神经网络在分组码软判决译码中的应用

本文对线性分组码构造了一个神经网络软判决译码器，并提出了循环码的一个神经网络软判决译码算法，对Ｇｏｌａｙ码的计算机仿真表明，新算法不仅译码速度快，而且，具有优越的性能。

基于前馈神经网络的分组码译码方案

在构造出分组码格图的基础上，利用一种基于前馈神经网络的多输入最小值选择网络实现分组码的软判决及硬判决译码．计算结果表明，前馈神经网络总能找到全局最优解，从而使该译码算法的性能同于最大似然译码．由于该前馈网络的计算时延非常短，且基于它的译码器与传统译码器相比硬件实现简单，从而使译码的复杂性降低，时延减小．

一种基于RBF神经网络的线性分组码的通用译码网络

文中讨论了关于神经网络在差错控制译码中的应用,构造了一种基于RBF人工神经网络的线性分组码的通用译码网络,该网络通过有监督的学习后,可对任意长度、任意类型的线性分组码进行译码,并能对纠错范围内的误码进行自动纠错。

线性分组码的神经网络译码

介绍了神经网络与线性分组码之间的关系,并在文献[1]的基础上证明了软判决译码与求解能量函数最大值之间的等价性,然后以(7,4,3)汉明码为例介绍了神经网络在循环码硬判决、软判决译码中的应用。

一种多层前向神经网络译码器的实现

本文提出了一种源于汉明类多层前向神经网络分组码译码器。它不需要改变网络结构和参数,根据输入可完成硬判决、软判决和最小距离译码。该网络不存在漫长的学习过程。计算机模拟表明,在加性高斯噪声下,使用该神经网络可以达到最大似然译码。

基于神经网络的(23,12)Golay码译码新算法

对Hopfield神经网络（H.N.N）在纠错编译码技术中的具体应用进行了研究，分析指出了该网络与循环码，尤其是Golay码的关系，提出了一种采用高阶互连网络实现循环码最大似然译码的方法。并且实现了一套有效的算法，非常完满地解决了（23．12）Golay码的完全译码。最后指明了硬件实现的思路。