CRC codes have long since been adopted in a vast range of applications. The established notion that they are suitable primarily for error detection can be set aside through use of the recently proposed Guessing Random Additive Noise Decoding (GRAND). Hard-detection (GRAND-SOS) and soft-detection (ORBGRAND) variants can decode any short, high-rate block code, making them suitable for error correction of CRC-coded data. When decoded with GRAND, short CRC codes have error correction capability that is at least as good as popular codes such as BCH codes, but with no restriction on either code length or rate. The state-of-the-art CA-Polar codes are concatenated CRC and Polar codes. For error correction, we find that the CRC is a better short code than either Polar or CA-Polar codes. Moreover, the standard CA-SCL decoder only uses the CRC for error detection and therefore suffers severe performance degradation in short, high rate settings when compared with the performance GRAND provides, which uses all of the CA-Polar bits for error correction. Using GRAND, existing systems can be upgraded from error detection to low-latency error correction without re-engineering the encoder, and additional applications of CRCs can be found in IoT, Ultra-Reliable Low Latency Communication (URLLC), and beyond. The universality of GRAND, its ready parallelized implementation in hardware, and the good performance of CRC as codes make their combination a viable solution for low-latency applications.


翻译:久而久之以来,已在广泛的应用中通过了CRC代码。 已经确立的理念是,这些代码主要适合检测错误,可以通过使用最近提出的“猜测随机添加节点”编码(GRAND)和“软检测”编码(ORBGRAND)变体可以解码任何短高比例的区块代码,使之适合更正CRC编码数据错误。在与GRAND解码时,短CRC代码的错误纠正能力至少与BCH代码等流行代码一样好,但对代码长度或速率不加限制。 最新的CA- Polar代码被混为CCRC和极地代码。 关于错误校正,我们发现CRC是一种比极地或C- Polar代码都短的代码。 此外,标准CA-SCL解码仅使用CRC来检测错误,因此,与GRAND的功能相比,在使用C-PLB的所有 COB比值或率的低比例应用中,可以将C-RIRC的高级性能升级, 将现有的系统用于低水平的升级到CRIRC。

0
下载
关闭预览

相关内容

专知会员服务
28+阅读 · 2021年6月4日
专知会员服务
71+阅读 · 2021年3月27日
元强化学习综述及前沿进展
专知会员服务
61+阅读 · 2021年1月31日
剑桥大学《数据科学: 原理与实践》课程,附PPT下载
专知会员服务
49+阅读 · 2021年1月20日
IJCAI2020接受论文列表,592篇论文pdf都在这了!
专知会员服务
63+阅读 · 2020年7月16日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
已删除
将门创投
5+阅读 · 2019年8月19日
Arxiv
3+阅读 · 2018年3月14日
VIP会员
相关VIP内容
专知会员服务
28+阅读 · 2021年6月4日
专知会员服务
71+阅读 · 2021年3月27日
元强化学习综述及前沿进展
专知会员服务
61+阅读 · 2021年1月31日
剑桥大学《数据科学: 原理与实践》课程,附PPT下载
专知会员服务
49+阅读 · 2021年1月20日
IJCAI2020接受论文列表,592篇论文pdf都在这了!
专知会员服务
63+阅读 · 2020年7月16日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
相关资讯
已删除
将门创投
5+阅读 · 2019年8月19日
Top
微信扫码咨询专知VIP会员