Cyclic codes have the advantage that it is only necessary to store one polynomial. The binary primitive BCH codes are cyclic and are created by choosing a subset of the cyclotomic cosets which can be done in various ways. We compare different BCH codes of the same coderate with different weight distributions, thus, are not equivalent by using different choices of cyclotomic cosets. We recall an old result from the sixties that any Reed-Muller code is equivalent to a particular BCH code extended by a parity bit. The motivation for decoding BCH codes is that they have possibly better parameters than Reed-Muller codes which are related in recent publications to polar codes. We present several hard and soft decision decoding schemes based on minimal weight codewords of the dual code, including information set decoding in case of a channel without reliability information. Different BCH codes of the same rate are compared and show different decoding performance and complexity. Some examples of hard decision decoding of BCH codes have the same decoding performance as maximum likelihood decoding. All presented decoding methods can be extended to include reliability information of a Gaussian channel for soft decision decoding. We show various simulation results for soft decision list information set decoding and analyze the influence of different aspects on the performance.


翻译:Cyclic 代码的优点是,它仅需要存储一个多元体。 二进制原始 BCH 代码是循环性的,并且通过选择可以以不同方式完成的环形共星的子集来创建。我们比较了同一代码中不同的 BCH 代码和不同的重量分布,因此,使用不同的环形共星选项并不等于不同的 BCH 代码。我们记得六进制的旧结果,即任何 Reed- Muller 代码都相当于一个特定 BCH 代码,通过对等部分延伸。 BCH 代码解码的动机是,它们可能比最近出版物中与极地代码相关的Reed- Muller 代码有更好的参数。我们根据二进制代码的最小重量代码比较了几种硬软决定解码方案,包括没有可靠信息的频道的解码。同一比率的不同 BCH 代码的比较并显示不同的解码性能和复杂性。 BCH 硬性决定的解码性能与软化分析列表中的最大可能性是相同的。我们展示了不同性能解码结果。

0
下载
关闭预览

相关内容

专知会员服务
50+阅读 · 2020年12月14日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
神经网络的拓扑结构,TOPOLOGY OF DEEP NEURAL NETWORKS
专知会员服务
31+阅读 · 2020年4月15日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+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
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
计算机 | 国际会议信息5条
Call4Papers
3+阅读 · 2019年7月3日
深度卷积神经网络中的降采样
极市平台
12+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
美国化学会 (ACS) 北京代表处招聘
知社学术圈
11+阅读 · 2018年9月4日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【音乐】Attention
英语演讲视频每日一推
3+阅读 · 2017年8月22日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
Arxiv
0+阅读 · 2021年9月14日
Arxiv
0+阅读 · 2021年9月14日
Arxiv
0+阅读 · 2021年9月13日
Arxiv
4+阅读 · 2021年7月1日
Learning to Weight for Text Classification
Arxiv
8+阅读 · 2019年3月28日
Arxiv
3+阅读 · 2018年2月24日
VIP会员
相关VIP内容
专知会员服务
50+阅读 · 2020年12月14日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
神经网络的拓扑结构,TOPOLOGY OF DEEP NEURAL NETWORKS
专知会员服务
31+阅读 · 2020年4月15日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+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
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
相关资讯
计算机 | 国际会议信息5条
Call4Papers
3+阅读 · 2019年7月3日
深度卷积神经网络中的降采样
极市平台
12+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
美国化学会 (ACS) 北京代表处招聘
知社学术圈
11+阅读 · 2018年9月4日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【音乐】Attention
英语演讲视频每日一推
3+阅读 · 2017年8月22日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
Top
微信扫码咨询专知VIP会员