前言:
最近在YooTube 上面看到一个印度教授NPTEL 项目中关于这块的一个公开课。
他的MIMO 也讲的非常棒,推荐看看
https://www.youtube.com/watch?v=rB0rhQKyV34
看polar之前,推荐还是看一下机器学习中的决策树,然后对照着看一下。
这篇看完之后,会对encoding ,以及bit reverse 有更深刻的理解。
目录
- 极化内核
- 极化内核
- 极化内核
- 通用极化内核
一 极化内核
1.1: 信道结构模型
1.2 极化内核
这是2个2*2的矩阵,则输出
1.3 二进制树结构
输入长度为2的向量
其中加号是异或运算(或者模2运算)
二 极化内核
2.1 信道结构模型
2.2 极化内核
两个G2极化内核做克罗克内积
先做bit reverse
再做矩阵乘法,就实现了上面信道结构中的模型
2.3 二进制树结构
: j 代表输入个数,i 代表节点标号
三 极化内核
输入8个bits, 输出8个bits
3.1 信道结构模型
3.2 极化内核
先对输入做bit reverse
再做矩阵乘法,就实现了N=8的信道结构模型
3.3 二进制树结构
depth =2,叶节点输出的是2个 bits,
depth=1 结点输出为4个 bits
depth=0 根结点输出 8个 bits
四 通用极化内核
代表作n次 克罗内克积
: 输入输出的个数,也是的维度
输出为:
5G: n=10(1024 个输入)
'''
计算极化内核
'''
def GN(n=3):
G_2 = np.array([[1,0],
[1,1]])
G_n = G_2
N= np.power(2,n)
for d in range(n-1):
G_n = np.kron(G_n,G_2)
print("\n 输入个数:%d \t极化内核 \n"%N,G_n)
GN(3)