Machine learning techniques for turbo decoding in wireless communication systems / Mehdi Benkirat (2024) 

Public ISBD Titre : Machine learning techniques for turbo decoding in wireless communication systems Type de document : document électronique Auteurs : Mehdi Benkirat, Auteur ; Mehdi Chames Eddinne Layes, Auteur ; Taghi, Mohamed Oussaid, Directeur de thèse Editeur : [S.l.] : [s.n.] Année de publication : 2024 Importance : 1 fichier PDF (19 Mo) Présentation : ill. Note générale : Mode d'accès : accès au texte intégral par intranet. Mémoire de Projet de Fin d’Études : Electronique : Alger, École Nationale Polytechnique : 2024 Bibliogr. p. 151 - 155 . - Annexe p. 156 - 160 Langues : Anglais (eng) Mots-clés : Turbo codes Turbo decoding SNR Machine learning Attention models Transformer SOVA Bit Error Rate (BER) Index. décimale : PN01124 Résumé : This study investigates machine-learning techniques aimed at enhancing turbo decoding in wireless communication. Traditional turbo decoders often struggle with challenges such as susceptibility to burst noise and high error rates at high Signal-to-Noise Ratios (SNRs). To tackle these issues, the study explores Sequence-to-Sequence attention models and Transformer architectures, adapting them for turbo decoding to potentially enhance accuracy and robustness across various channel noise conditions. The research includes foundational discussions on convolutional and turbo codes, simulations using the SOVA algorithm, reviews of neural networks in turbo decoding applications, and introduces the effective models TurboAttention and TurboTransformer. These models demonstrate promising results in terms of Bit Error Rate (BER) across a wide range of SNR values, with encouraging performance observed in hardware inference tests. Machine learning techniques for turbo decoding in wireless communication systems [document électronique] / Mehdi Benkirat, Auteur ; Mehdi Chames Eddinne Layes, Auteur ; Taghi, Mohamed Oussaid, Directeur de thèse . - [S.l.] : [s.n.], 2024 . - 1 fichier PDF (19 Mo) : ill. Mode d'accès : accès au texte intégral par intranet. Mémoire de Projet de Fin d’Études : Electronique : Alger, École Nationale Polytechnique : 2024 Bibliogr. p. 151 - 155 . - Annexe p. 156 - 160 Langues : Anglais (eng) Mots-clés : Turbo codes Turbo decoding SNR Machine learning Attention models Transformer SOVA Bit Error Rate (BER) Index. décimale : PN01124 Résumé : This study investigates machine-learning techniques aimed at enhancing turbo decoding in wireless communication. Traditional turbo decoders often struggle with challenges such as susceptibility to burst noise and high error rates at high Signal-to-Noise Ratios (SNRs). To tackle these issues, the study explores Sequence-to-Sequence attention models and Transformer architectures, adapting them for turbo decoding to potentially enhance accuracy and robustness across various channel noise conditions. The research includes foundational discussions on convolutional and turbo codes, simulations using the SOVA algorithm, reviews of neural networks in turbo decoding applications, and introduces the effective models TurboAttention and TurboTransformer. These models demonstrate promising results in terms of Bit Error Rate (BER) across a wide range of SNR values, with encouraging performance observed in hardware inference tests.

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité	Spécialité	Etat_Exemplaire
EP00753	PN01124	Ressources électroniques	Bibliothèque centrale	Projet Fin d'Etudes	Disponible	Electronique	Téléchargeable

Documents numériques

BENKIRAT.Mehdi_LAYES.Mehdi-Chames-Eddinne.pdf URL