针对极化码置信度传播算法的低复杂度早期停止准则

针对极化码译码延迟较高的问题,该文提出了一种针对置信度传播算法的早期停止准则,通过监测码字估值x的收敛性来终止译码。该准则利用高斯近似分析选取码字中Q个出错概率较小的比特构成比较空间,由于比较的位数较少,且仅采用异或和或运算,其计算复杂度较低。与基于信息序列估值u的方案不同,提出的准则在计算u之前已完成检测,不会导致额外的译码延迟。仿真和FPGA综合结果表明:该准则相对于G-Matrix,最坏信息位(WIB)和冻结位误码率(FBER)可有效节省硬件资源;当最大迭代次数设置为40次时,相比于G-Matrix准则,复杂度下降的代价是平均迭代次数在3.5 dB处上升了29.98%,相比于WIB和FBER方案,平均迭代次数分别减少39.44%和27.67%。

聚类集成时机的确定

使用集成学习技术可以提高聚类性能。在实验中发现,当各聚类成员聚类迭代到中后期时进行集成所得的结果会优于其迭代完全停止时进行集成所得的结果。利用集成网络泛化能力的偏差-方差分解理论对聚类集成过程中的上述现象进行解释,将提高集成网络间泛化能力的早期停止准则应用于聚类集成过程,并提出聚类集成时机的概念。对比实验表明,基于早期停止准则的聚类集成得到的结果较好,且更节约聚类集成的时间,为寻求聚类集成的最佳时机提供了可行性建议和方法。