极化码理论及算法研究2-什么是极化码?

什么是极化码?

1、内容目录

  1. 开篇1-内容介绍&参考文献
  2. 概述2-什么是极化码?
  3. 原理3-Arikan原版论文学习总结
  4. 编码算法4-巴氏参数、GA算法以及matlab仿真
  5. 译码算法5-SC算法及matlab仿真
  6. 译码算法6-SCL、CA-SCL及matlab仿真

2、极化码介绍

要问在2019年,通信领域什么最火,当然要数第五代移动通信技术5G了。随着美国对华为的打压和制裁,华为-5G这两个名词紧紧绑定在了一起,并传播到了全世界。随着5G商用的不断普及,更多的人接触到了5G,体验到了5G技术。但是作为一个通信专业的学生,绝不会仅仅局限于此,我们要对5G技术进行研究和学习。在大四上学期一门无线局域网的课程上,以同学为主体,分享了大量关于5G的理论内容,其中我就了解到极化码是5G信道编码的技术之一。我怀着对5G技术浓烈的兴趣,在毕业设计课题选择时,很坚定的选择了“5G标准极化码研究”这一课题,希望可以深入学习和了解这一门新的技术。
极化码其实问世时间并不是很长。E.Arikan 教授在他2008年的一篇论文[1]中首次提出了信道极化的概念,针对信道极化码原理提出了对应的编码方式——极化码(Polar codes),并证明在这种信道编码方式下,信道的传输容量可以达到香农极限。在之后,A.rikan又发表了数篇论文对极化码理论进行补充,我主要阅读了论文[2]。这篇论文包含了大部分极化码基础理论,比较详细,十分具有参考性(我把参考论文的题目分享到最后,如果大家有需要可以自行上IEEE网站下载学习,或者私信我发给你)。
由于极化码被证明是目前唯一可以达到香农极限的编码方式,并且其编译码算法都具有较低的复杂度,性能在一定的码长下也十分出色,所以在它问世以后,就吸引学术界和业界的广泛关注。这其中就包含华为公司。华为在极化码问世以后就看到了它的应用价值,在2009年寻求与A.rikan的合作,投重金一起研究极化码的应用。经过数年的不断努力与尝试,终于在2016年,极化码成功入选 5G 增强型移动宽带(eMBB)应用场景下的控制信道编码方案。并在2018年,华为首次发布了全球第一个符合3GPP标准的、支持Polar码的5G系统,极化码终于从理论进入了现实应用。
因此对于极化码的研究有助于我们去理解5G背后的原理。于此同时,由于5G一共有三大应用场景eMBB、URLLC、mMTC。其他两大应用场景的标准依旧悬而未决,极化码能否依然发挥它的作用,这一切还需要实践去检验。所以对于极化码的研究具有十分深远的价值和意义。
当然,对于初学者来说,我们不需要去研究的特别深入。所以下面的内容,我先从极化码的源头开始写起,让大家理解基础的编码和译码算法。在最后,再提出在5G标准中极化码是如何发挥它的作用的。读者们可以按照自己的需求和能力,进行阅读和学习。
本人只是一个本科毕业生,对极化码的研究和理解有限,该系列文章也是基于我的毕业课题设计以及后期的一些拓展学习来展开的,所以如果有什么问题或者错误的内容,欢迎大家批评指正,大家一起进步。
下一篇文章将正式开始理论内容的介绍!

[1] E.Arikan.Channel Polarization: A Method for Constructing Capacity-Achieving Codes[J],2008.
[2] E.Arikan.Channel Polarization: A Method for Constructing Capacity-Achieving Codes for Symmetric Binary-Input Memoryless Channels[J],2009.

  • 3
    点赞
  • 13
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
目标检测是计算机视觉领域的一个重要研究方向,其目的是在图像或视频中识别和定位特定物体。在深度学习的发展过程中,目标检测算法也得到了广泛的应用。目前,主流的目标检测算法主要包括两类:基于区域的检测方法和基于回归的检测方法。 基于区域的检测方法是在图像中提取一些候选区域,然后对每个候选区域进行分类和定位。其中,最具代表性的算法是RCNN(Region-based Convolutional Neural Network)。RCNN首先使用选择性搜索(Selective Search)算法选取候选区域,然后对每个候选区域进行卷积特征提取和分类定位。由于计算量巨大,RCNN的训练和测试过程分别需要多个步骤,效率较低。 基于回归的检测方法则是直接对图像中的每个像素进行分类和定位。其中,最具代表性的算法是YOLO(You Only Look Once)。YOLO将图像分成网格,并对每个网格预测物体类别和边界框。相比于基于区域的检测方法,YOLO具有更快的检测速度和更高的精度,但对小物体的检测效果不如基于区域的方法。 目标检测算法理论基础主要包括卷积神经网络、损失函数和非极大值抑制等。卷积神经网络是目标检测算法的核心,其通过多层卷积和池化操作提取图像特征,并将特征映射到物体类别和边界框上。损失函数则是目标检测算法优化的关键,其通过最小化模型输出与真实标签之间的差距来提高模型的精度。非极大值抑制是目标检测算法的后处理步骤,其通过去除重叠的边界框,提高模型的检测精度。 总的来说,深度学习目标检测算法理论基础是非常丰富的,不同的算法有各自的特点和优劣势,需要根据实际应用场景进行选择和优化。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

为城w

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值