<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>BCH Codes | Jorge Kamassury — Academic CV</title><link>https://kamassury.github.io/tags/bch-codes/</link><atom:link href="https://kamassury.github.io/tags/bch-codes/index.xml" rel="self" type="application/rss+xml"/><description>BCH Codes</description><generator>Hugo Blox Builder (https://hugoblox.com)</generator><language>pt-br</language><lastBuildDate>Wed, 02 Nov 2022 00:00:00 +0000</lastBuildDate><image><url>https://kamassury.github.io/media/icon_hu_982c5d63a71b2961.png</url><title>BCH Codes</title><link>https://kamassury.github.io/tags/bch-codes/</link></image><item><title>Otimização de um decodificador neural para códigos BCH curtos sob regime de comunicação crítica</title><link>https://kamassury.github.io/publications/journal-article/bch-neural-decoder/</link><pubDate>Wed, 02 Nov 2022 00:00:00 +0000</pubDate><guid>https://kamassury.github.io/publications/journal-article/bch-neural-decoder/</guid><description>&lt;p&gt;Extensão aplicada do método
para &lt;strong&gt;códigos BCH curtos em regime de comunicação crítica&lt;/strong&gt;, empregando uma rede neural profunda de &lt;strong&gt;complexidade reduzida&lt;/strong&gt; treinada sobre módulos e síndromes dos vetores recebidos. A abordagem iterativa de decimação supera o desempenho do decodificador neural puro em canais AWGN.&lt;/p&gt;</description></item><item><title>Iterative Error Decimation for Syndrome-Based Neural Network Decoders</title><link>https://kamassury.github.io/publications/journal-article/iterative-error-decimation/</link><pubDate>Fri, 27 Aug 2021 00:00:00 +0000</pubDate><guid>https://kamassury.github.io/publications/journal-article/iterative-error-decimation/</guid><description>&lt;p&gt;Propomos o &lt;strong&gt;Iterative Error Decimation (IED)&lt;/strong&gt;, um método iterativo de decodificação neural baseado em síndrome, onde uma rede neural profunda estima o padrão de erro a partir da confiabilidade e da síndrome do vetor recebido. A cada iteração, a posição mais confiável é selecionada como bit de erro e o vetor recebido é atualizado. O método supera decodificadores neurais existentes em códigos &lt;strong&gt;BCH curtos (63,45) e (63,36)&lt;/strong&gt; e pode ser aplicado sobre qualquer decodificador DNN baseado em síndrome &lt;strong&gt;sem necessidade de retreinamento&lt;/strong&gt;.&lt;/p&gt;</description></item></channel></rss>