Что такое СНГ и КПГ на маршрутных автобусах типа газель
Вопрос: Что такое СНГ и КПГ на маршрутных автобусах типа газель.
Ответ можно найти в техническом регламенте таможенного союза ТР ТС 018/2011
Раздел 9
9. Требования к двигателю и его системам
….
9.8. Система питания газобаллонных транспортных средств, ее размещение и установка должны соответствовать следующим требованиям:
9.8.1. На каждый газовый баллон должен иметься паспорт, оформленный его изготовителем.
9.8.2. На каждом газовом баллоне, установленном на транспортном средстве, должны быть четко нанесены нестираемым образом, по меньшей мере, следующие данные: серийный номер; обозначение «СНГ» или «КПГ».
9.8.3. Газобаллонное оборудование на транспортных средствах в специально уполномоченных организациях подвергается периодическим испытаниям с периодичностью, совпадающей с периодичностью освидетельствования баллонов, установленной изготовителем баллонов и указанной в паспорте на баллон (баллоны).
По результатам периодических испытаний специально уполномоченные организации оформляют свидетельство о проведении периодических испытаний газобаллонного оборудования, установленного на транспортном средстве.
9.8.4. Внесение изменений в конструкцию и комплектность установленного газобаллонного оборудования при эксплуатации не допускается. Изменения, вносимые при ремонте газобаллонного оборудования (замена редуктора или баллона), оформляются специально уполномоченными организациями свидетельством о соответствии газобаллонного оборудования требованиям безопасности.
9.8.5. Единые для государств – членов Таможенного союза формы документов, упомянутых в пунктах 9.8.1, 9.8.3 и 9.8.4 выше, устанавливаются решением Комиссии Таможенного союза. Указанные документы предъявляются при проведении проверки технического состояния транспортного средства.
9.8.6. Не допускается:
9.8.6.1. Использование газовых баллонов с истекшим сроком их периодического освидетельствования.
9.
8.6.2. Нарушения крепления компонентов газобаллонного оборудования.
9.8.6.3. Утечки газа из элементов газобаллонного оборудования и в местах их соединений.
…
11. Требования к комплектности транспортных средств
…
11.8. На транспортные средства категорий М2 и М3, использующие в качестве топлива сжиженный нефтяной газ (СНГ) или компримированный природный газ (КПГ), наносятся опознавательные знаки, предусмотренные Правилами ЕЭК ООН № 67 и № 110, в виде ромба зеленого цвета с каймой белого цвета. В середине знака располагаются буквы: «СНГ» или «КПГ» (рисунок 11.1). Горизонтальная диагональ ромба 110-150 мм, вертикальная диагональ ромба 80-110 мм, ширина каймы 4-6 мм, высота букв более 25 мм, ширина букв более 4 мм. Опознавательные знаки размещаются спереди и сзади, а также по правому борту транспортного средства снаружи дверей.
Рисунок 11.1. Образец опознавательного знака для транспортных средств категорий М2 и М3, использующих в качестве топлива сжиженный нефтяной газ (СНГ) или компримированный природный газ (КПГ)
|
||||||||||||||
|
Главная / Продукция / Статьи / Версия для печати Повышенный спрос на природный газ и уголь и их достаточно высокая стоимость в недалеком прошлом привели к необходимости получения альтернативного топлива, так называемого, синтетического природного газа. В современной газовой промышленности существует несколько терминов, которые обозначают одно и то же газовое вещество. При этом следует отметить, что прямого соответствия между зарубежным и российским терминами не существует. Понятие синтетического природного газа SNG, терминологияДля того, чтобы разобраться в терминологии, начнем с существующих понятий сжиженной пропан-бутановой смести: СНГ (сжиженный нефтяной газ), СУГ (сжиженный углеводородный газ), СПБ (сжиженный пропан-бутан). В мировой практике этим терминам соответствует термин LPG (Liquified Petroleum Gas). Английскому же термину SNG в России нет прямого соответствия. SNG – аббревиатура для “synthetic (substitute) natural gas”, что переводится как «синтетический природный газ». При этом, синтетический природный газ нельзя сокращать до СПГ, что, в свою очередь, уже означает сжиженный природный газ. Далее, английский термин «природный газ» переводится как «natural gas». Получившаяся аббревиатура СНГ тоже не отражает правильной информации, так как означает «сжиженный нефтяной газ». «Синтетический газ», или «синтез-газ», не соответствует требуемому определению SNG, так как является промежуточным звеном для дальнейшей переработки в конечный химический продукт. В результате терминологической путаницы понятий, в России термину «синтетический природный газ» соответствует все-таки английское сокращение SNG. Что же это за синтетический природный газ? Это искусственно полученный газ после смешения газифицированного углеводородного сырья (угля, нефтяного сланца, другого топлива) и воздуха. Получение синтетического природного газа SNGСинтетический природный газ, или SNG, получается в смесительных установках низкого или высокого давления путем смешения сжиженной фазы газа (в основном, СУГ) и воздуха. Смесительные установки для получения синтетического природного газа состоят из обязательного технологического оборудования: емкости для хранения и подачи СУГ в смесительную систему, насосное оборудование, компрессоры для подачи воздуха и газа, испарительная установка СУГ, смесительная установка, ресивер-сепаратор (где происходит само смешение) и другое оборудование для надежной и безопасной эксплуатации системы. Преимущества использования синтетического природного газа SNGКроме ценовой выгоды при выработке и использовании синтетического природного газа, существует и ряд других преимуществ. Например, производство SNG может работать круглогодично. Тепловые потери от его использования в системе теплоснабжения предприятий – всего 1 % по сравнению с 15% при использовании CУГ. Для перевода технологического оборудования (трубопроводы, клапаны, задвижки и т.п.) не требуется полная его замена, так как химический состав практически идентичен.
Таким образом, синтетический природный газ SNG доказал свою экономическую, технологическую и теплоэнергетическую выгоду, что отражается во все большем его использовании в различных областях промышленности. 22 Августа 2013 г. |
|||||||||||||
Дипак Гарг, генеральный директор и основатель SAP for Utilities 2021
Поскольку технологии нового века меняют нашу жизнь, коммунальные предприятия используют искусственный интеллект (AI), IoT (IoT), аналитику, мобильные устройства, облачные технологии и т. д., чтобы оставаться конкурентоспособными в разрушительный фон, с центральным акцентом на CX. Мы рады расшифровать тему создания безупречного 5-звездочного обслуживания клиентов и поговорить с партнерами и руководителями коммунальных служб на долгожданном мероприятии 2021 SAP for Utilities.
На конференции этого года мы рады встретиться с отраслевыми экспертами и лидерами мнений, чтобы обсудить последние инновации в области обслуживания клиентов. Присоединяйтесь к нам, и мы поделимся нашими историями успеха и новаторскими стратегиями, которые формируют современные отношения коммунальных предприятий и клиентов.
Есть немало компаний, задающих лидеры в сфере коммунальных услуг, которые продвигают отраслевые стандарты качества CX. Ознакомьтесь с стратегиями CX этих дальновидных коммунальных служб, чтобы использовать интеллектуальные инновации, основанные на технологиях следующего поколения, и строить долгосрочные отношения с клиентами.
Вот предварительный обзор некоторых историй успеха и стратегий CX:
Путь от прежней к современной CIS agility вместо устаревшего CIS. Стремясь просвещать, информировать и вдохновлять своих клиентов, Duke Energy , один из крупнейших поставщиков электроэнергии и природного газа в США, начал цифровую трансформацию с помощью SAP и SEW, чтобы удовлетворить потребности современных клиентов, оптимизировать отношения с ними и предоставить пользователям гибкие услуги.
В течение последних трех-пяти лет Duke Energy сосредоточилась на минимизации затрат на обслуживание клиентов, повышении удовлетворенности клиентов, стимулировании роста за счет расширения продуктов и услуг, сокращении времени и затрат на рыночные услуги, а также обеспечении цифровых полезных функций (например, мобильности, клиента полевому работнику).
Благодаря внедрению новейших технологий платформа обслуживания клиентов Duke Energy была преобразована, чтобы улучшить качество обслуживания клиентов для бизнеса и частных лиц, стандартизировать процессы и политики для создания «Пути Duke Energy» и обеспечить гибкость для быстрого масштабирования.
Обслуживание клиентов посредством изменения ожиданий
Клиенты ожидают новых способов взаимодействия. Они требуют удобства, экономии, большего контроля и простоты — такого опыта они привыкли ожидать от розничных брендов. Новое определение подключения появляется из-за распространения приложений и социальных сетей. Коммунальные компании, такие как Southwest Gas (SWG) , поставляют интеллектуальные платформы, которые используют данные в режиме реального времени для повышения качества обслуживания клиентов, предлагая клиентам цифровые возможности самообслуживания. В течение 23 месяцев Southwest Gas (SWG) намеревалась внедрить гибридное облачное и локальное решение CIS, чтобы заменить свою устаревшую систему, существующую более 20 лет.
Это знакомая история для многих коммунальных служб, однако SWG добилась невозможного в виртуальной среде: запуск в срок в рамках бюджета.
На этот раз в SAP for Utilities мы слышим их историю нестандартного мышления при общении с клиентами и использования секретного соуса бизнес-готовности.
Новое определение «заботы» в обслуживании клиентов
Во время и после пандемии коммунальные предприятия повысили ставки в стратегиях обслуживания клиентов, демонстрируя клиентам, что они заботятся о них. Некоторые энергетические и водные компании взяли на себя инициативу в пересмотре статус-кво, поняв, что чувствуют их клиенты, и используя сочувствие как практику, когда они разговаривают с клиентами. Liberty Utilities представила истории успеха, протягивая руку помощи своим клиентам в трудную минуту.
Мы узнаем больше о проекте Liberty Utilities «Клиент прежде всего» — инициативе по максимизации отдачи от стратегических инвестиций за счет значимой информации в режиме реального времени, которая отслеживает операционную эффективность бизнеса с течением времени.
Agile, Scalable & Flexible Experiences
Коммунальные предприятия, занимающие лидирующие позиции в области инноваций, прокладывают путь другим поставщикам коммунальных услуг к внедрению клиентоориентированности как части ДНК компании, реализуемой как долгосрочная инициатива, а не разовый проект. Руководствуясь своей миссией по обеспечению чистой, безопасной и надежной энергией для улучшения жизни своих клиентов, San Diego Gas & Electric (SDG&E) приняла многолетнюю партнерскую программу с SAP и SEW для перехода к интеллектуальному предприятию. В 2017 году SDGE запустила четырехлетнюю инициативу по трансформации, направленную на обновление клиентского опыта (CX). Чтобы добиться успеха, SDGE нуждалась в платформе, которая помогала бы внедрять правильные решения для внедрения инноваций там, где это необходимо.
На интересном заседании мы увидим, как благодаря совместным инновациям с использованием обширного портфолио CX компания SDGE добилась лучших результатов как для клиентов, так и для пользователей.
SDGE убрала 80 пользовательских объектов разработки, внедрив совместные инновации, и выбрала новейшие продукты для взаимодействия с клиентами для преобразования своего бизнеса.
На пути к более умному всему
Будущее для потребителей коммунальных услуг — это полноценная платформа «умный дом», к которой можно получить доступ через интеллектуальные устройства. Провидцы в отрасли уже определили возможности в этом пространстве. Хотя несколько таких приложений доступны независимо друг от друга, их интеграция на одной платформе и предоставление доступа к ним по нескольким каналам — это то, что новаторские коммунальные предприятия стремятся предоставить для персонализированного обслуживания клиентов на основе данных. Поскольку разрушительные силы продолжают преобразовывать сектор энергетики и водоснабжения, коммунальные предприятия должны предоставить потребителям (миллиарды из них) возможность лучше управлять своими потребностями в энергии и воде, изменить поведение потребителей для повышения эффективности использования энергии и воды, ускорить внедрение услуг электронной мобильности и умного дома, а также использовать технологические достижения для стимулирования роста умных городов, умных правительств и умных коммунальных служб.
Внедрение инноваций с помощью интеллектуальных технологий
Инноваторов в сфере коммунальных услуг можно узнать по их давней репутации активно применяющих новые энергетические технологии и лидирующих в разработке и внедрении более чистых и эффективных альтернатив. Учитывая меняющуюся экосистему — проблемы климата, растущие ожидания клиентов и рабочей силы, построение бизнеса для обеспечения устойчивости — технологии заняли центральное место в прогрессивных коммунальных услугах.
Итак, готово. Некоторые примеры бизнес-подходов, цифрового партнерства и технологий, обеспечивающих успех в бизнесе ведущих коммунальных служб. Но достаточно ли этого лидерам коммунальных служб, чтобы запустить свои инициативы в области цифрового клиентского опыта?
Ну конечно нет. Присоединяйтесь к нам на SAP for Utilities 2021 , где мы углубимся в последние инновации в области обслуживания клиентов, изучим истории успеха коммунальных услуг и поделимся бесценными стратегиями и передовым опытом по управлению интеллектуальными технологиями, чтобы придать вашим CX-инициативам столь необходимое обновление.
Лидер отрасли, принятый глобальными коммунальными службами, SAP Ускоритель самообслуживания (SSA) для коммунальных служб от SEW – это единая интегрированная цифровая платформа, которая предлагает клиентам комплексные возможности самообслуживания. С помощью SSA коммунальные предприятия могут повысить качество обслуживания клиентов за счет всесторонней видимости взаимодействия с клиентами, использования технологий искусственного интеллекта и машинного обучения для интеллектуального анализа клиентов, предоставления персонализированных коммуникаций и многого другого.
Свяжитесь с нашими экспертами на конференции SAP for Utilities 2021, чтобы ускорить процесс создания превосходного клиентского опыта.
Итеративное декодирование блочных кодов 3D-продукта пониженной сложности на основе генетических алгоритмов
Представлены два алгоритма итеративного декодирования блочных кодов 3D-продукта ( 3D-PBC ) на основе генетических алгоритмов ( ГА ).
Первый алгоритм использует Chase-Pyndiah SISO , а второй использует основанный на списке алгоритм декодирования SISO (LBDA), основанный на повторной обработке порядка. Мы применили эти алгоритмы по каналу AWGN к симметричным 3D-PBC , построенный из кодов BCH . Результаты моделирования показывают, что первый алгоритм превосходит алгоритм Чейза-Пиндиа и всего на 1,38 дБ отстает от предела пропускной способности Шеннона при BER 10−5 для BCH (31, 21, 5) 3 и 1,4 дБ для БСН (16, 11, 4) 3 . Моделирование GA на основе LBDA на BCH (16, 11, 4) 3 показывает, что его характеристики превосходят первый алгоритм и примерно на 1,33 дБ от предела Шеннона. Кроме того, эти алгоритмы можно применять к любым произвольным блочным кодам 3D-продуктов без необходимости жесткого декодера. Мы также показываем, что два предложенных декодера менее сложны, чем алгоритм Чейза-Пиндиа для кодов с большой корректирующей способностью и LBDA для большого параметра 𝑖.
Эти особенности делают декодеры на основе генетических алгоритмов эффективными и привлекательными.
1. Введение
Среди предложенных кодов в истории исправления ошибок есть те, которые имеют производительность, очень близкую к пределу Шеннона, такие как коды Turbo [1] и коды LDPC [2]. Тем не менее, заметное снижение BER осуществляется за счет сложности их декодеров. В настоящее время перед исследователями в этой области стоит задача найти компромисс между производительностью и сложностью декодирования. Таким образом, появилось несколько работ по оптимизации алгоритмов декодирования, в частности связанных с кодами продуктов. Эти коды были впервые введены в 1954 Элиаса [3]. В 1981 и 1983 годах Таннер [4] и Лин и Костелло [5] описали метод итеративного декодирования этих кодов ( HIHO ). В 1994 году Pyndiah et al. предложили итеративное декодирование блочных кодов продуктов ( PBC ) с плавным вводом и выводом ( SISO ). [6], используя алгоритм Чейза в качестве элементарного декодера [7].
Этот алгоритм работает не один, а вместе с другим декодером HIHO , который не всегда легко найти для некоторых кодов, например, квадратичного остатка ( QR ). Позже, в 2004 году, Martin et al. разработали усовершенствованный алгоритм итеративного декодирования SISO PBC , основанный на декодировании повторной обработки порядка. [8].
Недавно исследователи в области канального кодирования вдохновились методами искусственного интеллекта на разработку очень хороших декодеров для линейных блочных кодов. Приведем из первых работ в этом смысле декодирование линейных блочных кодов с использованием алгоритма А* [9], генетических алгоритмов [10] и нейронных сетей [11].
В данной работе нас интересовали декодеры на основе генетических алгоритмов (GAD) [10] применительно к блочному коду 3D-продукта ( 3D-PBC ). В [12] было показано, что эти декодеры, примененные к кодам BCH , превосходят алгоритм Chase-2 и представляют меньшую сложность для кодов BCH с большими длинами блоков.
Мы отмечаем, что их производительность может быть улучшена за счет оптимизации некоторых параметров, таких как размер популяции и количество поколений.
В данной работе, являющейся продолжением работы [13], мы вводим и изучаем два алгоритма итеративного декодирования произвольного трехмерного бинарного блочного кода произведения на основе GAD. Внешняя информация вычисляется в первом предложенном алгоритме по формулам Чейза-Пиндиа [6], а во втором — по списочному алгоритму декодирования SISO (LBDA) [8]. Проведено сравнение по уровню сложности предложенных алгоритмов с алгоритмами Чейза-Пиндиа и LBDA.
Этот документ организован следующим образом. Раздел 2 определяет код 3D-PBC . Затем мы объясняем в разделе 3 элементарное декодирование на основе GAD. Представление и исследование сложности наших алгоритмов итеративного декодирования с использованием генетических алгоритмов IGAD будут представлены в разделе 4. Раздел 5 иллюстрирует с помощью моделирования характеристики IGAD и влияние некоторых параметров на эти характеристики.
Также представлено сравнение производительности между двумя предложенными алгоритмами. Наконец, в Разделе 6 представлены выводы и показано, как можно улучшить характеристики наших декодеров.
2. Блок-код 3D-продукта (
3D-PBC )Коды продукта (или итеративные коды) представляют собой частный случай последовательно соединенных кодов. Они позволяют создавать коды большой длины путем объединения двух или более произвольных блочных кодов малой длины. В нашем случае мы рассмотрели два симметричных 3D-КПБ , (16, 11, 4) 3 и (31, 21, 5) 3 , состоящих из трех одинаковых кодов БЧ каждый.
Пусть 𝐶(1)(𝑛1,𝑘1,𝑑1), 𝐶(2)(𝑛2,𝑘2,𝑑2) и 𝐶(3)(𝑛3,𝑘3,𝑑3), три линейных блок-кода. Мы кодируем информационный блок, используя 3D-PBC =𝐶(1)⊗𝐶(2)⊗𝐶(3), как показано на рисунке 1, путем (1) заполнения куба из 𝑘2 строк, 𝑘1 столбцов и 𝑘3 в качестве глубины на 𝑘1×𝑘2×𝑘3 информационные биты; (2) кодирование 𝑘2×𝑘3 строк (куб содержит 𝑘3 боковых плана, каждая из которых составлена из 𝑘2 строк) кодом 𝐶(1).
Проверочные биты помещаются справа, и мы получаем новый куб с 𝑘2×𝑘3×𝑛1 битами; (3) кодируя 𝑛1×𝑘3 столбца куба, полученного на предыдущем шаге, кодом 𝐶(2). Это означает, что контрольные биты также будут закодированы (предыдущий куб содержит 𝑛1 поперечный план, состоящий из 𝑘3 столбцов каждый). Контрольные биты помещаются в нижнюю часть куба, полученного на шаге 2, и мы получаем новый куб с 𝑛1×𝑘3×𝑛2 битами; (4) Кодируя, наконец, полученный куб на шаге 3 спереди назад, что то есть кодирование 𝑛1×𝑛2 столбцов с помощью кода 𝐶(3) (предыдущий куб состоит из 𝑛2 горизонтальных планов, содержащих 𝑛1 столбцов). Контрольные биты расположены сзади. Итак, последний куб, имеющий 𝑛1×𝑛2×𝑛3 бит, является кодовым словом.
Аналогичными рассуждениями в [14] можно показать, что параметры 3D-КПБ : (i) длина: 𝑛=𝑛1×𝑛2×𝑛3; (ii)размерность: 𝑘=𝑘1×𝑘2×𝑘3:( iii) минимальное расстояние Хэмминга; 𝑑=𝑑1×𝑑2×𝑑3.(iv)скорость: 𝑅=𝑅1×𝑅2×𝑅3=𝑘1/𝑛1×𝑘2/𝑛2×𝑘3/𝑛3.
Это показывает одно из лучших преимуществ блочных кодов продуктов: создание очень длинных блочных кодов с большим минимальным расстоянием Хэмминга путем объединения коротких кодов с небольшим минимальным расстоянием Хэмминга.
3. Элементарное декодирование линейных кодов
Пусть 𝑅=(𝑅1,…,𝑅𝑛) — поступившая на вход декодера последовательность двоичного линейного блокового кода 𝐶(𝑛,𝑘,𝑑) с порождающей матрицей 𝐺.
3.1. Декодер жесткого ввода-вывода
Шаг 1
Отсортировать элементы полученного вектора 𝑅 в порядке убывания величины. Это поставит надежные элементы в первые ряды, поскольку используется канал AWGN. Затем вектор переставляется таким образом, чтобы его первые 𝑘 координаты были линейно независимыми. Получаем вектор 𝑅=𝜋(𝑅)=(𝑅1,…,𝑅𝑛) такой, что |𝑅1|≥|𝑅2|≥⋅⋅⋅≥|𝑅𝑛|. Пусть 𝐺 будет перестановкой 𝐺 на 𝜋, то есть 𝐺=𝜋(𝐺).
Шаг 2
Проквантуйте первые 𝑘 битов 𝑅, чтобы получить вектор 𝑟, и случайным образом сгенерируйте (𝑁𝑖−1) информационных векторов по 𝑘 битов каждый. Эти векторы вместе с вектором 𝑟 образуют начальную популяцию из 𝑁𝑖 особей (𝐼1,…,𝐼𝑁𝑖).
Шаг 3
Закодируйте особей текущей популяции, используя 𝐺 для получения кодовых слов: 𝐶𝑖=𝐺⋅𝐼𝑖(1≤𝑖≤𝑁𝑖).
Затем вычислите приспособленность отдельных лиц, определяемую как евклидово расстояние между 𝐶𝑖 и 𝑅. Отсортируйте людей в порядке возрастания пригодности.
Шаг 4
Поместить первые 𝑁𝑒 особей (𝑁𝑒: номер элиты ≤𝑁𝑖) в следующую популяцию, которая будет пополняться потомками, сгенерированными с помощью операторов воспроизводства: выбор двух лучших особей в качестве родителей (𝑎,𝑏) с помощью следующее линейное ранжирование:
𝑊𝑖=𝑊max𝑊−2(𝑖−1)max−1𝑁𝑖−1,∀𝑖∈1,…,𝑁𝑖,(1)
где 𝑊𝑖 — 𝑖-й индивидуальный вес, а 𝑊max вес присваивается самому приспособленному (ближайшему) человеку.
, если Ранд <𝑝𝑐, Тогда FOLLLY беда {𝑁𝑒+1,…, 𝑁𝑖}, 𝑗∈ {1,…, 𝑘}: 𝐼𝑖𝑗 = ⎧⎪⎨⎪⎩𝑎𝑗ifrand <1 - 𝑎𝑗+𝑎𝑗𝑏𝑗 +𝑎𝑗−𝑏𝑗1+𝑒−4𝑅′𝑗/𝑁0𝑏𝑗иначе, (2) а потом, 𝐼𝑖𝑗=1−𝐼𝑖𝑗ifRand<𝑝𝑚, (3) else 𝐼𝑖=𝑎ifRand<0,5𝑏else, (4) end if
Повторите шаги 3 и 4 для 𝑁s поколений.
Шаг 5
Первая (наиболее приспособленная) особь 𝐷′ последнего поколения является ближайшей к 𝑅. Таким образом, принятое кодовое слово 𝐷=𝜋−1(𝐷).
3.2. Декодер мягкого ввода
В этом разделе мы представляем декодеры SO_GAD (GAD с программным выходом), используемые в качестве элементарного декодера в наших алгоритмах итеративного декодирования.
Пусть 𝐷 обозначает решение GAD входной последовательности 𝑅 и 𝑤 внешнюю информацию.
Пусть 𝐻(𝑗) будет кодовым словом, конкурирующим с 𝐷, соответствующим 𝑗-му биту, определяемому формулой 𝑝)≠𝐷𝑗, (5) где 𝑄(𝑝) — 𝑝-е кодовое слово последнего поколения, 𝑄𝑗(𝑝) и 𝐷𝑗 — 𝑗-е биты 𝑄(𝑝), 𝐷 и ‖.‖ — евклидово расстояние.
Алгоритм 1. (𝑤,𝐷)=SO_GAD(𝑘,𝑛,𝑅,𝑝𝑐,𝑝𝑚,𝑁𝑖,𝑁𝑔,𝛽). Алгоритм SO_GAD принимает на вход 𝑘,𝑛,𝑝𝑐,𝑝𝑚,𝑁𝑖,𝑁𝑔, коэффициент 𝛽. Этот коэффициент оптимизируется в соответствии с выбранным кодом и SNR для повышения производительности алгоритма.
для 𝑗 = 1 до 𝑛 DO
, если 𝐻 (𝑗) существует, тогда 𝑤𝑗 = 𝐷𝑗𝐷𝑗 (𝑗) ‖ — 𝑅-𝐷 -𝑅4 =𝐷𝑗𝑛𝐻𝑝=1,𝑝≠𝑗𝑝(𝑗)≠𝐷𝑝𝑅𝑃𝐷𝑝, (6) еще 𝑤𝑗𝐷=𝛽𝑗,(7)
где 𝐷𝑗=2𝐷𝑗−1.
end if
End for
Пусть 𝑁𝑠 будет параметром LBDA (𝑁𝑠≤𝑘), повышающим производительность декодирования [8]. Алгоритм SO_GAD принимает на вход 𝑘, 𝑛, 𝑝𝑐, 𝑝𝑚, 𝑁𝑖, 𝑁𝑔 и 𝑁𝑠. Этот параметр обычно выбирается равным ⌈2𝑘/3⌉ или 𝑘.
для 𝑗 = 1 до 𝑘 — do 𝑤𝑗 = 𝐷𝑗 || γ || 𝑛𝑙 = 𝑘 — 𝑁𝑠+1, 𝑙∈γ𝐷𝑙𝑤𝑙if𝑛𝑙 = 𝑘 — 𝑁𝑠+1, 𝑙 𝑙 ∈Γ𝐷𝑙𝑤𝑙𝑤≥0,𝑗=𝐷𝑗min𝑙∈Γ𝐷𝑙𝑤𝑙>0иначе, (8)
где Γ обозначает множество позиций 𝑗, где 𝐻(𝑗) существует .
Конец для
для 𝑗 = 𝑘 -𝑁𝑠+1 до 𝑛 do
, если 𝐻 (𝑗) существует, затем 𝑤𝑗 = 12𝐷𝑗𝑛𝑙 = 1𝐷𝑙. −𝐻𝑙(𝑗)𝑅𝑙−𝑅𝑗, (9) else 𝑤𝑗 = 𝐷𝑗 || γ || 𝑛𝑙 = 𝑘 — 𝑁𝑠+1, 𝑙∈γ𝐷𝑙𝑤𝑙if𝑛𝑙 = 𝑘 — 𝑁𝑠+1, 𝑙∈γ𝐷𝑙𝑤𝑙𝑤≥0, 𝑗 = 𝐷𝑗min𝑙∈γ 𝐷𝑙𝑤𝑙>0иначе (10)
где Γ обозначает множество позиций 𝑗, где 𝐻(𝑗) существует
конец если
конец для.
3.2.1. Расшифровка
Алгоритм SO_GAD использует GAD для декодирования входной последовательности 𝑅.
Кодовое слово решения 𝐷 является вершиной 𝑁𝑔-го поколения, отсортированного в порядке возрастания пригодности, а кодовое слово конкурента 𝐻(𝑗), соответствующее 𝑗-му биту 𝐷, если оно существует, является первым членом последнего поколения, которые имеют разные 𝑗й бит 𝐻𝑗(𝑗)(𝐻𝑗(𝑗)≠𝐷𝑗).
3.2.2. Внешняя информация
Кодовое слово решения 𝐷 и связанные кодовые слова конкурентов (𝐻(𝑗))1≤𝑗≤𝑛 используются для вычисления внешней информации по формулам (6) и (7) для первого алгоритма и (8) и (9) в случае второго.
4. Алгоритм итеративного декодирования и сложность
В этом разделе мы опишем алгоритм итеративного декодирования PBC на основе GAD (IGAD), затем покажем, что IGAD имеет полиномиальную временную сложность.
Пусть {𝐶(𝑖)(𝑛𝑖,𝑘𝑖,𝑑𝑖)}1≤𝑖≤3 обозначает три двоичных линейных блок-кода длины 𝑛𝑖, размерности 𝑘𝑖, минимального расстояния Хэмминга 𝑑𝑖 и порождающей матрицы 𝐺(𝑖).
4.1. Алгоритм итеративного декодирования
Пусть (𝑅𝑖𝑗𝑘)1≤𝑖≤𝑛2,1≤𝑗≤𝑛1,1≤𝑘≤𝑛3 — принятое кодовое слово.
На рисунках 2 и 3 показаны схемы итеративного декодирования ПВС на основе GAD для предложенных алгоритмов. Ниже приводится схема IGAD.
Алгоритм 3. ИГАД(𝑘1,
𝑘2,
𝑘3, 𝑛1,
𝑛2,
𝑛3,𝑅,
𝑝𝑐,
𝑝𝑚,
𝑁𝑖,
𝑁𝑔,
𝑁𝑖𝑡,
𝛼, {𝑁𝑠|𝛽}).
Алгоритм IGAD принимает как вход 𝑘1, 𝑘2, 𝑘3, 𝑛1, 𝑛2, 𝑛3, 𝑅, 𝑝𝑐, 𝑝𝑚, 𝑁𝑖, 𝑁𝑔, номер итерации 𝑁𝑖𝑡, коэффициенты (𝛼 (𝜃)) 0≤𝜃 <3𝑁𝑖𝑡. В случае первого алгоритма мы используем коэффициенты (𝛽(𝜃))0≤𝜃<3𝑁𝑖𝑡, а во втором используем параметр 𝑁𝑠. Коэффициенты 𝛼 и 𝛽 оптимизируются путем пошагового моделирования для каждого кода. Для второго алгоритма мы выбираем 𝛼 равным 0,5.
Шаг 1
Внешняя информация инициализация
𝜃=0, итерация=1.
Пусть 𝑤(𝜃)𝑖𝑗𝑘 — внешняя информация, переданная 𝜃-му элементарному декодеру другим декодером: 𝑤(0)𝑖𝑗𝑘=0,1≤𝑖≤𝑛2,1≤𝑗≤𝑛1,1≤𝑘≤𝑛3.(11) 2.1.
Декодирование с помощью SO_GAD 𝑗-го столбца и оценка внешней информации 𝑤(𝜃+1)𝑖𝑗𝑘, используя (6) и (7), каждого вектора 𝑠.
𝑗. на входе элементарного дешифратора:
(12)
и 2.3.
Повторите шаг 2.1 для декодирования строк и глубины и оценки внешней информации. Пусть 𝐷(𝜃+3) и 𝑤(𝜃+3) будут соответственно решением кубов и внешней информацией на выходе элементарного декодера глубины.
Этап 3
Итерация=Итерация+1; 𝜃=𝜃+1.
Конец пока.
Выберите определенное кодовое слово 𝐷(3𝑁𝑖𝑡) на 𝑁𝑖𝑡-й итерации.
Критерий остановки для второго алгоритма.
Поскольку декодер GAD всегда выбирает кодовое слово, нашему второму декодеру не нужно использовать декодер NCB (несходящийся блок), предложенный в [8]. Таким образом, его сложность будет снижена.
4.2. Анализ сложности
В этом разделе мы приводим и сравниваем выражения временной сложности исследуемых декодеров.
4.2.1. IGADs Временная сложность
Если не принимать во внимание этап вычисления внешней информации, два алгоритма имеют одинаковую временную сложность.
Алгоритм GAD для линейного блочного кода 𝐶(𝑛,𝑘) имеет полиномиальную временную сложность 𝑂(𝑓(𝑘,𝑛,𝑁𝑖,𝑁𝑔)), где функция 𝑓 задается формулой [12]𝑓𝑘,𝑛,𝑁𝑖, 𝑁𝑔=𝑘2𝑛+𝑁𝑖𝑁𝑔𝑘𝑛+log𝑁𝑖.(13)
Временная сложность IGAD1
(i) Временная сложность вычисления внешней информации: для каждого решения (строки, последнего или) на каждой итерации временная сложность поиска конкурентов в наихудшем случае равна 𝑂([𝑁𝑖−1]𝑛).
Из (6) временная сложность вычисления внешней информации в худшем случае (при наличии конкурента) на последнем поколении каждой итерации равна 𝑂(𝑛2). Таким образом, общая временная сложность вычисления внешней информации равна 𝑂(comp1(𝑁𝑖,𝑛)), гдеcomp1𝑁𝑖,𝑛=𝑁𝑖𝑛+𝑛2, (14)(ii) общая временная сложность:
На любой итерации IGAD1 первый элементарный декодер имеет временную сложность 𝑂(𝑘2𝑘3𝑓(𝑘1,𝑛1,𝑁𝑖,𝑁𝑔)), второй декодер имеет сложность 𝑂(𝑛1𝑘3𝑓(𝑘2,𝑛)2,𝑁𝑖,𝑖), и третий декодер имеет временную сложность 𝑂 (𝑛1𝑛2𝑓 (𝑘3, 𝑛3, 𝑁𝑖, 𝑁𝑔)), поэтому общая сложность является полиномиальной: 𝑂𝑁𝑖𝑡𝑘2𝑘3𝑔𝑘1, 𝑛1, 𝑁𝑖, 𝑁𝑔+𝑛1𝑘3𝑔𝑘2, 𝑛2 ,𝑁𝑖,𝑁𝑔+𝑛1𝑛2𝑔𝑘3,𝑛3,𝑁𝑖,𝑁𝑔,(15)
где𝑔𝑘,𝑛,𝑁𝑖,𝑁𝑔=𝑓𝑘,𝑛,𝑁𝑖,𝑁𝑔+comp1𝑁𝑖,𝑛.
(16)
Для симметричного 3D-PBC 𝑛1 = 𝑛2 = 𝑛3 = 𝑛 и 𝑘1 = 𝑘2 = 𝑘3 = 𝑘, тогда сложность времени IGAD1 становится 2+𝑛2𝑘+𝑘𝑛2𝑛+𝑁𝑖𝑁𝑔𝑘𝑛+𝑛𝑁𝑖+𝑛𝑁𝑖 𝑛2 .(17)
Временная сложность IGAD2
(i) Временная сложность вычисления внешней информации: Максимальное количество участников каждого решения равно |Γ|max=𝑛. Таким образом, на последнем поколении каждой итерации временная сложность первого шага в наихудшем случае, заданная (8), равна )=𝑂(𝑛(𝑘−𝑁𝑠)).
Из (9) временная сложность поиска конкурентов в наихудшем случае равна 𝑂([𝑁𝑖−1](𝑛−𝑘+𝑁𝑠)).
Из (9) и (10) временная сложность в худшем случае второго шага вычисления внешней информации равна 𝑘+3,2𝑛+1))=𝑂𝑛−𝑘+𝑁𝑠.(18)
Таким образом, общая временная сложность вычисления внешней информации равна 𝑂(comp2(𝑁𝑖,𝑛,𝑁𝑠,𝑘)), гдеcomp2𝑝 ,𝑛,𝑁𝑠,𝑘=𝑁𝑖𝑛−𝑘+𝑁𝑠+𝑛2,(19)(ii)общая временная сложность:
Суммарная сложность в этом случае определяется из (16):
Для симметричного 3D-PBC 𝑛1 = 𝑛2 = 𝑛3 = 𝑛 и 𝑘1 = 𝑘2 = 𝑘3 = 𝑘, тогда сложности времени IGAD2 становится 2+𝑛2 × 𝑘+𝑘𝑛2𝑛+𝑁𝑖𝑁𝑔𝑘𝑛+log𝑁𝑖+𝑁𝑖𝑛 −𝑘+𝑁𝑠+𝑛2.
(21)
Из (17) и (21) видно, что ИГАД2 менее сложен, чем ИГАД1, и их сложности равны, если 𝑁𝑠=𝑘.
4.2.2. Алгоритмы Чейза-Пиндиа и LBDA Временная сложность
Мы показываем, что этот алгоритм имеет экспоненциальную временную сложность. Пусть 𝐶(𝑛,𝑘,𝑑) будет кодом BCH , а пусть 𝑀 будет номером тестового шаблона, используемого как в алгоритмах Chase, так и в алгоритмах OSD-𝑖 (упорядоченное статистическое декодирование). Сложность каждого алгоритма равна 𝑂(𝑀𝑛2log2𝑛).
Вычисление евклидова расстояния для каждого кодового слова имеет вычислительную сложность 𝑂(𝑛). Таким образом, общая временная сложность декодирования и вычисления пригодности 𝑀 тестовых шаблонов равна 𝑂(𝑀𝑛2log2𝑛).
На любой заданной итерации декодирования алгоритма Чейза-Пиндиа этап сортировки 𝑀 пригодности имеет временную сложность 𝑂(𝑀log2𝑀), а временная сложность поиска конкурентов в наихудшем случае равна 𝑂([𝑀−1]𝑛 ). Таким образом, общая временная сложность алгоритма Chase-Pyndiah IS𝑂𝑁𝑖𝑡𝑘2𝑘3𝐹𝑛1, 𝑘1, 𝑡1+𝑘3𝑛1𝐹𝑛2, 𝑘2, 𝑡2+𝑛1𝑛2𝐹𝑛3, 𝑘3, 𝑡3, (22)
где 𝑛𝐹(𝑛,𝑘,𝑡)=𝑀2log2𝑛+log2𝑀.
(23)
Таким образом, в случае 𝑛1 = 𝑛2 = 𝑛3 = 𝑛, 𝑘1 = 𝑘2 = 𝑘3 = 𝑘 и, экспоненциальная временная сложность двух алгоритмов IS𝑂𝑁𝑖𝑡𝑀𝑛2+𝑘2+𝑘𝑛log2𝑀+𝑛2log2𝑛.. (24)
Обратите внимание, что в случае алгоритма Чейза-2 𝑀=2𝑡, где 𝑡=⌊(𝑑−1)/2⌋.
Из (17) и (24) видно, что IGAD1 и IGAD2 менее сложны, чем два алгоритма Чейза-Пиндиа и LBDA для кодов с большой корректирующей способностью 𝑡 или с большим параметром 𝑖, а также с большой длиной и низкой скоростью .
5. Результаты моделирования
На рисунках в этом разделе показана зависимость частоты ошибок по битам (BER) от отношения энергии на бит к спектральной плотности мощности шума 𝐸𝑏/𝑁0 для симметричного 3D-PBC (16, 11, 4) 3 и (31 , 21, 5) 3 . Параметры моделирования, используемые в IGAD, приведены в таблице 1.
5.1. ИГАД1 Выступления
5.1.1. Оптимизация коэффициентов масштабирования для IGAD1
По мере увеличения числа итераций внешняя информация постепенно становится более надежной.
Чтобы учесть эффект, используются коэффициенты масштабирования 𝛼, чтобы уменьшить влияние входного сигнала турбодекодера. Было показано, что эти факторы зависят от кода и ГТР. Таким образом, они поэтапно оптимизируются для каждого кода. Оптимизированные значения 𝛼 и 𝛽 для нашего алгоритма показаны в таблице 2. Однако по мере того, как коэффициенты масштабирования 𝛼 и 𝛽 постепенно увеличиваются или уменьшаются от оптимальных значений, производительность декодирования декодера IGAD1 снижается. На рис. 4 показан коэффициент усиления с оптимизированными значениями 𝛼 для (16, 11, 4) 3 по сравнению со значениями, взятыми случайным образом. Используемые значения генетических параметров: 𝑁𝑔=18, 𝑁𝑖=35, 𝑝𝑐=0,97 и 𝑝𝑚=0,03.
5.1.2. Влияние оцениваемых кодовых слов Число
В целом, при увеличении количества оцениваемых кодовых слов 𝑁𝑖𝑁𝑔 вероятность найти кодовое слово, наиболее близкое к входной последовательности, становится высокой. Это позволяет улучшить характеристики BER.
Влияние увеличения числа оцениваемых кодовых слов на улучшение BER для кода (16, 11, 4) 3 на 12-й итерации представлено на рисунках 5 и 6. Значения 𝑁𝑔=18 и 𝑁𝑖=60 могут быть оптимальными значениями в большом диапазоне 𝐸𝑏/𝑁0. Другие генетические параметры для первой оптимизации: 𝑁𝑖=35, 𝑝𝑐=0,97, и 𝑝𝑚=0,03; 𝑁𝑔=18, 𝑝𝑐=0,97, и 𝑝𝑚=0,03 для второго.
5.1.3. Эффект перекрестной скорости
Так как перекрестная скорость является одной из важных характеристик генетического алгоритма, необходима оптимизация этой вероятности. На рис. 7 показано оптимизированное значение 𝑝𝑐=0,9.7 для (16, 11, 4) 3 3D-PBC , который улучшает BER при довольно высоком ОСШ и на 12-й итерации. Это значение, близкое к 1, означает, что IGAD1 требует широкого изучения и эффективного использования, но несколько увеличивает сложность алгоритма. Действительно, когда 𝑝𝑐 близко к 0, операция кроссовера будет происходить редко. Для этого моделирования мы зафиксировали другие параметры следующим образом: 𝑁𝑔=18, 𝑁𝑖=60 и 𝑝𝑚=0,03.
5.1.4. Эффект скорости мутации
Влияние скорости мутации на IGAD1 для BCH (16, 11, 4) 3 3D — PBC изображен на рисунке 8. показано, что 𝑝𝑚=0,05 является оптимальным значением для BER при высоком ОСШ и на 12-й итерации. Одной из причин этого значения, близкого к 0, может быть стабильность членов вблизи оптимумов для низких скоростей мутаций. Фиксированные значения: 𝑁𝑔=18, 𝑁𝑖=60 и 𝑝𝑐=0,97.
5.1.5. Влияние скорости кода
На рисунке 9 показано улучшение/ухудшение характеристик BER IGAD1 на 12-й и 15-й итерациях соответственно при уменьшении/увеличении размерности кода или скорости кода. Ставка 0,31 из (31, 21, 4) 3 меньше, чем у (16, 11, 4) 3 , что равно 0,32. Это объясняет лучшие характеристики для первого кода 3D-PBC в диапазоне 𝐸𝑏/𝑁0≥2,5 дБ. В этом моделировании мы приняли ранее найденные оптимальные значения:
5.1.6. Сравнение IGAD1 и IGAD2
По мере увеличения количества итераций производительность IGAD примерно улучшается в этой статье во всем диапазоне 𝐸𝑏/𝑁0 для всех 3D-PBC учился.
Характеристики декодеров IGAD показаны на рисунке 10 для BCH (16, 11, 4) 3 3D-PBC . Эти характеристики можно улучшить, увеличив общее количество элементов, как показано на рисунке 6. Характеристики IGAD1 и IGAD2 соответственно примерно на 1,4 дБ и 1,33 дБ от предела мощности Шеннона, который составляет 0,97 дБ для этого кода. Мы использовали следующие оптимизированные параметры: 𝑁𝑔=18, 𝑁𝑖=60, 𝑝𝑐=0,97 и 𝑝𝑚=0,05.
6. Заключение
В этой статье мы представили два алгоритма итеративного декодирования, которые могут быть применены к любым произвольным блочным кодам 3D-продуктов на основе генетического алгоритма без необходимости жесткого декодера. Наши теоретические результаты показывают, что эти алгоритмы снижают сложность декодирования для кодов с низкой скоростью и большой корректирующей способностью 𝑡 или большим параметром 𝑖, используемым в алгоритме LBDA. Кроме того, производительность этих алгоритмов можно улучшить, используя асимметричный 3D-PBC 9.