基于时间序列网络TCN的极化码译码

最新推荐文章于 2024-08-27 00:46:18 发布
最新推荐文章于 2024-08-27 00:46:18 发布
阅读量354 收藏
点赞数
分类专栏： TCN 极化码 译码 文章标签： 数字通信 5g tcn 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44510877/article/details/113819061
版权
TCN 同时被 3 个专栏收录
1 篇文章 0 订阅
订阅专栏
极化码
1 篇文章 0 订阅
订阅专栏
译码
1 篇文章 0 订阅
订阅专栏

基于时间序列网络的极化码译码算法

核心思路

首先生成大量的极化码编码数据，将编码前的数据作为标签
再设计TCN网络结构，针对译码对结构进行微调
最后对译码效果进行多方面评估，画出误码率曲线以及对参数进行调整获取最佳结果

细节问题

一些细节问题以及怎么解决的

第一点 生成什么样的数据，数据结构是什么样？
第二点 怎么对数据进行标注，标注样式是什么？
第三点 获取不同信噪比下的表现，是每个信噪比训练一个模型还是混合信噪比训练？
第四点 生成数据集的规模是多大的?数据是越多越好？
第五点 如果效果不好，数据应该怎么调整？
第五点 网络结构是什么样的？超参数怎么设置？
第六点 怎么对效果进行评估，怎么计算误码率曲线？

数据集生成

  1. 首先是极化码的编码，随机生成一个数据源
  2. 再对数据源进行计划码编码，生成编码后的数据
  3. 对编码后的数据添加噪声
  4. 对加噪数据进行标注，标注内容是信噪比和数据源
  5. 重复以上步骤，生成足够的数据

TCN网络

在这里插入图片描述
扩张因果卷积，扩张因子d = 1,2,4，滤波器大小k = 3。接收域能够覆盖输入序列中的所有值。
TCN的卷积和普通1D卷积最大的不同就是用了扩张卷积（dilated convolutions），越到上层，卷积窗口越大，而卷积窗口中的“空洞”越多。

  1. 网络输入x0, . . . , xT 的时序数据，输出也是一样大小的 y0, . . . , yT 的预测。扩张卷积可以做到每一层隐层都和输入序列大小一样，并且计算量降低，感受野足够大。

  2. 时序预测要求对时刻t 的预测yt只能通过t时刻之前的输入x1到xt-1来判别（像隐马尔科夫链）。这在CNN里面就叫做因果卷积（causalconvolutions），这是通过限制卷积窗口滑动做到的。
    在这里插入图片描述
    TCN还为了提高准确率，还加入了残差卷积的跳层连接，以及1×1的卷积操作：
    在这里插入图片描述
    TCN中残差连接的示例。蓝线是残差函数中的过滤器，绿线是身份映射。可以看出TCN 只是一维CNN的一个结构创新。

译码效果

参考文献

扬花知冷暖
关注
专栏目录
MATLAB实现TCN时间卷积神经网络时间序列预测（完整源码和数据）
11-01
TCN时间卷积神经网络（Temporal Convolutional Network, 简称TCN）是一种用于时间序列预测的深度学习模型，它在近年来逐渐受到关注，特别是在序列建模和预测任务中展现出优秀的性能。时间序列预测是指通过分析历史...
TCN（Temporal Convolutional Network，时间卷积网络）
热门推荐
weixin_39910711的博客
05-10 8万+
1 前言 实验表明，RNN 在几乎所有的序列问题上都有良好表现，包括语音/文本识别、机器翻译、手写体识别、序列数据分析（预测）等。 在实际应用中，RNN 在内部设计上存在一个严重的问题：由于网络一次只能处理一个时间步长，后一步必须等前一步处理完才能进行运算。这意味着 RNN 不能像 CNN 那样进行大规模并行处理，特别是在 RNN/LSTM 对文本进行双向处理时。这也意味着 RNN 极度地计算密集，因为在整个任务运行完成之前，必须保存所有的中间结果。 ...
【TCN时序预测】基于时间卷积神经网络TCN实现数据回归预测附matlab代码
m0_60703264的博客
10-26 296
时间序列预测是一种重要的数据分析技术，它可以用于预测未来的趋势和变化。时间卷积神经网络（TCN）是一种新兴的神经网络结构，它在时序预测方面表现出色。本文将介绍基于TCN实现数据回归预测的算法步骤。数据准备首先，我们需要准备好用于训练和测试模型的数据。这些数据应该是一个时间序列，其中每个时间点都有一个对应的数值。我们可以使用历史数据来训练模型，然后使用模型来预测未来的数值。数据预处理在输入数据到模型之前，我们需要对其进行预处理。
数模国赛冲刺 | 预测类创新算法 TCN-GRU/BiGRU
最新发布
EasyMCM的博客
08-27 839
因果卷积由一维卷积组成，其输出基于上一层当前时刻和更早时刻的输入联合生成，是一种严格遵循时间约束的模型，适用于挖掘时序数据的潜在特征。该模型充分利用了 TCN 在局部特征提取和捕捉时序数据中远距离依赖关系的能力，以及 BiGRU 在全局上下文理解和双向信息流处理上的优势，从而更全面地捕捉时序数据中的相关信息，同时更好地建模时序数据中的长期依赖关系，最终实现提高预测精度的目标。GRU层：TCN层的输出被传递到GRU层，GRU通过其门机制进一步捕捉数据中的序列依赖性，尤其是处理长程依赖的情况下非常有效。
Tcn算法原理
qq_39992456的博客
04-18 2541
Tcn（时序卷积网络）：是利用因果卷积和空洞卷积（膨胀卷积）的神经网络模型。
DL之TCN：基于keras框架利用一维时间卷积网络TCN算法(Conv1D+Flatten+Dense)对上海最高气温实现回归预测(把时间序列数据集转化为有监督学习数据集)案例
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
03-22 2989
​ DL之TCN：基于keras框架利用一维时间卷积网络TCN算法(Conv1D+Flatten+Dense)对上海最高气温实现回归预测(把时间序列数据集转化为有监督学习数据集)案例 目录 利用时间卷积网络TCN算法对上海最高气温实现回归预测(把时间序列数据集转化为有监督学习数据集)案例 # 1、定义数据集 # 2、数据预处理 # 3、模型训练与推理 相关文章 Keras之TCN：基于keras框架利用时间卷积网络TCN算法对上海最高气温实现回归预测(把时间序列数据集转化为有
《MS-TCN++》算法详解
Michael’s Blog
06-06 3478
论文地址： 《MS-TCN++: Multi-Stage Temporal Convolutional Network for Action Segmentation 》 代码地址：https://github.com/sj-li/MS-TCN2 从名字可以看出在该文章之前还有一篇《MS-TCN》发表于CVPR2019，MS-TCN在本文的前部分会被介绍。本文《MS-TCN++》则是发表于TPAMI2020。 一、MS-TCN网络结构 文章的网络结构是由多个自己提出的子模块组成的，下面先分别介绍各个子模块的
时间卷积网络TCN代码.zip
04-03
时间卷积网络（Temporal Convolutional Networks，简称TCNs）是一种在序列建模领域新兴的深度学习架构，尤其适用于时间序列预测任务。相比于传统的循环神经网络（RNNs），如LSTM（Long Short-Term Memory），以及...
Python实现TCN时间卷积神经网络时间序列预测（Python完整源码和数据）
02-19
作为研究相关技术的结果，TCN比LSTM有更高的精度，所以这次尝试使用Python实现TCN时间卷积神经网络时间序列预测。使用时间卷积神经网络根据多个输入信号预测中间价的外汇时间序列。结果表明，中间价一开始不能很好...
FNN-RNN-TCN时间序列模型代码实战
06-20
对于时间序列，我们可以做什么？ Python packages review (Siebert2021)： 分析任务（Analysis Tasks） ：预测、分类、聚类、异常检测、分段、模式识别、突变点监测； 数据处理（Data preparation） ：降维、补缺、...
基于TCN时间卷积神经网络的数据分类预测（Matlab完整源码和数据）
12-08
TCN（Temporal Convolutional Network，时间卷积网络）是一种深度学习模型，特别适用于序列数据的处理，如音频、视频、文本和时间序列数据。它借鉴了传统的卷积神经网络（CNN）架构，并针对时间序列任务进行了优化。...
股票价格预测-LSTM-TCN-GBDT：使用四种算法（LSTM，TCN，GRU，GBDT）进行股票价格的预测和预测结果的检验。有四种算法（LSTM，TCN，GRU，GBDT）用于预测股价并检验预测结果
02-16
股票价格预测-LSTM-TCN-GBDT 使用四种算法（LSTM，TCN，GRU，GBDT）进行股票价格的预测和预测结果的检验。
时域卷积网络（TCN）案例模型
03-21
使用TCN模型实现 MNIST 数据集分类，就最后一层一维空洞卷积的输出是否为序列，使用两种方法实现，分别接Flatten层和Lambda层
基于Keras的TCN网络实现案例源码
10-29
基于Keras的TCN网络实现源代码，利用MNist数据集，构造TCN网络实现高识别率，是很好的学习例程。
TS-TCN基于骨架的人体动作识别算法
05-11
Two-Stream Temporal Convolutional Networks for Skeleton-Based Human Action Recognition
时间序列预测实战(二十一)PyTorch实现TCN时间卷积网络进行时间序列预测（专为新手编写的自研架构）
Snu77的博客
11-30 1万+
​ 本篇文章给大家带来的是利用我个人编写的架构进行TCN时间序列卷积进行时间序列建模（专门为了时间序列领域新人编写的架构，简单不同于市面上大家用GPT写的代码），包括结果可视化、支持单元预测、多元预测、模型拟合效果检测、预测未知数据、以及滚动长期预测功能。该结构是一个通用架构任何模型嵌入其中都可运行。下面来介绍一下TCN时间序列卷积的基本原理：时间序列卷积（Temporal Convolutional Network, TCN）通过一系列卷积层处理数据，每个层都能捕捉到不同时间范围内的模式，其主要通过以下三
基于TCN时间卷积网络（含因果膨胀卷积）的多特征输入风速预测项目实战（pytorch）（八维特征）【有数据集和代码，可运行】
weixin_44829487的博客
12-16 2347
该算法于2016年由Lea等人他们在做视频动作分割的研究首先提出，CNN模型以 CNN 模型为基础，并做了如下改进：①适用序列模型：因果卷积（Causal Convolution）②记忆历史：空洞卷积/膨胀卷积（Dilated Convolution），残差模块（Residual block）。1、因果卷积config中定义了项目的基本参数，可以在里面修改训练参数。若有朋友需要可运行的源码和数据集，可以guan注【科研小条】gong众号，回复【TCN多特征风速预测】，即可获得。
基于TCN时间序列预测Python程序
黑科技小土豆的博客
03-01 2505
基于TCN时间序列预测Python程序
TCN时间卷积网络——解决LSTM的并发问题
djph26741的博客
08-19 4765
TCN是指时间卷积网络，一种新型的可以用来解决时间序列预测的算法。在这一两年中已有多篇论文提出，但是普遍认为下篇论文是TCN的开端。 论文名称： An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling 作者：Shaojie Bai 1 J. Z...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

扬花知冷暖

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

实付元
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