Iterative decoding of short low-density parity-check Codes based on differential evolution

• Autorzy: Shtompel Mykola , Prykhodko Sergii

Identyfikatory

DOI

10.35784/iapgos.5762

Warianty tytułu

PL

Iteracyjne dekodowanie krótkich kodów parzystości o niskiej gęstości w oparciu o ewolucję różnicową

• Języki publikacji: EN

Abstrakty

EN

To ensure a given quality of service in the networks of the Internet of Things, short error-correcting codes are used, in particular, low-density parity-check codes. The paper proposes an approach for decoding these codes based on the joint application of belief propagation and differential evolution procedures. It is shown that in order to reduce the search area of error vectors based on differential evolution, it is necessary to use the least reliable basis of the parity-check matrix. Flowchart and pseudocode of the combined decoding algorithm of short low-density parity-check codes were presented. The simulation results showed that the proposed decoding method provides an additional gain from encoding compared to the classical decoding method. The application of the presented iterative decoding method of short low-density parity-check codes will improve the efficiency of data transmission in the infrastructure of the Internet of Things.

PL

Aby zapewnić określoną jakość usług w sieciach Internetu Rzeczy, stosowane są krótkie kody korekcji błędów, w szczególności kody kontroli parzystości o niskiej gęstości. W artykule zaproponowano podejście do dekodowania tych kodów oparte na wspólnym zastosowaniu procedur propagacji zaufania i ewolucji różnicowej. Pokazano, że w celu zmniejszenia obszaru wyszukiwania wektorów błędów w oparciu o ewolucję różnicową, konieczne jest użycie najmniej wiarygodnej podstawy macierzy kontroli parzystości. Przedstawiono schemat blokowy i pseudokod połączonego algorytmu dekodowania krótkich kodów kontroli parzystości o niskiej gęstości. Wyniki symulacji wykazały, że proponowana metoda dekodowania zapewnia dodatkowy zysk z kodowania w porównaniu z klasyczną metodą dekodowania. Zastosowanie przedstawionej iteracyjnej metody dekodowania krótkich kodów o niskiej gęstości parzystości poprawi wydajność transmisji danych w infrastrukturze Internetu Rzeczy.

Słowa kluczowe

EN

Internet of Things; low-density parity-check codes; iterative decoding; differential evolution

PL

Internet rzeczy; kody o niskiej gęstości parzystości; dekodowanie iteracyjne; ewolucja różnicowa

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2024
• Tom: T. 14, nr 2
• Strony: 62--65
• Opis fizyczny: BIbliogr. 11 poz., wykr.

Twórcy

autor

Shtompel Mykola

• Ukrainian State University of Railway Transport, Department of Transport Communication, Kharkiv, Ukraine

• https://orcid.org/0000-0003-3132-8335

autor

Prykhodko Sergii

• Ukrainian State University of Railway Transport, Department of Transport Communication, Kharkiv, Ukraine

• https://orcid.org/0000-0001-6535-8351

Bibliografia

• [1] Buchberger A. et al.: Learned decimation for neural belief propagation decoders: Invited paper. ICASSP 2021–2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2021, 8273–8277.
• [2] Chaibi H. et al.: Parallel genetic algorithm decoder scheme based on DP-LDPC codes for industrial IoT scenarios. Procedia Computer Science 176, 2020, 3496–3505.
• [3] Chettri L., Bera R.: A comprehensive survey on internet of things (IoT) toward 5G wireless systems. IEEE Internet of Things Journal 7(1), 2019, 16–32.
• [4] Jiang M. et al.: Partial CRC-aided decoding of 5G-NR short codes using reliability information. Science China Information Sciences 62, 80303, 2019.
• [5] Khan B. S. et al.: URLLC and eMBB in 5G industrial IoT: A survey. IEEE Open Journal of the Communications Society 3, 2022, 1134–1163.
• [6] Liu T., Chen X.: Deep learning-based belief propagation algorithm over non-binary finite fields. International Conference on Wireless Communications and Signal Processing (WCSP), 2020, 164–169.
• [7] Panchenko S. et al.: Analysis of efficiency of the bioinspired method for decoding algebraic convolutional codes. Eastern-European Journal of Enterprise Technologies 2-4(98), 2019, 22–30.
• [8] Price K., Storn R. M., Lampinen J. A.: Differential evolution: A practical approach to global optimization. Springer 2005.
• [9] Rosseel J. et al.: Error structure aware parallel BP-RNN decoders for short LDPC codes. 2021 11th International Symposium on Topics in Coding (ISTC), 2021, 1–5.
• [10] Rosseel J. et al.: Decoding short LDPC codes via BP-RNN diversity and reliability-based post-processing. IEEE Transactions on Communications 70(12), 2022, 7830–7842.
• [11] Watanabe K. et al.: Shortened LDPC codes accelerate OSD decoding performance. EURASIP Journal on Wireless Communications and Networking 22, 2021.