Deep Learning for Polar Codes over Flat Fading Channels《阅读笔记》精读

平面衰落通道上的极地代码深度学习

---

Abstract

提出了啥：本文提出了一种深度神经网络方案。

为了解决啥：用于解码极性编码的短分组。
怎么做的：我们考虑在频率平坦的准静态瑞利衰落信道上传输数据包，其中信道系数在一个数据包中是恒定的，但逐个数据包会改变。所提出的技术的潜在应用是机器类型的通信，消息传递服务，智能计量网络以及其他需要高可靠性和低延迟的无线传感器网络。
计算机仿真结果证实，即使采用简单的码本结构来实现无衰减的加性高斯白噪声（AWGN）信道，所提出的技术仍接近理论上的中断，并在衰落信道中实现了编码增益。还介绍了学习时期和训练信噪比（SNR）选择的分析，以证明该技术的有效性。

---

introduction

提出一个关键点：时间！ 实现超可靠和低延迟的通信（URLLC）是未来无线通信面临的主要挑战之一[1]。减少等待时间的一种方法是使用短数据包（即大小在50到1000位范围内的代码）。然而，这导致信道编码增益的严重降低。另一方面，确保可靠性通常需要更多资源，例如，使用具有更多冗余的强信道代码或添加重传技术，这会增加等待时间。 具有低码率的信道码通常用于高可靠性URLLC数据传输，其中考虑将诸如低密度奇偶校验（LDPC），Polar和Turbo码之类的候选对象用于此类传输。 LDPC和Polar码在大数据包大小时具有相似的性能，而Turbo码则优于[3]所示的那些。但是，在低Eb / N和小数据包大小的情况下，Polar码的性能优于LDPC和Turbo码。此外，LDPC存在一些误码本底，在