A Neural Network Implementation Of A Permutation Decoder For Binary Cyclic Codes
Notice bibliographique
Résumé
In this paper we consider the decoding of binary cyclic block codes utilizing a permutation decoding technique based on a Hopfield type neural network architecture. It is well known that the maximum likelihood decoding of an $ n,k,t) :: binary hear code is equivalent to finding the minimum of a polynomial orm in k blnary vambles [ 11, (31. Using results from the work of Baldi [2], we show that a generalized Hopfield neural network whose connections are governed by the generator matrix of the code and the received word has a stable state corresponding to the transmitted codeword if? or fewer errors are introduced in the transmission process. An energy function is defined and is the basis of the updating of the network operating in serial mode. It is shown that changes to the state of the network based on a local improvement algorithm results in a lowering of the corresponding energy of the network and hence a descent in the energy space towards the codeword. If the codeword corresponding to the state of the network is within the Hamming energy sphere of the received word, then successful decoding has been achieved otherwise a permutation is applied to the received word and the process is repeated. This provides a useful mechanism for handling the local minimum problem which plagues optimization problems. We discuss the conditions under which the state will converge to the right codeword in the presence of random errors. We present a detailed algorithm for updating the state of the network and simulation results for non-trivial cyclic codes such as the (63,30,6) and (127,64,10) BCH codes. Summan,
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».