Two encoding methods and a decoding algorithm for Construction D' coding lattices that can be used with shaping lattices for power-constrained channels are given. We construct nested lattice codes which are good for coding, good for shaping, and have low-complexity encoding and decoding. An indexing method for nested lattice codes is modified to avoid an integer overflow problem at high dimension. Convolutional code generator polynomials for Construction A lattices with the greatest shaping gain are given, the result of an extensive search. It is shown that rate 1/3 convolutional codes provide a more favorable performance-complexity trade-off than rate 1/2 convolutional codes. For a given dimension, tail-biting convolutional codes have higher shaping gain than that of zero-tailed convolutional codes. A design for quasi-cyclic low-density parity-check (LDPC) codes to form Construction D' lattices is presented, where their parity-check matrices can be easily triangularized, thus enabling efficient encoding and indexing. The resulting LDPC Construction D' lattices are evaluated using four shaping lattices: the $E_8$ lattice, the $BW_{16}$ lattice, the Leech lattice and our best-found convolutional code lattice, showing a shaping gain of approximately 0.65 dB, 0.86 dB, 1.03 dB and 1.25 dB at dimension 2304.


翻译:提供两种编码方法,并使用一种解码算法,用于构建受电力限制的频道的拉特层。 我们建造了适合编码、 有利于塑造、 且具有低复杂度编码和解码功能的嵌套拉特代码。 为避免高尺寸的整数溢出问题, 修改了嵌套拉特代码的索引方法。 给出了具有最大成份收益的建筑一个拉特层的革命代码生成器多位值。 显示1/3 的平比值代码提供了比1/2 的更有利的性能兼容性交易。 对于给定的尺寸, 尾比平差的调调和解码具有更高的成型收益。 提供了一种准循环低密度对等化的代码(LDPC), 以构建 D'lattical $, 它们的平比校准矩阵可以很容易三角化, 从而能够高效地进行编码和索引化。 由此产生的LDEC dtrace ddtical_ ddrice ddrace ddrace 。

0
下载
关闭预览

相关内容

在数学(特别是功能分析)中,卷积是对两个函数(f和g)的数学运算,产生三个函数,表示第一个函数的形状如何被另一个函数修改。 卷积一词既指结果函数,又指计算结果的过程。 它定义为两个函数的乘积在一个函数反转和移位后的积分。 并针对所有shift值评估积分,从而生成卷积函数。
必须收藏!MIT-Gilbert老爷子《矩阵图解》,一张图看透矩阵
【实用书】数据科学基础,484页pdf,Foundations of Data Science
专知会员服务
121+阅读 · 2020年5月28日
【google】监督对比学习,Supervised Contrastive Learning
专知会员服务
32+阅读 · 2020年4月23日
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
165+阅读 · 2020年3月18日
【论文】结构GANs,Structured GANs,
专知会员服务
15+阅读 · 2020年1月16日
强化学习最新教程,17页pdf
专知会员服务
177+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
94+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
18+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
13+阅读 · 2019年11月14日
Arxiv
5+阅读 · 2019年8月22日
Arxiv
3+阅读 · 2018年2月24日
Arxiv
10+阅读 · 2017年7月4日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
18+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
相关论文
Top
微信扫码咨询专知VIP会员