Uso de Deep Learning para la codificación y decodificación en canales de una sola vía
Loading...
Date
2024-08-26
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad de Cuenca
Abstract
This work evaluates the application of deep learning techniques in the discovery of codes for one-way channels, specifically in a BSC. The main objective is to create codes comparable to conventional coding techniques, addressing the challenges posed by the inclusion of machine learning in the process. This document provides an exhaustive review of related work and the theoretical framework necessary to understand the problem, covering neural networks and conventional codes in binary symmetric channels.
Then, experiments with deep neural networks are proposed to create encoder and decoder models for the channel, describing the architectures, coding rates, and key technical aspects. Linear layers, GRU, and LSTM networks are employed. The experimental results derived from each experiment graphically show the performance of the codes discovered by the neural models compared to conventional error-correcting
codes in terms of BER measurement for specific values of q (the bit error probability of the channel). Finally, the inherent limitations of the binary symmetric channel and their impact on the development and results of this work are discussed. Additionally, future research directions that could help improve the results are outlined, including an interpretation of the discovered codes within the framework of Coding Theory.
Resumen
Este trabajo evalúa la aplicación de técnicas de aprendizaje profundo en el descubrimiento de códigos para canales unidireccionales, específicamente en un Binary Symmetric Channel (BSC). El objetivo principal es crear códigos comparables con las técnicas de codificación convencionales, enfrentando los retos que plantea la inclusión de aprendizaje automático en el proceso. Este documento revisa exhaustivamente trabajos relacionados y el marco teórico necesario para comprender el problema, cubriendo redes neuronales y códigos convencionales en canales binarios simétricos.
Luego, se proponen experimentos con redes neuronales profundas para crear modelos de codificador y decodificador de canal, describiendo las arquitecturas, tasas de codificación y aspectos técnicos clave. Se emplean capas lineales, redes Gated Recurrent Unit (GRU) y Long Short-Term Memory (LSTM). Los resultados experimentales que se derivan de cada experimento permiten observar de manera gráfica el
desempeño de los códigos descubiertos por los modelos neuronales frente a códigos de corrección de errores convencionales en términos de la medición del Bit Error Rate (BER) para determinados valores de q (probabilidad de error de bit del canal). Finalmente, se discuten las limitaciones inherentes al canal binario simétrico y su impacto en el desarrollo y los resultados de este trabajo. Además, se esbozaron líneas de
investigación futuras que podrían contribuir a mejorar los resultados, incluyendo una interpretación de los códigos descubiertos en el marco de la Teoría de la Codificación.
Keywords
Electrónica, Redes neuronales, Algorítmos
Citation
Código de tesis
TET;149
Código de tesis
Grado Académico
Ingeniero en Telecomunicaciones