Метод підготовки начальних поліномів для рекурсивних систематичних згорточних кодів турбокодів з використанням генетичного алгоритму
DOI:
https://doi.org/10.32347/2411-4049.2024.2.157-172Ключові слова:
коригуючі коди, турбокоди, безпроводові системи передачі даних, функції правдоподібності, адаптаціяАнотація
Стаття присвячена підвищенню ефективності функціонування
безпроводових систем передачі інформації з адаптацією за рахунок
підготовки начальних поліномів рекурсивних систематичних згорточних
кодів турбокодів з використанням генетичного алгоритму. В якості цільової
функції запропонований показник кількості змін знаку апріорно-
апостеріорної інформації декодера турбокоду для певної вибірки біт даних.
Аналіз відомих робіт показує, що при використанні адаптивних систем з
кодуванням в якості параметра, що адаптується, використовується
швидкість кодування, яка регулюється кількістю перевірочних символів з
виходу кодера турбокода, при цьому відсутні розробки з адаптації поліномів
турбокодів, а також з швидкого формування начальних поліномів
рекурсивних систематичних згорточних кодів турбокодів. Розглянуті
особливості не дозволяють вирішувати завдання оптимізації за допомогою
чисельних методів як завдання багатофакторного пошуку екстремуму, тому
що воно відноситься до складних завдань оптимізації. Однак, з огляду на те,
що область рішень є кінцевою множиною, завдання може бути вирішено
перебором всіх можливих значень вектора з використанням методів і
алгоритмів послідовного звуження множини рішень (повний і
цілеспрямований перебір). Використання раціональних поліномів в якості
начальних при адаптації дозволить ефективніше використовувати
енергетичну ефективність безпроводових систем передачі даних. Як
результат роботи запропонованого методу наведено первинні поліноми
турбокодів, які були знайдені із застосуванням генетичного алгоритму для
каналу з адитивним білим гаусівським шумом. Напрямком подальших
досліджень вважаємо пошук початкових перемежувачів між
компонентними рекурсивними систематичними згорточними кодами
турбокодів.
Посилання
Mirjalili, Seyedali. (2019). Genetic algorithm. In Evolutionary algorithms and neural networks. Studies in Computational Intelligence, vol. 780. Springer, Cham. 43-55. Springer, Cham. https://doi.org/10.1007/978-3-319-93025-1_4
Kramer, Olive. (2017). Genetic algorithm essentials, Vol. 679. Springer, 2017. https://doi.org/10.1007/978-3-319-52156-5
Hariyadi, P.M., Nguyen, P.T., Iswanto, I. and Sudrajat, D. (2020). Traveling Salesman Problem Solution Using Genetic Algorithm. Journal of Critical Reviews, 7 (1), 56-61. http://dx.doi.org/10.22159/jcr.07.01.10.10
Katoch, S., Chauhan, S. S., & Kumar, V. (2021). A review on genetic algorithm: Past, present, and future. Multimedia Tools and Applications, 80, 8091–8126. Springer. https://doi.org/10.1007/s11042-020-10139-6
Shrivastava, P., Dhingra, S.L. and Gundaliya, P.J. (2010). Application of genetic algorithm for scheduling and schedule coordination problems. Journal of advanced transportation, 36 (1), 23-41. https://doi.org/10.1002/atr.5670360103
Nugroho, E.D., Wibowo, M.E. and Pulungan, R. (2017). Parallel implementation of genetic algorithm for searching optimal parameters of artificial neural networks. In 2017 3rd International Conference on Science and Technology-Computer (ICST). 136-141. https://www.techrxiv.org/doi/full/10.36227/techrxiv.12657173.v1
Mensouri, M., & Aaround, A. (2016). Adaptive encoding/decoding for turbo codes. In Proceedings of the International Conference on Big Data and Advanced Wireless Technologies (BDAW`16), 1–7. https://doi.org/10.1145/3010089.3010096
Xie, C., El-Hajjar, M., & Xin Ng, S. (2023). Machine learning assisted adaptive LDPC coded system design and analysis. IET Communications, 18, 1–10. https://doi.org/10.1049/cmu2.12707
Berrou, C., Glavieux, A., & Thitimajshima, P. (1993, May). Near Shannon limit error-correcting coding and decoding: Turbo-codes. In Proceedings of the International Conference on Communications (ICC-93), 1064–1070. Geneva. https://doi.org/10.1109/ICC.1993.397441
Xiang-Gen, X. (2024). Understanding turbo codes: A signal processing study. Journal of Information and Intelligence, 2, 1–13. https://doi.org/10.1016/j.jiixd.2023.10.003
Arvinte, M., Tewfik, A.H., Vishwanath, S. EQ-Net: Joint Deep Learning-Based Log-Likelihood Ratio Estimation and Quantization. ArXiv,abs/2012.12843v2.
Bian, X., Mao, Y., Zhang, J. (2021). Joint Activity Detection and Data Decoding in Massive Random Access via a Turbo Receiver. In 2021 IEEE 22nd International Workshop on Signal Processing Advances in Wireless Communications (SPAWC), (pp. 361-365). https://doi.org/10.1109/SPAWC51858.2021.9593149
Yanza-Verdugo, A., Pucha-Cabrera, C., Ortega, J.I. (2020). Compressive Sensing Based Channel Estimator and LDPC Theory for OFDM using SDR. Ingenius, 23, 74-85. https://doi.org/10.17163/ings.n23.2020.07
Takeuchi, K., Muller, R. R., Vehkapera, M. (2011). A Construction of Turbo-Like Codes for Iterative Channel Estimation Based on Probabilistic Bias. In 2011 IEEE Global Telecommunications Conference – GLOBECOM 2011, (pp. 1-5). https://doi.org/10.1109/GLOCOM.2011.6133738
Jin, X., Eckford, A.W., Fuja, T.E. (2004). Analysis of Joint Channel Estimation and LDPC Decoding on Block Fading Channels. In International Symposium on Information Theory and its Applications, ISITA2004, Parma, Italy, October 10–13, (pp. 679–684).
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 П.М. Курбет
![Creative Commons License](http://i.creativecommons.org/l/by/4.0/88x31.png)
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Збірник «Екологічна безпека та природокористування» працює у рамках міжнародної ліцензії Creative Commons Attribution («із зазначенням авторства») 4.0 International (CC BY 4.0).
Ліцензійна політика журналу сумісна з переважною більшістю політик відкритого доступу та архівування матеріалів.