提出一種用于極化碼的NBP（神經(jīng)置信度傳播）譯碼算法的低復(fù)雜度替代方案.首先,利用有效的聚類技術(shù),減少權(quán)重參數(shù)的數(shù)量;然后,通過在時間上共享權(quán)重,進(jìn)一步消除大量權(quán)重參數(shù)中存在的不必要冗余;最后,從均勻量化和非均勻量化兩方面對浮點權(quán)重參數(shù)進(jìn)行量化,進(jìn)一步減少權(quán)重參數(shù)的存儲需求.仿真結(jié)果和復(fù)雜度分析表明:通過在時間和空間上應(yīng)用有效的權(quán)重共享策略,將權(quán)重參數(shù)量化為4位定點形式,可以減少至少80%的網(wǎng)絡(luò)權(quán)重,并且降低了權(quán)重參數(shù)的內(nèi)存消耗,大幅度壓縮了NBP譯碼器,同時保持良好的譯碼性能;在高信噪比區(qū)域,對權(quán)重參數(shù)進(jìn)行A律非均勻量化時譯碼器的譯碼性能較浮點權(quán)重參數(shù)譯碼器最高約有0.2 dB的提升. 

【文章來源】：華中科技大學(xué)學(xué)報(自然科學(xué)版). 2020,48(10)北大核心EICSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

不同量化位數(shù)的BER性能

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的動態(tài)場景語義SLAM[J]. 房立金,劉博,萬應(yīng)才.  華中科技大學(xué)學(xué)報(自然科學(xué)版). 2020(01)
[2]基于深度學(xué)習(xí)的聽覺倒譜系數(shù)語音增強(qiáng)算法[J]. 李如瑋,孫曉月,劉亞楠,李濤.  華中科技大學(xué)學(xué)報(自然科學(xué)版). 2019(09)
[3]基于中繼循環(huán)殘差網(wǎng)絡(luò)的人臉超分辨率重建[J]. 盧濤,汪家明,李曉林,張彥鐸.  華中科技大學(xué)學(xué)報(自然科學(xué)版). 2018(12)



本文編號：3498828