово декодировать не удается, запускается вторая фаза, которая по текущему состоянию проверочных бит пытается определить, какое множество-ловушка привело декодер в такое состояние.
Для определения множества ловушки предложено 2 способа:
1. с использованием базы данных со специальным индексом для ускорения поиска.
2. с использованием нейронной сети классификаторного типа.
Автором реализованы и просимулированы оба способа обнаружения множеств-ловушек и проведено сравнение этих алгоритмов между собой по качеству работы и по сложности, а также с другими двухфазными алгоритмами, найденными в литературе.
В ходе работы с нейронной сетью был проведен ряд экспериментов по выбору оптимальных параметров сети, функции потерь, и выбрана оптимальная конфигурация.
Показано, что построенная и обученная нейронная сеть хорошо справляется с декодированием множеств ловушек из базы данных, использованной при обучении, а также имеет способность к обобщению.