Deep learning based decoders for concatenated codes over insertion and deletion channels
Ekleme ve silme kanallarında birleştirilmiş kodlar için derin öğrenme tabanlı kod çözücüler
- Tez No: 916472
- Danışmanlar: PROF. DR. TOLGA METE DUMAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 105
Özet
Senkronizasyon hatalı kanallar, ekleme/silme kanalları da dahil olmak üzere, iletişim ağları ve DNA veri depolama gibi çeşitli sistemlerde karşılaşıldığından dolayı önemli bir konudur. Dış kod olarak güçlü bir kanal kodu, örneğin düşük yoğunluklu parite denetim (low-density parity-check - LDPC) veya konvolüsyonel kod, ve iç kod olarak bir filigram veya işaret kodu kullanılan seri olarak birleştirilmiş kodlar, bu tür kanallar üzerinde etkili çözümler olarak gösterilmiştir. Özellikle, işaret kodlarının kullanımı, belirli dizilerin periyodik olarak iletilen veri akışına eklenmesi anlamına gelir ve alıcıda senkronizasyonu yeniden kazanmak ve diğer alternatiflere kıyasla daha iyi bir hata oranı performansı elde etmek için etkin bir yöntem olarak öne çıkmaktadır. Mevcut literatürde, işaret kodunu çözmek ve dış kod tarafından kodlanan bitlerin log-olasılık oranlarını (log likelihood ratio - LLR) tahmin etmek için iyi bilinen ileri-geri algoritma tarafından gerçekleştirilen maksimum sonsal olasılık (maximum a posteriori - MAP) dedektör yaygın olarak kullanılmakta ve elde edilen log-olasılık tahminleri dış kod çözücüsüne beslenerek iletilen veriyi tahmin etmektedir. MAP dedektörüne alternatif olarak, bu tezde derin öğrenme tabanlı çözümler önerilmektedir; bu çözümler, birleştirilmiş kodlar paradigmasında kodlanmış bitlerin LLR'lerini tahmin etmek için işaret bilgilerini kullanmakta ve geleneksel yöntemlerin bazı sınırlamalarını çözmeye çalışmaktadır. Bit seviyesindeki derin öğrenme tabanlı dedektörler, kanal istatistiklerinin çözücüde tam olarak mevcut olmadığı durumlarda MAP dedektörünün performansını düşürdüğü zaman iyi alternatifler sunar. Ayrıca, dış kod bir konvolüsyonel kod olduğunda tek seferlik çözümleme için de kullanılabilirler. Bunun yanı sıra, dedektör çıkışında bitler arasındaki korelasyonları kullanmak için sembol seviyesindeki derin öğrenme tabanlı dedektörler geliştirilmiştir. Ekleme/silme kanalları için mevcut sembol seviyesindeki kod çözücülerle zıt olarak, önerilen yeni yaklaşımlar, üç bitin birleştirilmesi durumunun ötesine geçerek performansta daha fazla iyileştirmeler sunabilir ve aynı zamanda kompleksiteyi tolere edilebilir seviyede tutar. Son olarak, bit desenli medya kaydı kanalları gibi durumları modelleyen semboller arası girişimle kötüleşen ekleme/slinme kanalları için derin öğrenme tabanlı dedektörler geliştirilmiş ve performansları sayısal örneklerle incelenmiştir.
Özet (Çeviri)
Channels with synchronization errors, including insertion/deletion channels, are of significant importance, as they are encountered in various systems, such as communication networks and various storage technologies, including DNA data storage. Serially concatenated codes where the outer code is a powerful channel code, such as a low-density parity-check (LDPC) or convolutional code, and the inner code is a watermark or marker code, are shown to be effective solutions over such channels. In particular, the use of marker codes, referring to insertion of preselected sequences in the transmitted data stream periodically, are shown to work well in regaining synchronization at the receiver and achieving improved error rate performance compared to other alternatives. In the current literature, maximum a posteriori (MAP) detector realized by the well-known forward-backward algorithm is commonly employed to decode the inner marker code and estimate the log-likelihood ratios (LLRs) of the bits encoded by the outer code, and the resulting log-likelihood estimates are fed to the outer decoder to estimate the transmitted data. Alternative to the MAP detector, this thesis proposes deep learning-based solutions to estimate the LLRs of the coded bits in the paradigm of concatenated codes, exploiting the marker information and addressing some limitations of conventional methods. Bit-level deep learning-based detectors offer good alternatives when the channel statistics are not perfectly available at the decoder, degrading of the performance of the MAP detector. They can also be employed for one-shot decoding when the outer code is a convolutional code. Also developed are symbol-level deep learning-based detectors to exploit the correlations among adjacent bits at the detector output. Contrary to the existing symbol-level decoders for insertion/deletion channels, the newly proposed approaches can go beyond the case of combining three bits, offering further enhancements in performance while keeping the complexity tolerable. As a final contribution, deep learning-based detectors are developed for insertion and deletion channels that are further exacerbated by inter-symbol interference, e.g., modeling bit-patterned media recording channels, and their performance is studied via numerical examples.
Benzer Tezler
- Learning and inference for wireless communications applications using in-memory analog computing
Bellek içi analog hesaplama kullanarak kablosuz iletişim uygulamaları için öğrenme ve çıkarım
MUHAMMAD ATIF ALI
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
Prof. Dr. TOLGA METE DUMAN
- Multi-scale recursive context aggregation network for semantic segmentation
Anlamsal bölümleme için çok ölçekli özyinelemeli bağlam birleştirme ağı
ABDULLAH YALÇIN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KESKİNÖZ
- Practical channel coding methods for channels with input-dependent noise
Girdi bağımlı gürültüye sahip kanallar için pratik kanal kodlama yöntemleri
MEHMET GÖRKEM ÜLKAR
Doktora
İngilizce
2020
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ EMRE PUSANE
- Novel centrality, topology and hierarchical-aware link prediction in dynamic networks
Dinamik ağlarda merkezilik, topoloji ve hiyerarşik tabanlı bağlanti tahmini
ABUBAKHARI SSERWADDA
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF YASLAN
YRD. DOÇ. ALPER ÖZCAN
- Derin öğrenme teknikleri kullanılarak küçük veri setleri için görüntü altyazısı üretme
Image caption generation for small datasets using deep learning techniques
İLAYDA YILDIZ
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AYBARS UĞUR