水声语义通信仿真实验设计

水声信道面临带宽资源有限和环境噪声复杂等局限,难以保证水声通信的高效性和可靠性。语义通信的微量性和鲁棒性表明其具有提升水声通信性能的潜力。为了验证基于语义通信革新水声通信的可行性,设计了一种水声语义通信仿真实验方案。发送端以文本为信源,提取文本的语义特征并以知识图谱表征,实现信息的微量表达,为数据的高效传输提供了有效途径;接收端借助深度学习技术将语义特征重构为文本,实现信息的鲁棒性重构,为数据的可靠传输提供了有力保障。仿真实验结果表明,与传统水声通信方案相比,水声语义通信方案具有微量表达和鲁棒传输等技术优势,形成了克服水声信道窄带宽和低信噪比等困难的全新水声通信制式。

面向带宽受限场景的高效语义通信方法

语义通信为通信系统优化和性能提升提供了新的研究角度,然而,目前语义通信的研究忽略了通信开销的影响,未考虑语义通信性能和通信开销的关系,导致带宽资源受限时语义通信性能难以提升。为此,针对带宽受限场景,提出一种基于信息瓶颈的语义通信方法。首先,该方法采用Transformer模型进行语义和信道联合编解码,并设计特征选择模块以识别和删除冗余语义信息,构建了端到端语义通信模型;进而考虑语义通信性能与通信开销之间的折衷关系,基于信息瓶颈理论设计损失函数,在保证语义通信性能的同时,降低通信开销,完成语义通信模型的训练和优化。实验结果显示,在欧洲议会平行语料库上,与基线模型相比,所提方法在保证通信性能的同时可降低约20%~30%的通信开销,在相同带宽条件下该方法的BLEU分数可提升约5%。实验结果表明,所提方法可以有效降低语义通信开销,从而提升带宽资源受限场景下的语义通信性能。

融合知识图谱的语义通信系统

知识的理解与处理是语义通信研究的关键问题之一。针对现有语义通信系统在知识表示和知识处理方面的不足,提出了一种融合知识图谱的语义通信框架。在这一框架中,定义了统一语义表示空间的概念,知识库中的实体和接收信号被映射到该空间中,并通过基于对比学习的训练过程以建立关联。在通信过程中,接收端会根据接收到的信号从知识库中检索与之相关的实体,随后通过推理和预测来揭示这些实体之间的关系,从而为解码过程提供有效的辅助信息,同时实时更新知识库。此外,还探讨了基于大语言模型进行数据增强的方案。最后,进行了仿真实验,相较于未经知识增强的语义通信系统,所提系统在较低信噪比下能够取得5%左右的性能提升。结果表明所提系统能够有效地提取相关知识,从而增强语义通信系统接收端的解码能力。

基于大语言模型的语义通信:现状,挑战与展望

语义通信有望成为下一代无线网络关键技术之一。但现有语义通信方案仍面临几个问题,如语义难以数学建模与优化、系统语义理解能力有限。大语言模型的出现为解决这些问题提供了可能性。首先回顾了基于深度学习的语义通信,接着分析了将大语言模型应用于语义通信的优势,包括在语义理解和生成等方面的突出表现。随后详细介绍了基于大语言模型的语义通信的最新进展,展示了该技术在提升系统的语义解析能力、提高信息传输效率方面的显著成果。然而,这种方法仍面临一些开放性问题,包括计算和资源需求、适应性和泛化性、大模型幻觉、以及数据隐私和安全性等挑战。最后,讨论了基于大语言模型的语义通信可能的应用场景,如数据爆发式传输、人机通信以及在恶劣环境下的通信,展示了其在多个领域中的潜在价值和广泛应用前景。

智能反射面增强的多无人机辅助语义通信资源优化

无人机(Unmanned Aerial Vehicle,UAV)为无线通信系统提供了具有高成本效益的解决方案。进一步地,提出了一种新颖的智能反射面(Intelligent Reflecting Surface,IRS)增强多UAV语义通信系统。该系统包括配备IRS的UAV、移动边缘计算(Mobile Edge Computing,MEC)服务器和具有数据收集与局部语义特征提取功能的UAV。通过IRS优化信号反射显著改善了UAV与MEC服务器的通信质量。所构建的问题涉及多UAV轨迹、IRS反射系数和语义符号数量联合优化,以最大限度地减少传输延迟。为解决该非凸优化问题,本文引入了深度强化学习(Deep Reinforce Learning,DRL)算法,包括对偶双深度Q网络(Dueling Double Deep Q Network,D3QN)用于解决离散动作空间问题,如UAV轨迹优化和语义符号数量优化;深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)用于解决连续动作空间问题,如IRS反射系数优化,以实现高效决策。仿真结果表明,与各个基准方案相比,提出的智能优化方案性能均有所提升,特别是在发射功率较小的情况下,且对于功率的变化,所提出的智能优化方案展示了良好的稳定性。

面向语义通信的信道知识库构建与信道处理研究综述

语义通信基于共享语义知识库辅助,提取信源语义特征进行编码传输,实现信息的“达意”传递,被认为是应对6G愿景的使能技术之一。为了构建高效、鲁棒的语义通信系统,深入研究语义通信中涉及无线信道建模与处理的相关内容必不可少,如挖掘信道特征以指导语义编/译码、对抗信道衰落与噪声以抑制语义信息误解等。旨在综述面向语义通信涉及无线信道建模与处理的研究进展,在概述语义通信原理基础上,总结了语义通信中涉及无线信道建模与处理的三个方面,包括信道知识库构建、物理信道处理和语义信道处理,综述了相关方面的研究方法与进展。结合已有研究成果,探讨了信道知识库构建和信道处理存在的挑战并展望了其未来发展方向。

人工智能驱动的跨模态语义通信系统

概述了跨模态语义通信的相关研究背景,具体包括语义通信面临的两大挑战、跨模态通信的核心思想,以及跨模态语义通信具有的优势与存在的研究空白。针对跨模态语义通信尚存在的研究空白,在人工智能技术的驱动下,提出跨模态语义通信系统架构,详细介绍了跨模态语义通信的核心思想、关键技术,以及实践落地中需要考虑的重要因素,探讨了跨模态语义通信系统的应用场景以及存在的挑战。

基于联邦学习的图像语义通信系统

作为一种全新的通信范式,语义通信旨在提取并传递数据源中的语义信息而不是符号级的精确传输,极大地提高了通信效率,为6G移动通信提供了新思路。针对未来万物智联场景,为实现模型在多用户之间有效训练、动态更新、及时分发,同时在提供隐私保护的前提下充分利用广泛分布的用户数据,首先构建基于自编码器的图像语义通信系统,然后提出利用联邦学习对语义通信系统进行分布式的训练、更新和分发,为了进一步减少学习过程中模型频繁更新带来的巨大通信负载,根据模型更新前后参数差值动态范围较小(-0.1~0.1)的特点,提出针对模型差值更新的、包含放大,取整,边界限制,缩小共4步的量化方案。仿真结果表明,通过联邦学习训练得到的语义通信模型在图像恢复以及下游语义任务两方面的性能均接近集中训练的,且所提的量化方案在几乎不影响模型性能的情况下减少模型更新过程75%的通信负载。

视频会议环境下面向语义通信的高鲁棒视频重建方法

在传统的视频会议场景中,如果用户网络带宽不足,就会出现严重的时延,卡顿现象,从而导致用户体验较差。与此同时,随着深度学习等技术的发展,目前已经出现了效果逼真的视频重建方法。现有的基于深度学习的视频重建方法可以很好地解决传统视频会议技术的带宽不足问题,其基于语义通信有广阔的应用前景,然而,当前视频重建方法在面部大幅扭动情况下重建效果差。针对这一挑战,提出了一种视频会议环境下面向语义通信的高鲁棒视频重建方法。首先,改进了现有的视频重建算法,引入来自于原始视频的压缩语义特征构建了新的面向语义的视频重建模型,其次,针对视频会议场景,提升了重建分辨率并设计了完整的视频重建方法。最后,实验和仿真结果表明,所提方法相比于传统视频会议方案降低了约三分之二的带宽,同时所提方法的重建效果,相比于当前基于深度学习的视频重建效果更具有鲁棒性,验证了所提视频重建方法的性能优势。

面向6G卫星通信的语义通信技术展望

针对6G星地覆盖场景高动态、远距离、时变、资源有限等受限传输条件,实现基于语义通信的信息高效提取、信息可靠恢复及网络无缝覆盖扩展是有效路径。探讨了基于语义通信的卫星通信系统的链路结构,拓展了面向星地传输的语义通信的高效信息提取和可靠信息恢复方案,以增强星地传输能力,并研究了基于语义通信的卫星中继方案的传输性能。认为未来应积极研究语义通信基础理论及关键技术,深挖语义通信对面向6G卫星通信的支撑作用,使基于语义通信的6G卫星通信系统赋能更多应用场景。

语义引导的水下带噪语音通信

针对狭窄带宽的多径水声信道和信源噪声干扰导致的退化语音,提出了一种语义引导的水下带噪语音通信系统,实现了噪声环境下高效鲁棒的语音通信。首先,通过引入语音去噪网络降低了信源噪声的影响。系统通过传输语音的语义信息,实现了语音信号的极限压缩。针对信道噪声对数据的损伤,使用语义纠错模块在接收端对退化的语义特征进纠错,从而提高重建语音的可理解性。此外,结合多阶段训练策略的退化知情模型进一步增强所提方法在水声信道中的鲁棒性和泛化性。最后,在语音重建过程中使用多感受野-挤压激励融合模块以捕获语义特征中的全局语义信息,优化重建语音的可理解性。仿真实验结果表明,该方法在极低码率压缩的情况下,在复杂的噪声环境和不同的水声信道条件中,具有良好的重建性能。

基于语义通信的协同感知系统

相较于单车感知,协同感知具有更广的感知范围,在自动驾驶进行3D目标检测中发挥着越来越重要的作用。通过V2V通信技术,网联自动驾驶车辆可以共享它们的传感信息(LiDAR点云)以实现协同感知。采用重要性图来提取重要语义信息,并提出了一种具有中间融合功能的创新的协同感知语义通信方案。同时,所提出的架构可以扩展到具有挑战性的时变多径衰落信道。为了减轻时变多径衰落引起的失真,采用了结合信道估计和信道均衡的显式正交频分复用模块。仿真结果表明,所提出的模型在各种信道模型上都优于传统的信源信道分离编码。此外,鲁棒性研究表明,对于协同感知,只有部分语义信息至关重要。尽管所提模型仅在一个特定信道上进行了训练,但它能学习到对各种信道模型都具有鲁棒性的语义信息的编码表示,展示了其通用性和鲁棒性。

面向多任务的语义通信架构设计与实现

以路况实时监控视频为例,展示了将SVC应用于WebRTC-SVC中时的性能。将信息分在基础层和增强层两个通道来进行传输,在基础层中传输语义信息,而在增强层中传输背景信息。此外提出一种基于SMDC的高效压缩方法,通过语义运动分析来识别关键帧实现压缩,同时设计插值机制弥补流畅性损失。通过WebRTC-SVC和SMDC算法大大降低了机器视觉识别场景下的带宽需求。端到端测试证明,相比H.264,此方法在WebRTC场景下更高效,即使在较低比特率下也能传输高质量视频。

AIGC赋能的图像语义通信系统

语义通信(SC,Semantic Communication)是一项旨在突破香农极限的前沿技术。传统的SC策略通常侧重于减少原始数据与重建数据之间的信号失真,而忽略感知质量。为解决这一问题,提出了一种基于人工智能生成内容(AIGC,Artificial Intelligence Generative Content)技术的图像语义通信系统,该系统采用经典的DeepJSCC网络结构,有效降低通信资源消耗,并将扩散模型(DM,Diffusion Model)部署在解码器中,利用其强大的分布映射能力估计一个紧凑的条件向量指导解码端的图像恢复,从而合成高保真的交付图像。此方法提高了数据传输的效率,优化了从有损信号中恢复复杂语义内容的能力,从而在资源有限的无线网络中提供更智能的通信服务。实验结果表明,与现有方法相比,提出的ISC-G在高分辨率的数据集中表现出优越的传输有效性和通信内容质量。

蜂窝语义通信系统资源分配的研究

现有以香农信息论为基础的现代无线通信技术已经无法满足爆发式增长的数据传输需求,以“达意”为目标的语义通信有望突破香农极限的约束。面向蜂窝语义通信系统,分析传统蜂窝网络资源分配以及基于语义的无线资源分配通信范式、性能收益,研究资源分配模型的有效性、可靠性、频谱效率以及传输效率,从可分配的资源和性能评价这两个角度分别研究了传统蜂窝网络和语义通信网络资源分配的优化目标,归纳整理了现有语义通信资源分配方案的应用场景及研究方法。

基于语义通信的多源数据融合与重建

6G网络需处理多模态数据并满足高实时性要求。随着数据流量快速增长,传统通信模式面临诸多挑战。语义通信通过在语义层面传递有意义的信息,有效减少带宽需求并提升通信效率,展现了巨大的应用前景。然而,现有的语义通信方案主要针对单一数据源,难以满足6G网络对多样化数据的传输需求。为此,设计了一种新型的多源数据融合语义通信系统。该系统通过在发射端融合不同数据源的语义特征,并在接收端重构这些特征,有效消除了数据间的冗余。实验结果表明,与传统的单一数据源通信方法相比,所提数据融合系统在相同带宽下具有更优性能,且在较低带宽条件下表现更加突出。

基于多址接入的多任务语义通信编码框架

语义通信作为一种新兴的通信范式,在提高通信传输效率等方面具有潜力。基于此,在语义通信背景下结合多址接入与多任务学习,提出了一个在多址接入场景下可以实现多个下游任务执行的语义通信框架MAMTSC,使用联合信源信道编码器与联合信源信道-任务解码器在用户与用户之间、任务与任务之间复用语义信息,提高传输效率。该框架设计了能够处理多种下游任务的多址接入网络,并在两用户、语义分割和深度估计的图像语义通信场景中进行仿真实验,通过和速率-失真的表现验证了其有效性。在低信噪比情况下,提出的方案相比于传统编码方法在语义分割的平均交并比参数上,最多可取得18%的提升。

面向智慧交通系统的语义通信框架

智慧交通系统是物联网的重要应用领域之一,其依靠先进的信息处理和无线通信技术实时回传道路图像数据,以实现各类机器任务辅助城市交通的智能化管理。面向任务的语义通信可将机器任务需求融合进信息处理中,有望成为物联网的新通信范式,并有效地支持智慧交通系统的无线通信需求。然而,现有的语义通信框架以图像的高质量重建为目标,不能紧密地耦合下游机器任务,以实现高效的面向任务通信。因此,提出了一种面向任务的语义通信框架,该框架联合基于神经网络的语义编码和传统的数字化信道编码,以实现数字化的语义传输。此外,所提的语义通信框架基于自适应编码控制器,可根据下游任务需求和当前信道条件进行自适应联合语义-信道编码,从而实现面向任务的高效语义传输。仿真分析表明,相比传统无线通信框架,所提的语义通信框架在不同的信噪比条件下,均能更好地完成智慧交通系统中的下游机器任务。

6G时代的语义通信技术浅析

基于AI技术,语义通信关注信息的真正含义,重在“理解和消化”,去除冗余数据,大幅提升通信系统的传输效率。语义通信是通信系统设计思想、理念的彻底变革,为未来通信带来全新的思路,将从根本上改变传统通信技术体系。本文首先介绍了语义通信的背景、概念、系统架构和优势,然后探讨了语义通信如何助力6G,最后阐述了语义通信面临的挑战。

加密语义通信系统的密钥大小研究

语义通信旨在精确地传达通信符号背后的含义,实现语义信息的交换。加密语义通信采取了各种方式保护这些语义信息,其中密钥大小是关键的性能指标。传统的加密系统要求密钥大小不小于信源的熵,使得窃听者无法推断出任何信息。语义加密系统中的密钥大小并不需要这么大,最小可以达到语义熵,因此采用语义加密系统可以显著减小密钥大小。传统的语义加密方式是先进行语义加密,然后进行语义信源编码的加密-语义系统,该系统的密钥大小不小于信源的熵。因此,采用先进行语义信源编码,然后进行语义加密的语义-加密系统,可以显著减小密钥大小。比较了语义-加密系统与传统的加密-语义系统方法在MNIST数据集上的实验效果,仿真结果表明,语义-加密系统可以在使用较小的密钥情况下保护语义信息。