复现笔记--有关极性码的两篇文章

**

《Scaling Deep Learning-based Decoding of Polar Codes via Partitioning》

**
背景：基于深度学习的信道解码器的训练复杂度随码本大小以及信息位数的增加而呈指数级增长。因此，神经网络解码（NND）当前仅适用于非常短的块长度。
提出的解决方法：在这项工作中，我们表明，当解码器的子块被基于神经网络（NN）的组件替代时，可以增强用于极性代码的常规迭代解码算法。因此，我们将编码图划分为较小的子块，并分别对其进行训练，从而接近每个子块的最大后验（MAP）性能。然后，这些块通过其余的常规置信度传播解码级进行连接。最终的解码算法是非迭代的，并固有地实现了高水平的并行化，同时展现出具有竞争力的误码率（BER）性能。我们通过分区检查降级情况，并将所得的解码器与最新的极坐标解码器（例如，连续消除列表和置信度传播解码）进行比较。

深度学习的信道解码的两个优点：非迭代（因此，低延迟）解码以及接近最大的后验（MAP）解码性能

极码polar codes 是个什么样的存在
极坐标编码器将k个信息位映射到长度为N的向量u的k个最可靠的位位置，表示为信息集

&#x