Deep learning based decoders for concatenated codes over insertion and deletion channels

Senkronizasyon hatalı kanallar, ekleme/silme kanalları da dahil olmak üzere, iletişim ağları ve DNA veri depolama gibi çeşitli sistemlerde karşılaşıldığından dolayı önemli bir konudur. Dış kod olarak güçlü bir kanal kodu, örneğin düşük yoğunluklu parite denetim (low-density parity-check - LDPC) veya konvolüsyonel kod, ve iç kod olarak bir filigram veya işaret kodu kullanılan seri olarak birleştirilmiş kodlar, bu tür kanallar üzerinde etkili çözümler olarak gösterilmiştir. Özellikle, işaret kodlarının kullanımı, belirli dizilerin periyodik olarak iletilen veri akışına eklenmesi anlamına gelir ve alıcıda senkronizasyonu yeniden kazanmak ve diğer alternatiflere kıyasla daha iyi bir hata oranı performansı elde etmek için etkin bir yöntem olarak öne çıkmaktadır. Mevcut literatürde, işaret kodunu çözmek ve dış kod tarafından kodlanan bitlerin log-olasılık oranlarını (log likelihood ratio - LLR) tahmin etmek için iyi bilinen ileri-geri algoritma tarafından gerçekleştirilen maksimum sonsal olasılık (maximum a posteriori - MAP) dedektör yaygın olarak kullanılmakta ve elde edilen log-olasılık tahminleri dış kod çözücüsüne beslenerek iletilen veriyi tahmin etmektedir. MAP dedektörüne alternatif olarak, bu tezde derin öğrenme tabanlı çözümler önerilmektedir; bu çözümler, birleştirilmiş kodlar paradigmasında kodlanmış bitlerin LLR'lerini tahmin etmek için işaret bilgilerini kullanmakta ve geleneksel yöntemlerin bazı sınırlamalarını çözmeye çalışmaktadır. Bit seviyesindeki derin öğrenme tabanlı dedektörler, kanal istatistiklerinin çözücüde tam olarak mevcut olmadığı durumlarda MAP dedektörünün performansını düşürdüğü zaman iyi alternatifler sunar. Ayrıca, dış kod bir konvolüsyonel kod olduğunda tek seferlik çözümleme için de kullanılabilirler. Bunun yanı sıra, dedektör çıkışında bitler arasındaki korelasyonları kullanmak için sembol seviyesindeki derin öğrenme tabanlı dedektörler geliştirilmiştir. Ekleme/silme kanalları için mevcut sembol seviyesindeki kod çözücülerle zıt olarak, önerilen yeni yaklaşımlar, üç bitin birleştirilmesi durumunun ötesine geçerek performansta daha fazla iyileştirmeler sunabilir ve aynı zamanda kompleksiteyi tolere edilebilir seviyede tutar. Son olarak, bit desenli medya kaydı kanalları gibi durumları modelleyen semboller arası girişimle kötüleşen ekleme/slinme kanalları için derin öğrenme tabanlı dedektörler geliştirilmiş ve performansları sayısal örneklerle incelenmiştir.