Recently, it was found that clipping can significantly improve the section error rate (SER) performance of sparse regression (SR) codes if an optimal clipping threshold is chosen. In this paper, we propose irregularly clipped SR codes, where multiple clipping thresholds are applied to symbols according to a distribution, to further improve the SER performance of SR codes. Orthogonal approximate message passing (OAMP) algorithm is used for decoding. Using state evolution, the distribution of irregular clipping thresholds is optimized to minimize the SER of OAMP decoding. As a result, optimized irregularly clipped SR codes achieve a better tradeoff between clipping distortion and noise distortion than regularly clipped SR codes. Numerical results demonstrate that irregularly clipped SR codes achieve 0.4 dB gain in signal-to-noise-ratio (SNR) over regularly clipped SR codes at code length$\,\approx2.5\!\times\! 10^4$ and SER$\,\approx10^{-5}$. We further show that irregularly clipped SR codes are robust over a wide range of code rates.


翻译:最近,人们发现,如果选择了最佳剪切阈值,剪切可显著提高稀释回归码的节误率(SER)性能。在本文中,我们建议不定期剪切SR码,根据分布对符号适用多剪切阈值,以进一步改进SR码的SER性能。使用OAMP(OAMP)光学近似电文传递算法解码。使用国家演进,不规则剪切阈值的分布最优化,以尽量减少OAMP解码的SER性能。因此,不定期剪切开的SR码在剪切除扭曲和噪声扭曲之间实现比定期剪切除SR码更好的交易。数字结果显示,不定期剪切的SR码在信号到噪音拉皮(SNRR)中取得0.4 dB收益,以代码的代码长度为0.4,\ approx2.5\\!\\time\! 10美元和SER$\\\ approx10-5美元。我们进一步表明,不定期剪剪切的SR码率超过宽的代码。

0
下载
关闭预览

相关内容

图像超分辨率(SR)是提高图像分辨率的一类重要的图像处理技术以及计算机视觉中的视频。
专知会员服务
85+阅读 · 2021年6月20日
专知会员服务
16+阅读 · 2021年5月21日
专知会员服务
57+阅读 · 2021年2月27日
不可错过!华盛顿大学最新《生成式模型》课程,附PPT
专知会员服务
64+阅读 · 2020年12月11日
专知会员服务
7+阅读 · 2020年9月21日
专知会员服务
16+阅读 · 2020年7月27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
最新BERT相关论文清单,BERT-related Papers
专知会员服务
53+阅读 · 2019年9月29日
已删除
将门创投
9+阅读 · 2019年11月15日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
强化学习的Unsupervised Meta-Learning
CreateAMind
18+阅读 · 2019年1月7日
数字孪生城市研究报告
智能交通技术
11+阅读 · 2018年12月23日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
视频超分辨 Detail-revealing Deep Video Super-resolution 论文笔记
统计学习与视觉计算组
17+阅读 · 2018年3月16日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Logistic回归第一弹——二项Logistic Regression
机器学习深度学习实战原创交流
3+阅读 · 2015年10月22日
Arxiv
0+阅读 · 2021年7月25日
VIP会员
相关VIP内容
专知会员服务
85+阅读 · 2021年6月20日
专知会员服务
16+阅读 · 2021年5月21日
专知会员服务
57+阅读 · 2021年2月27日
不可错过!华盛顿大学最新《生成式模型》课程,附PPT
专知会员服务
64+阅读 · 2020年12月11日
专知会员服务
7+阅读 · 2020年9月21日
专知会员服务
16+阅读 · 2020年7月27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
最新BERT相关论文清单,BERT-related Papers
专知会员服务
53+阅读 · 2019年9月29日
相关资讯
已删除
将门创投
9+阅读 · 2019年11月15日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
强化学习的Unsupervised Meta-Learning
CreateAMind
18+阅读 · 2019年1月7日
数字孪生城市研究报告
智能交通技术
11+阅读 · 2018年12月23日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
视频超分辨 Detail-revealing Deep Video Super-resolution 论文笔记
统计学习与视觉计算组
17+阅读 · 2018年3月16日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Logistic回归第一弹——二项Logistic Regression
机器学习深度学习实战原创交流
3+阅读 · 2015年10月22日
Top
微信扫码咨询专知VIP会员