这篇文档属于类型a，即报告了一项原创研究的学术论文。以下是针对该文档的学术报告：

作者与机构
本文的主要作者包括Guochen Ma、Xiaopeng Jiao、Jianjun Mu、Hui Han和Yaming Yang，他们均来自西安电子科技大学计算机科学与技术学院。该研究发表在2024年10月的《IEEE Transactions on Communications》期刊上，具体卷号为第72卷第10期，页码为5945-5958。

学术背景
本研究的主要科学领域是通信系统中的编码与解码技术，特别是针对插入和删除错误（insertion and deletion errors）的标记码（marker codes）检测算法。插入和删除错误是通信和存储系统中常见的同步错误，可能导致严重的通信故障。传统的纠错码无法有效应对这类错误，因此开发针对插入和删除错误的编码和解码算法具有重要的研究价值。本文的研究动机在于，现有的标记码解码算法依赖于完美的信道状态信息（Channel State Information, CSI），即插入和删除概率的准确信息。然而，在实际应用中，完美的CSI往往难以获取，或者信道模型本身未知，这导致传统算法的性能显著下降。为了解决这一问题，本文提出了两种基于深度学习的CSI无关的标记码检测算法，旨在提高在CSI不确定性或未知信道模型下的检测性能。

研究流程
本研究分为以下几个主要步骤：
1. 问题定义与算法设计
首先，研究团队明确了标记码在插入和删除信道中的解码问题，特别是CSI不确定性对传统算法性能的影响。基于此，他们提出了两种深度学习算法：
- 模型驱动的深度学习方法（Model-driven Deep Learning）：通过深度展开（deep unfolding）技术，将传统的迭代检测算法转化为神经网络。CSI被转化为神经网络的权重，并通过训练数据学习这些权重。
- 数据驱动的方法（Data-driven Method）：基于双向门控循环单元网络（Bidirectional Gated Recurrent Unit, Bi-GRU）构建端到端系统。

1. 算法实现与优化

   • 对于模型驱动的方法，研究团队设计了名为FBNet的神经网络。该网络通过展开前向-后向算法（Forward-Backward Algorithm, FB Algorithm）并共享每层的权重，构建了一个定制的循环神经网络（Recurrent Neural Network, RNN）。
     
   • 对于数据驱动的方法，研究团队设计了名为FBGRU的神经网络，使用Bi-GRU单元和全连接神经网络（Fully Connected Neural Network, FC-NN）模块进行符号检测。
     

2. 实验设置与数据生成
   研究团队生成了大量的训练和测试数据集，用于验证所提算法的性能。具体包括：

   • 使用两种不同的LDPC码（低密度奇偶校验码）进行实验，分别为(273,191)随机LDPC码和(648,540)准循环LDPC码。
     
   • 通过模拟插入和删除信道生成接收序列，并将其作为训练和测试数据。
     

3. 性能评估与比较
   研究团队通过比特错误率（Bit Error Rate, BER）评估了所提算法在不同信道条件下的性能，并与传统的FB算法进行了比较。实验分为以下几种情况：

   • 完美CSI下的性能比较。
     
   • CSI不确定性下的性能比较。
     
   • 未知信道模型下的性能比较，特别是针对弱突发插入和删除信道（Weakly Burst Insertion and Deletion Channel, WB-IDC）的性能测试。
     

主要结果
1. FBNet的性能
- 在CSI不确定性下，FBNet的性能显著优于传统的FB算法，且接近完美CSI下的FB算法性能。
- 在弱突发信道下，FBNet的性能较差，表明其在非随机插入和删除信道中的局限性。

1. FBGRU的性能

   • FBGRU在CSI不确定性下表现出色，且在弱突发信道下的性能优于FBNet和传统FB算法。
     
   • 随着训练数据量的增加，FBGRU的性能逐渐接近完美CSI下的FB算法。
     

2. 综合比较

   • 在随机插入和删除信道中，FBNet因其训练速度快和参数少，是一个理想的选择。
     
   • 在未知信道模型中，FBGRU因其数据驱动的特性，表现出更强的鲁棒性。
     

结论
本研究提出了两种基于深度学习的标记码检测算法，分别通过模型驱动和数据驱动的方式解决了CSI不确定性和未知信道模型下的性能下降问题。FBNet在随机信道中表现出色，而FBGRU在更复杂的信道条件下具有显著优势。这些算法为未来的存储系统（如DNA存储和赛道存储器）提供了潜在的应用价值。

研究亮点
1. 创新性算法：首次将深度学习技术应用于标记码的插入和删除信道检测，提出了FBNet和FBGRU两种新颖的神经网络架构。
2. 性能优势：在CSI不确定性和未知信道模型下，所提算法显著优于传统方法。
3. 应用潜力：为未来的存储和通信系统提供了新的解决方案，特别是在DNA存储等新兴领域。

未来研究方向
1. 联合检测与解码：将FB检测与LDPC解码结合，设计更高效的联合算法。
2. 基于Transformer的接收器：探索Transformer在标记码检测和解码中的应用，以进一步提升性能。

这篇报告详细介绍了该研究的背景、方法、结果和意义，为相关领域的研究者提供了全面的参考。