CN114765568A - 一种面向语义通信系统的多址接入方法及装置 - Google Patents
一种面向语义通信系统的多址接入方法及装置 Download PDFInfo
- Publication number
- CN114765568A CN114765568A CN202210339927.2A CN202210339927A CN114765568A CN 114765568 A CN114765568 A CN 114765568A CN 202210339927 A CN202210339927 A CN 202210339927A CN 114765568 A CN114765568 A CN 114765568A
- Authority
- CN
- China
- Prior art keywords
- data
- processing unit
- data processing
- semantic
- multiple access
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000006854 communication Effects 0.000 title claims abstract description 86
- 238000004891 communication Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 110
- 230000005540 biological transmission Effects 0.000 claims abstract description 29
- 238000011084 recovery Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 18
- 238000013136 deep learning model Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 241000702287 Sugarcane streak virus Species 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03159—Arrangements for removing intersymbol interference operating in the frequency domain
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
- G10L15/1822—Parsing for meaning understanding
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种面向语义通信系统的多址接入方法及装置，该方法包括：多个不同的发送节点在需要发送数据时，先通过第一数据处理单元将待发送的第一数据变换为互相近似正交的第二数据；发送节点将第二数据发送至接收端；若发送的第二数据数量大于1，则在传输过程中多个第二数据混叠为一个第三数据；多个接收端接收到数据后，第二数据处理单元利用第二数据间正交性自动剔除无用信息的干扰，并进一步完成目标数据的恢复或智能推理任务。本发明的技术方案可完成语义通信系统的多址接入任务，实现多个用户同时在同一物理信道上互不干扰地传输数据，进而大幅度提升数据的传输效率，同时具备良好的数据隐私保护能力。
Description
技术领域
本发明涉及通信和计算机技术领域，特别涉及一种面向语义通信系统的多址接入方法及装置。
背景技术
语义通信是一种基于深度学习技术的端到端(end-to-end)通信技术，是未来6G通信系统中可选通信技术方案之一，可以用于数据的压缩传输以及各类网络使能的智能应用。语义通信技术的优势包括以下两点：
一是语义通信采用端到端的优化方法训练整个通信系统，因此从系统设计和优化的角度来说是全局最优的，整体而言架构设计简单，易于实现和部署。传统的通信系统则采用分层的设计方法，将信源编解码、信道编解码、调制解调等模块独立设计，各自优化，无法兼顾所有模块的影响，因而复杂度较高，且不是全局最优的，由此造成传输效率和能力上的下降。
二是语义通信可以充分利用深度学习的强大能力实现强劲的数据压缩和抗噪性能。尤其是在抗噪声干扰方面，传统的通信方法由于采用比特流传输的方式，对误码率特别敏感，而增加反馈及纠错机制虽可以在一定条件下保证码元的无差错传输，但是会大幅度降低数据的传输效率。语义通信则采用语义符号流传输机制，具备非常强的抗噪能力，在相对较低的信噪比条件下，依旧能一定程度完成数据的传输。
一个完备的通信系统，应具备信道复用能力，即支持多个用户同时使用同一个物理信道进行通信，且互不干扰，或互相干扰的程度很低。为达到该要求，通信系统应具备信源编码、信道编码、信号调制三个主要能力，且包括对应的解码及解调制能力。其中，信源编码有助于压缩数据量，减少冗余，提升通信效率，另一方面将连续域模拟信号转换为数字信号，提升通信有效性；信道编码则对码流进行一定处理，使其具备一定的抗干扰能力或者误码纠错能力，提高通信过程的可靠性；调制解调则将信号搭乘到互相正交的载波信号或扩频码上，接收端用同样频率或相同的扩频码解调出所发送的信号，使通信系统具备信道复用的能力，大幅度提升通信效率。另外高频调制还有助于降低天线尺寸。
现有的语义通信系统仅关注点到点(Point-to-point)的语义通信场景，即只有一个发送端和一个接收端，虽然能实现该场景下的语义通信，并且具备较强的抗噪性能，但训练所得到的语义通信网络仅包含信源编解码与信道编解码的能力，没有调制和解调的能力，因此不具备信道复用能力，无法在同一物理信道上同时实现多个用户的数据传输任务。
发明内容
本发明提供了一种面向语义通信系统的多址接入方法及装置，以解决现有的语义通信系统不具备信道复用能力，无法在同一物理信道上同时实现多个用户的数据传输任务的技术问题。
为解决上述技术问题，本发明提供了如下技术方案：
一方面，本发明提供了一种面向语义通信系统的多址接入方法，包括：
多个不同的发送节点在需要发送数据时，先通过第一数据处理单元将待发送的第一数据变换为互相近似正交的第二数据；
发送节点将第二数据发送至接收端；若发送的第二数据数量大于1，则多个第二数据在传输的过程中叠加为一个第三数据；
多个接收端接收到数据后，第二数据处理单元利用第二数据间正交性自动剔除无用信息的干扰，并进一步完成目标数据的恢复或智能推理任务。
进一步地，所述语义通信系统的发送端包括多个第一数据处理单元，同时，所述语义通信系统的接收端包括多个第二数据处理单元；其中，所述第一数据处理单元和所述第二数据处理单元之间具有对应关系，组成多个数据处理单元组，多个互相关联的数据处理单元组组成一个语义多址接入网络。
进一步地，每一个数据处理单元组中的第二数据处理单元只能恢复出其所属数据处理单元组内的第一数据处理单元所发送的数据，或只能完成其所属数据处理单元组内的第一数据处理单元所发送的数据所对应的智能推理任务。
进一步地，所述语义多址接入网络的训练过程包括以下步骤：
步骤一，准备训练数据集；
步骤二，对每个数据处理单元组，从训练数据集中随机采样预设量的第一数据输入样本，记为一个第一数据样本批次；对每个数据处理单元组都采样得到各自的第一数据样本批次，且不同数据处理单元组所获得的第一数据样本批次不一样；
步骤三，将各第一数据样本批次输入到每个数据处理单元组的第一数据处理单元，获得不同的第二数据；
步骤四，将所有的第二数据相加，得到一个第三数据；
步骤五，每个接收端都收到一个第三数据，随后将其输入数据处理单元组中的第二数据处理单元，获取输出结果，记为第四数据；
步骤六，根据每个数据处理单元组中第一数据处理单元所输入的第一数据及第二数据处理单元所输出的第四数据，计算相应的损失函数；
步骤七，根据损失函数，进一步计算整个语义多址接入网络的梯度信息，并使用梯度下降法更新模型的参数；
步骤八，验证语义多址接入网络训练过程是否已达到收敛，如未收敛则返回步骤二开始下一轮训练，如已收敛，则结束训练过程。
进一步地，所述语义多址接入网络的实施过程包括以下步骤：
步骤一，用第一数据处理单元将输入的第一数据转换为第二数据：当发送端需要发送第一数据时，则将其输入第一数据处理单元，获得对应的第二数据；若不需要发送第一数据，则保持静默；
步骤二，传输第二数据：所有需要发送数据的发送端将其得到的第二数据发送给对应的接收端；若发送的第二数据数量大于1，则在传输过程中多个第二数据混叠为一个第三数据；
步骤三，接收数据：接收端接收单个第二数据或由多个第二数据叠加得到的第三数据，并将接收到的数据输入到第二数据处理单元中；
步骤四，获取结果：第二数据处理单元根据输入的单个第二数据或由多个第二数据叠加得到的第三数据，获得对应的数据恢复结果或智能推理结果。
进一步地，所述第一数据处理单元与第二数据处理单元为具备智能学习能力和推理能力的机器学习模型或深度学习模型。
进一步地，所述第一数据处理单元是基于机器学习或深度学习模型的编码器，其功能包括信源编码、信道编码和/或调制；第二数据处理单元是基于机器学习或深度学习模型的解码器，其功能包括解调、信道解码和/或信源解码。
进一步地，所述第二数据是由第一数据处理单元根据所输入的第一数据所提取的语义特征组成的语义符号向量。
进一步地，所述第三数据是由多个语义符号向量叠加组成的混合语义符号向量。
另一方面，本发明还提供了一种面向语义通信系统的多址接入装置，所述面向语义通信系统的多址接入装置包括发送模块和接收模块；其中，
所述发送模块用于实现：多个不同的发送节点在需要发送数据时，先通过第一数据处理单元将待发送的第一数据变换为互相近似正交的第二数据；发送节点将第二数据发送至接收端；若发送的第二数据数量大于1，则在传输过程中多个第二数据混叠为一个第三数据；
所述接收模块用于实现：接收单个第二数据或由多个第二数据叠加得到的第三数据，将接收到的数据输入第二数据处理单元，，第二数据处理单元利用第二数据间正交性自动剔除无用信息的干扰，并进一步完成目标数据的恢复或智能推理任务。
又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括：
本发明实现了语义通信的多址接入功能，能够完成语义通信系统的多址接入任务，实现多个用户同时在同一物理信道上互不干扰地传输数据，进而大幅度提升语义通信系统的数据传输效率，从而有助于提升信道资源利用率，同时具备良好的数据隐私保护能力，接收端第二数据处理单元只会恢复或使用同组内发送端第一数据处理单元所发送的数据。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的面向语义通信系统的多址接入方法的流程图；
图2是本发明实施例提供的语义通信系统的框架图；
图3是本发明实施例提供的基于SMA的下行通信系统架构图；
图4是本发明实施例提供的基于SMA的上行通信系统架构图；
图5是本发明实施例提供的基于SMA的多输入多输出通信系统架构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
针对当前语义通信系统的不足，本发明着力解决语义通信中的物理信道复用问题。具体而言，本发明将提供一种支持语义多址接入(Semantic Multiple Access，SMA)的语义通信方法，其主要技术要点包括：针对语义多址接入神经网络(SMA Network，SMANet)，其包括多个编解码组(Encoder Decoder Group，EDG)，每个EDG对应一组通信的收发端。SMANet中，所有的编码模块在得到语义符号向量(Semantic Symbol Vector，SSV)后，在物理信道中将所有的SSV叠加为一个混合SSV(Mixed SSV，MSSV)，并完成物理信道传输过程。解码端收到MSSV后，可以从中恢复出同组内编码端所发出的数据，但是无法恢复出其他非组内编码端所发送的数据。因此，SMA不仅能够使语义通信系统具备信道复用能力，同时还具备优秀的隐私保护能力。
从通信系统的角度来说，SMA中的编码模块同时具备信源编码、信道编码、信号调制功能，而解码端同时具备信号解调、信道解码、信源解码功能，因此是一个完备的通信系统。
如图1所示，本发明的面向语义通信系统的多址接入方法包括以下步骤：
S1，多个不同的发送节点在需要发送数据时，先通过第一数据处理单元将待发送的第一数据变换为互相近似正交的第二数据；
S2，发送节点将第二数据发送至接收端；若发送的第二数据数量大于1，多个第二数据在传输的过程中，叠加为一个第三数据；
S3，多个接收端接收到数据后，第二数据处理单元利用第二数据间正交性自动剔除无用信息的干扰，并进一步完成目标数据的恢复或智能推理任务。
其中，所述语义通信系统的发送端包括多个第一数据处理单元，同时，所述语义通信系统的接收端包括多个第二数据处理单元；其中，所述第一数据处理单元和所述第二数据处理单元之间具有对应关系，组成多个数据处理单元组，多个互相关联的数据处理单元组组成一个语义多址接入网络。且每一个数据处理单元组中的第二数据处理单元只能恢复出其所属数据处理单元组内的第一数据处理单元所发送的数据，或只能完成其所属数据处理单元组内的第一数据处理单元所发送的数据所对应的智能推理任务。
所述第一数据处理单元与第二数据处理单元可以为具备一定智能学习能力和推理能力的机器学习模型或深度学习模型，例如卷积神经网络、循环神经网络、全连接神经网络、基于注意力机制的神经网络等。进一步地，所述第一数据处理单元可以是基于机器学习或深度学习模型的编码器，其相关功能可能包括信源编码、信道编码和/或调制等；第二数据处理单元可以是基于机器学习或深度学习模型的解码器，其相关功能可能包括解调、信道解码和/或信源解码等。
所述第一数据可以为各类模态的数据，例如语音、图像、视频、语言文本、时间序列等；所述第二数据可以是由第一数据处理单元根据所输入的第一数据所提取的语义特征组成的语义符号向量，也可以是其他非向量形式。相应地，所述第三数据可以是由多个语义符号向量叠加组成的混合语义符号向量，也可以是其他非向量形式。
下面，以所述第一数据处理单元为SMA编码器，所述第二数据处理单元为SMA解码器，所述第二数据是由第一数据处理单元根据所输入的第一数据所提取的语义特征组成的语义符号向量；所述第三数据是由多个语义符号向量叠加组成的混合语义符号向量为例，对本实施例方法的具体实现过程进行详细说明。
如图2所示，设定语义通信系统有N个SMA编码器，N个SMA解码器，其中，编号为i的SMA解码器只能恢复编号为i的SMA编码器所发送的数据，或只能完成编号为i的SMA编码器所发送的数据所对应的智能推理任务，且称这样一组SMA编码器-解码器为编解码组(Encoder Decoder Group,EDG)，多个互相关联的EDG组成一个SMA网络(SMA Network,SMANet)。
本发明的实施过程主要包括模型训练和模型应用两个阶段，前者用于训练SMANet模型参数，使其具备数据编解码和调制解调能力，后者则用于部署于实际通信系统中，其中，SMA编码器部署于发送端，SMA解码器部署于接收端。部署方式比较灵活，可以根据实际需要，一个发送端部署一个SMA编码器，也可以部署多个SMA编码器；同样地，一个数据接收端可以部署一个SMA解码器，也可以根据需要部署多个SMA解码器。部署后，SMANet中的EDG即可互相合作，完成具备信道复用功能的语义通信过程。
训练阶段的具体实施步骤包括：
步骤一：准备训练数据集：根据所针对的数据传输任务，准备充足的数据集。如图像数据集、文本数据集、语音数据集、视频数据集等。一般来说，数据集可以使用公开开源的数据集。
步骤二：获取训练批次：对一个SMA编码器，从数据中随机采样适量的输入数据样本，记为一个数据批次(batch)；对每个SMA编码器都采样得到各自的数据batch，且不同SMA编码器所获得数据batch是不一样的。通过该步骤，每个SMA编码器获得不同的数据样本batch：x_1,x_2,...,x_N。
步骤三：获取语义符号向量SSV：将数据样本batch x_1,x_2,...,x_N输入到对应的SMA编码器，获得不同的语义符号向量SSV_1,SSV_2,...,SSV_N。
步骤四：信号混叠：将所有的SSV相加，得到一个MSSV，即为
MSSV＝SSV_1+SSV_2+…+SSV_N
信号在传输的过程，还可以加入的一定噪声，但由于是训练过程也可以不加，并不会对模型的训练结果造成明显影响。
步骤五：信号恢复或智能推理：每个SMA解码器都收到一个MSSV，随后将其输入解码器，获取对应的输出y_1,y_2,...,y_N。
步骤六：计算损失函数：根据输入输出，计算相应的损失函数，可表示为L(x_1,...,x_N；y_1,...,y_N)＝Loss(x_1,y_1)+...+Loss(x_N,y_N)
上式中，Loss(x_i+y_i)表示第i个EDG所对应的损失函数。整个网络的损失函数等于所有EDG损失函数之和。损失函数可以根据需要设计，并没有固定要求。例如，如果是恢复所传输数据，则可以将输入与输出的均方误差作为损失函数；如果是分类任务，则可以用交叉熵作为损失函数。
步骤七：更新模型参数：根据损失函数，进一步计算整个SMANet的梯度信息，最后更新使用梯度下降法更新模型的参数。
步骤八：验证训练是否收敛：在数据集所有样本都使用一次后，验证模型训练过程是否已达到收敛，如没有收敛，则返回步骤二开始下一轮训练，如已收敛，则结束训练过程。
在上述过程中，通过信号的混叠，SSV在传输的过程完成信道的复用。随后，通过所设计的损失函数，一个SMA解码器只能恢复其对应EDG中SMA编码器所需要发送的数据，或完成其数据所对应的任务。通过深度学习强大的学习能力，在不断地迭代学习后，所得到的SMANet模型将具备强大的信道的复用能力。具体而言，SMA编码器学习得到信源编码、信道编码、信号调制功能，SMA解码器学习得到信号解调、信道解码、信源解码功能，如果SMA解码器还需完成一定的智能推理任务，则其还会学习到特定的智能推理功能。
通过上述训练过程，SMA能够将训练数据集中的语义信息自动学习到SMA模型中，包括发送端的SMA编码器和接收端的SMA解码器，进一步使整个SMA系统能够实现多址接入过程。同时，通过上述训练过程，不同的SMA编码器所输出得到的SSV是近似于互相正交的，因此SMA是一个正交多址接入方法。利用该正交性，SMA解码器能够有效地剔除无关信息，只保留自己所关注的有效信息，避免无关信息对结果所造成的干扰。
在模型应用阶段，其主要步骤包括：
第一步：获取语义符号向量SSV：在当前时隙，当某个用户设备有数据需要发送时，则将其输入其中部署的SMA编码器，获得对应的SSV；若没有数据发送任务，则保持静默；
第二步：发送SSV：所有需要发送数据的用户设备将其SSV发送给对应的接收端，并在信道中完成SSV的混叠，得到MSSV，即为
MSSV＝SSV_1+SSV_2+…+SSV_N
第三步：接收MSSV：接收端根据接收到MSSV，并将其输入到SMA解码器中。注意在SSV传输过程中，不可避免地会被施加一定程度的噪声干扰。
第四步：获取结果：SMA解码器根据输入的MSSV，获得得到对应的数据恢复结果或智能推理结果。
在上述过程中，一个SMA解码器只能解码对应同组内的SMA编码器所发送的数据，无法解码其他SMA编码器所发送的数据，因此具备良好的数据隐私保护能力。同时，在上述过程，每个数据发送端可根据需要自己决定是否发送数据。在最大支持数量范围内，本发明对发送用户数没有要求，因此实施很灵活。之前已经提到，由于SMA是一个正交多址接入系统，SMA解码器在收到MSSV后，能够自动剔除其中的无关分量，仅保留目标数据，避免无关信息的干扰。
本发明可以用于不用的通信场景中，如多对多、一对多、多对一等。设备中的编码器和解码器的数量也可灵活设定。现给出以下三个典型的系统架构：
一、基于SMA的下行通信系统架构
如图3所示，在该场景中，基站向多个用户设备传输数据。在基于SMA的下行通信架构中，基站具备多个SMA编码器，且其中每个用户的数据转换工作由其中一个SMA编码器，用户间的SMA编码器不一样。
相应地，每个用户设备有一个SMA解码器，且解码器间互不一样。SMA编码器完成信源编码、信道编码、信号调制等功能，SMA解码器则完成信号解调、信道解码、信源解码等功能。当有用户数据到达基站时，基站通过编码器转换数据获得SSV，并将多个SSV叠加为一个混合MSSV，再通过发送装置下行传输给所有的用户设备。用户设备收到MSSV后，使用各自的解码器恢复出其目标数据，或根据目标数据进行智能推理，得到最终结果。
二、基于SMA的上行通信系统架构
如图4所示，在该场景中，多个用户设备向基站上行传输数据。在基于SMA的上行通信架构中，每个用户设备有一个SMA编码器，基站具备多个SMA解码器，对应每个用户设备有一个解码器。SMA编码器完成信源编码、信道编码、信号调制等功能，SMA解码器则完成信号解调、信道解码、信源解码等功能。当用户有数据需要发送时，通过编码器将其转换为SSV，在信道中叠加为一个MSSV，随后被基站接收。基站将受到的MSSV输入给各个SMA解码器，恢复出不同的目标数据，或进一步根据目标数据完成智能推理任务，得到最终结果。
三、基于SMA的多输入多输出通信系统架构
如图5所示，多输入多输出(Multi-input Multi-output,MIMO)是指一种具有多个发送节点和多个接收节点的通信系统，通常发送端的一根天线对应一个发送节点，接收端一根天线对应一个接收节点。在该模式下，每个发送节点具备一个SMA编码器，每个接收节点具备一个SMA解码器。当有用户发送时，发送节点即将数据先通过SMA编码转换为SSV，再通过发送装置发现目的节点。传输过程中，多个SSV叠加为一个MSSV，然后被所有接收节点接收装置获取，进一步输入进SMA解码器，获得对应SMA编码器所发送的数据。
本发明所提出的SMA方法适用于各类不同语义通信场景：
一是用于解决数据传输问题，例如文本、图像、视频、语音、时间序列等各种模态数据。此时，SMA编码器用于完成数据的信源编码、信道编码、信号调制等功能，SMA解码器用于完成信号解调、信道解码、信源解码等功能；
二是用于解决基于网络智能的数据分析和推理问题，例如利用网络的数据传输和处理能力，完成分类、拟合、图像分割、语音降噪、基于视频或图像的问答、自然语言翻译等。此时，SMA编码器用于完成数据的信源编码、信道编码、信号调制等功能，SMA解码器用于完成信号解调、信道解码、信源解码、分析推理等功能。
上述二者的相同点在于：编码器所发出的不同SSV在传输过程中，会合并一个混合SSV(Mixture SSV,MSSV)，即：
MSSV＝SSV_1+SSV_2+…+SSV_N
经过信道传输后，不可避免地会被噪声影响。因此对第i个SMA编码器，其接收到的MSSV为：
MSSV_i＝MSSV+n_i
其中，n_i表示所受到的噪声或干扰。随后，SMA解码器根据各自收到的MSSV，从中分离出自己的信号分量，并完成后续的数据恢复或智能推理任务。
进一步地，需要说明的是，在SMA编码器中，信源编码、信道编码、信号调制等过程都是一次性完成的，其具体过程由所对应的深度学习模型承担；同样地，在SMA解码器中，信号解调、信道解码、信源解码、分析推理等功能也是由相应的深度学习模型一次性完成。其中，SMA编解码器所使用的深度学习模型可以根据需要灵活构建，包括卷积层、全连接层、注意力机制、循环神经网络等，其具体实施可以根据实际需要进行设计，没有固定模式。
综上，本实施例所提供的面向语义通信系统的多址接入方法实现了语义通信的多址接入功能，该方法能够完成语义通信系统的多址接入任务，实现多个用户同时在同一物理信道上互不干扰地传输数据，进而大幅度提升语义通信系统的数据传输效率，从而有助于提升信道资源利用率，同时具备良好的数据隐私保护能力，只会恢复或使用同组内的SMA编码器所发送的数据。
第二实施例
本实施例提供了一种面向语义通信系统的多址接入装置，所述面向语义通信系统的多址接入装置包括发送模块和接收模块；其中，
所述发送模块用于实现：多个不同的发送节点在需要发送数据时，先通过第一数据处理单元将待发送的第一数据变换为互相近似正交的第二数据；发送节点将第二数据发送至接收端；若发送的第二数据数量大于1，则在传输过程中多个第二数据混叠为一个第三数据；
所述接收模块用于实现：接收单个第二数据或由多个第二数据叠加得到的第三数据，将接收到的数据输入第二数据处理单元，第二数据处理单元利用第二数据间正交性自动剔除无用信息的干扰，并进一步完成目标数据的恢复或智能推理任务。
本实施例的面向语义通信系统的多址接入装置与上述第一实施例的面向语义通信系统的多址接入方法相对应；其中，本实施例的面向语义通信系统的多址接入装置中的各功能模块所实现的功能与上述第一实施例的面向语义通信系统的多址接入方法中的各流程步骤一一对应；故，在此不再赘述。
第三实施例
本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。
第四实施例
本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述第一实施例的方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
Claims (10)
1.一种面向语义通信系统的多址接入方法，其特征在于，包括：
多个不同的发送节点在需要发送数据时，先通过第一数据处理单元将待发送的第一数据变换为互相近似正交的第二数据；
发送节点将第二数据发送至接收端；若发送的第二数据数量大于1，则在传输过程中多个第二数据混叠为一个第三数据；
多个接收端接收到数据后，第二数据处理单元利用第二数据间正交性自动剔除无用信息的干扰，并进一步完成目标数据的恢复或智能推理任务。
2.如权利要求1所述的面向语义通信系统的多址接入方法，其特征在于，所述语义通信系统的发送端包括多个第一数据处理单元，同时，所述语义通信系统的接收端包括多个第二数据处理单元；其中，所述第一数据处理单元和所述第二数据处理单元之间具有对应关系，组成多个数据处理单元组，多个互相关联的数据处理单元组组成一个语义多址接入网络。
3.如权利要求2所述的面向语义通信系统的多址接入方法，其特征在于，每一个数据处理单元组中的第二数据处理单元只能恢复出其所属数据处理单元组内的第一数据处理单元所发送的数据，或只能完成其所属数据处理单元组内的第一数据处理单元所发送的数据所对应的智能推理任务。
4.如权利要求2所述的面向语义通信系统的多址接入方法，其特征在于，所述语义多址接入网络的训练过程包括以下步骤：
步骤一，准备训练数据集；
步骤二，对每个数据处理单元组，从训练数据集中随机采样预设量的第一数据输入样本，记为一个第一数据样本批次；对每个数据处理单元组都采样得到各自的第一数据样本批次，且不同数据处理单元组所获得的第一数据样本批次不一样；
步骤三，将各第一数据样本批次输入到每个数据处理单元组的第一数据处理单元，获得不同的第二数据；
步骤四，将所有的第二数据相加，得到一个第三数据；
步骤五，每个接收端都收到一个第三数据，随后将其输入数据处理单元组中的第二数据处理单元，获取输出结果，记为第四数据；
步骤六，根据每个数据处理单元组中第一数据处理单元所输入的第一数据及第二数据处理单元所输出的第四数据，计算相应的损失函数；
步骤七，根据损失函数，进一步计算整个语义多址接入网络的梯度信息，并使用梯度下降法更新模型的参数；
步骤八，验证语义多址接入网络训练过程是否已达到收敛，如未收敛则返回步骤二开始下一轮训练，如已收敛，则结束训练过程。
5.如权利要求2所述的面向语义通信系统的多址接入方法，其特征在于，所述语义多址接入网络的实施过程包括以下步骤：
步骤一，用第一数据处理单元将输入的第一数据转换为第二数据：当发送端需要发送第一数据时，则将其输入第一数据处理单元，获得对应的第二数据；若不需要发送第一数据，则保持静默；
步骤二，传输第二数据：所有需要发送数据的发送端将其得到的第二数据发送给对应的接收端；若发送的第二数据数量大于1，则在传输过程中多个第二数据混叠为一个第三数据；
步骤三，接收数据：接收端接收单个第二数据或由多个第二数据叠加得到的第三数据，并将接收到的数据输入到第二数据处理单元中；
步骤四，获取结果：第二数据处理单元根据输入的单个第二数据或由多个第二数据叠加得到的第三数据，获得对应的数据恢复结果或智能推理结果。
6.如权利要求1-5所述的面向语义通信系统的多址接入方法，其特征在于，所述第一数据处理单元与第二数据处理单元为具备智能学习能力和推理能力的机器学习模型或深度学习模型。
7.如权利要求1-5所述的面向语义通信系统的多址接入方法，其特征在于，所述第一数据处理单元是基于机器学习或深度学习模型的编码器，其功能包括信源编码、信道编码和/或调制；第二数据处理单元是基于机器学习或深度学习模型的解码器，其功能包括解调、信道解码和/或信源解码。
8.如权利要求1-5所述的面向语义通信系统的多址接入方法，其特征在于，所述第二数据是由第一数据处理单元根据所输入的第一数据所提取的语义特征组成的语义符号向量。
9.如权利要求8所述的面向语义通信系统的多址接入方法，其特征在于，所述第三数据是由多个语义符号向量叠加组成的混合语义符号向量。
10.一种面向语义通信系统的多址接入装置，其特征在于，所述面向语义通信系统的多址接入装置包括发送模块和接收模块；其中，
所述发送模块用于实现：多个不同的发送节点在需要发送数据时，先通过第一数据处理单元将待发送的第一数据变换为互相近似正交的第二数据；发送节点将第二数据发送至接收端；若发送的第二数据数量大于1，则在传输过程中多个第二数据混叠为一个第三数据；
所述接收模块用于实现：接收单个第二数据或由多个第二数据叠加得到的第三数据，将接收到的数据输入第二数据处理单元，第二数据处理单元利用第二数据间正交性自动剔除无用信息的干扰，并进一步完成目标数据的恢复或智能推理任务。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210339927.2A CN114765568B (zh) | 2022-04-01 | 2022-04-01 | 一种面向语义通信系统的多址接入方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210339927.2A CN114765568B (zh) | 2022-04-01 | 2022-04-01 | 一种面向语义通信系统的多址接入方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114765568A true CN114765568A (zh) | 2022-07-19 |
| CN114765568B CN114765568B (zh) | 2022-11-18 |
Family
ID=82365416
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210339927.2A Active CN114765568B (zh) | 2022-04-01 | 2022-04-01 | 一种面向语义通信系统的多址接入方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114765568B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116209069A (zh) * | 2023-04-25 | 2023-06-02 | 北京邮电大学 | 基于语义域的多址接入方法及相关设备 |
| CN116543769A (zh) * | 2023-06-08 | 2023-08-04 | 清华大学 | 一种基于语义感知网络的mimo语音传输方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110753937A (zh) * | 2017-06-19 | 2020-02-04 | 诺基亚技术有限公司 | 数据传输网络配置 |
| CN113379040A (zh) * | 2021-07-07 | 2021-09-10 | 东南大学 | 基于语义编码的混合重传方法 |
| CN113839750A (zh) * | 2021-11-25 | 2021-12-24 | 之江实验室 | 一种语义通信系统中的信息传输方法 |
| US20220036890A1 (en) * | 2019-10-30 | 2022-02-03 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for training semantic understanding model, electronic device, and storage medium |
-
2022
- 2022-04-01 CN CN202210339927.2A patent/CN114765568B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110753937A (zh) * | 2017-06-19 | 2020-02-04 | 诺基亚技术有限公司 | 数据传输网络配置 |
| US20220036890A1 (en) * | 2019-10-30 | 2022-02-03 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for training semantic understanding model, electronic device, and storage medium |
| CN113379040A (zh) * | 2021-07-07 | 2021-09-10 | 东南大学 | 基于语义编码的混合重传方法 |
| CN113839750A (zh) * | 2021-11-25 | 2021-12-24 | 之江实验室 | 一种语义通信系统中的信息传输方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116209069A (zh) * | 2023-04-25 | 2023-06-02 | 北京邮电大学 | 基于语义域的多址接入方法及相关设备 |
| US11895629B1 (en) | 2023-04-25 | 2024-02-06 | Beijing University Of Posts And Telecommunications | Multiple access method and related device |
| CN116543769A (zh) * | 2023-06-08 | 2023-08-04 | 清华大学 | 一种基于语义感知网络的mimo语音传输方法和系统 |
| CN116543769B (zh) * | 2023-06-08 | 2023-12-29 | 清华大学 | 一种基于语义感知网络的mimo语音传输方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114765568B (zh) | 2022-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dai et al. | Communication beyond transmitting bits: Semantics-guided source and channel coding | |
| CN114765568B (zh) | 一种面向语义通信系统的多址接入方法及装置 | |
| Li et al. | Wireless MapReduce distributed computing | |
| Hu et al. | Robust semantic communications with masked VQ-VAE enabled codebook | |
| Dai et al. | Deep learning for wireless communications: An emerging interdisciplinary paradigm | |
| Park et al. | Learning to demodulate from few pilots via offline and online meta-learning | |
| KR102366833B1 (ko) | 폴라 프로세싱 메커니즘을 포함하는 컴퓨팅 시스템 및 그것의 동작 방법 | |
| Wang et al. | Transformer-empowered 6G intelligent networks: From massive MIMO processing to semantic communication | |
| CN113132289B (zh) | 发射器 | |
| CN106953671B (zh) | 一种移动通信中信号的多址接入方法及装置 | |
| CN115149986B (zh) | 一种针对语义通信的信道分集方法及装置 | |
| JP2009507400A (ja) | 無線通信装置 | |
| Wei et al. | SCMA decoding via deep learning | |
| Lu et al. | Deep autoencoder learning for relay-assisted cooperative communication systems | |
| US20230342593A1 (en) | Neural network training method and related apparatus | |
| JP2023512886A (ja) | 単一入力単一出力（ｓｉｓｏ）物理層鍵交換 | |
| CN116034381A (zh) | 通信方法和通信装置 | |
| CN113708855A (zh) | 基于深度学习的otfs数据驱动接收方法、系统及介质 | |
| CN112929304A (zh) | 一种环境知识库辅助的无线信道获取方法 | |
| WO2009075456A1 (en) | Method for transmission interference cancellation for mu-mimo | |
| CN101783723A (zh) | 一种多天线系统的信号处理方法、系统和装置 | |
| CN116389216A (zh) | 基于人工智能的非正交传输叠加信号星座设计系统及方法 | |
| Qin et al. | AI Empowered Wireless Communications: From Bits to Semantics | |
| WO2023283785A1 (zh) | 信号处理的方法及接收机 | |
| EP4336408A1 (en) | Signal processing method, communication device, and communication system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |