Preview

Science. Innovations. Technologies

Advanced search

Error correction in the transmission and processing of information, provided in RNS, by method of syndrome decoding

Abstract

In article conducted the development of the method of syndrome decoding error correction codes in the RNS, based on the method of expanding the bases RNS. Presents the basics of excess RNS. Considered the most widely used algorithms for detecting, locating and correcting errors in the RNS, as well as concrete examples of their use. For the examined methods conducted an analysis and comparison, shows the main advantages and disadvantages. Shown the complete algorithm for error correction in information and control bases by the syndrome decoding method and examples of its practical application. It is shown that using error syndromes can reduce the time of error correction. This is due to the fact that the task of identifying, locating and correcting errors performed a common procedure . The computational complexity of the method of decoding the syndrome is much less than the widely used method of projection since projection method requires n + 1 the procedure of transfer number of RNS in generalized positional number system, whereas the syndrome decoding method requires the translation in generalized positional number system only once.

About the Authors

Nikolay Ivanovich Chervyakov
North Caucasus Federal University
Russian Federation


Nikolay Nikolaevich Nagornov
North Caucasus Federal University
Russian Federation


References

1. Червяков Н.И., Галкина В.А., Стрекалов Ю.Ф., Лавриненко С.В. Архитектура адаптивной параллельно-конвейерной нейронной сети для коррекции ошибок в модулярных нейрокомпьютерных системах // Нейрокомпьютеры: разработка, применение. 2003. № 6. С. 47-60.

2. Червяков Н.И., Сахнюк П.А., Шапошников А.В., Макоха А.Н. Нейрокомпьютеры в остаточных классах. М.: Радиотехника, 2003. 272 с.

3. Червяков Н.И., Сахнюк П.А., Шапошников А.В., Ряднов С.А. Модулярные параллельные вычислительные структуры нейропроцессорных систем. М.: Физматлит, 2003. 288 с.

4. Червяков Н.И. Методы и принципы построения модулярных нейрокомпьютеров // 50 лет модулярной арифметике: сборник трудов Юбилейной Международной научно-технической конференции. М.: Ангстрем, МИЭТ, 2006. С. 239-249.

5. Лавриненко С.В. Разработка отказоустойчивого мультинейропроцессора цифровой обработки сигналов: дис.. канд. техн. наук: 05.13.01. Ставрополь, 2008. 252 с.

6. Акушский И.Я., Юдицкий Д.И. Машинная арифметика в остаточных классах. М.: Советское радио, 1968. 440 с.

7. Амербаев В.М., Балака Е.С., Тельпухов Д.В., Соловьев Р.А. Применение информационной избыточности для повышения надежности арифметического узла вычислительного элемента бимодульной арифметики // I-я Международная конференция «Параллельная компьютерная алгебра и ее приложения в новых инфокоммуникационных системах - 2014»: сборник научных трудов. Ставрополь: Фабула, 2014. С. 347-358.

8. Червяков Н.И., Макоха А.Н., Сахнюк П.А. Дискретная математика. М.: Физматлит, 2005. 368 с.

9. Червяков Н.И., Шапошников А.В., Сахнюк П.А. Модель и структура нейронной сети для реализации арифметики системы остаточных классов // Нейрокомпьютеры: разработка, применение. 2001. № 10. С. 6-12.


Review

For citations:


Chervyakov N.I., Nagornov N.N. Error correction in the transmission and processing of information, provided in RNS, by method of syndrome decoding. Science. Innovations. Technologies. 2015;(2):15-40. (In Russ.)

Views: 90


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 License.


ISSN 2308-4758 (Print)