.png){kind=icon}
返回
Segmented GRAND: Complexity Reduction Through Sub-Pattern Combination
.png){kind=icon}
PRE
AI
DOI：10.1109/TCOMM.2025.3541094.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
有序可靠性位（ORB）随机加性噪声译码（GRAND）的变体，即ORBGRAND，与其它GRAND变体相比，在高码率下实现了显著低的时间复杂度。然而，其计算复杂度仍高于其他近最大似然（ML）通用译码器，如有序统计译码（OSD）。为解决此问题，我们提出了分段ORBGRAND，它基于码特性划分误差模式搜索空间，生成伴随矩阵一致的子模式（减少无效误差模式），并利用对数权重的两级整数划分得到的子权重，按近ML顺序组合这些子模式。数值结果表明，分段ORBGRAND在所有信噪比（SNR）下将平均查询次数减少至少66%，并将基本运算次数削减一个数量级以上，具体取决于分段方式和码率。进一步的效率提升来自于利用预生成的共享子模式，降低了平均译码时间。此外，通过放弃（abandonment $b = 10^{5}$ 或更小），分段ORBGRAND相较于ORBGRAND提供了0.2 dB的功率增益。
Keyword:
Test error pattern
segmentation
complexity
integer partition
guessing random additive noise decoding
GRAND
ORBGRAND
ordered statistics decoding
maximum likelihood decoding
期刊
IF:
8.3
论文数:
1.2W
被引数:
3.6W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容