Successive cancellation list decoders with flip operations (SCL-Flip) can utilize re-decoding attempts to significantly improve the error-correction performance of polar codes. However, these re-decoding attempts result in extra computation complexity, which thus leads to increased energy consumption and decoding latency to the communication system adopting SCL-Flip decoders. To significantly reduce the computation complexity of current SCL-Flip decoders, we design a new adaptive SCL-Flip (AD-SCLF) decoder, which can be easily implemented based on existing SCL-Flip techniques. Simulation results showed that the AD-SCLF can reduce up to 80.85\% of the computational complexity of a current SCL-Flip decoder at a matched $FER=10^{-3}$. The result implies our decoder can significantly reduce the energy consumption caused by redundant re-decoding attempts from the SCL-Flip decoder.


翻译:使用翻转操作( SCL- Flip) 的连续取消列表解码器可以使用重解码尝试来大大改进极地代码的错误校正性能。 但是,这些重解码尝试导致额外的计算复杂度,从而导致能源消耗增加,并且通过 SCL- Flip 解码器对通信系统进行解码。为了大大降低当前 SL- Flip 解码器的计算复杂度,我们设计了新的适应性 SL- Flip (AD- SCLF) 解码器( AD- Flip) 解码器( SCL- Flip 解码器) 。 模拟结果表明, AD- SL- Flip 解码器目前的 SL- Flip 解码器的计算复杂度可以减少到80.85 ⁇ 。 其计算复杂度与 $FER= 10 ⁇ -3} $相匹配。 其结果表明,我们的解码器可以大幅降低由 SL- Flip decoder 的多余再解码尝试造成的能源消耗量。

0
下载
关闭预览

相关内容

专知会员服务
15+阅读 · 2021年5月21日
【MIT干货书】机器学习算法视角,126页pdf
专知会员服务
77+阅读 · 2021年1月25日
Python图像处理,366页pdf,Image Operators Image Processing in Python
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
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
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
已删除
将门创投
3+阅读 · 2017年11月3日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Arxiv
0+阅读 · 2022年2月10日
Arxiv
3+阅读 · 2018年2月12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
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
已删除
将门创投
3+阅读 · 2017年11月3日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Top
微信扫码咨询专知VIP会员