CN114979267A - 面向多服务需求的语义通信方法及装置 - Google Patents
面向多服务需求的语义通信方法及装置 Download PDFInfo
- Publication number
- CN114979267A CN114979267A CN202210569974.6A CN202210569974A CN114979267A CN 114979267 A CN114979267 A CN 114979267A CN 202210569974 A CN202210569974 A CN 202210569974A CN 114979267 A CN114979267 A CN 114979267A
- Authority
- CN
- China
- Prior art keywords
- semantic
- service
- matrix
- data matrix
- data
- 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 106
- 238000004891 communication Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims abstract description 177
- 230000008447 perception Effects 0.000 claims abstract description 56
- 238000013144 data compression Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 24
- 239000003795 chemical substances by application Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- OQCFWECOQNPQCG-UHFFFAOYSA-N 1,3,4,8-tetrahydropyrimido[4,5-c]oxazin-7-one Chemical compound C1CONC2=C1C=NC(=O)N2 OQCFWECOQNPQCG-UHFFFAOYSA-N 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明公开了一种面向多服务需求的语义通信方法、介质、设备及装置，其中方法包括：获取智能体发出的服务请求，并生成服务矩阵；获取多模态数据，并转换为同步表征的第一感知数据矩阵；对第一感知数据矩阵进行数据压缩，以获取对应的主要特征值，并生成第二感知数据矩阵；将服务矩阵和第二感知数据矩阵上传至云端；云端对每个服务类型进行二进制编码，以得到对应的码字，并根据码字更新语义库，以及对第二感知数据矩阵进行编码，以得到相应的码字，云端信息以语义通信的方式发送给接收端；接收端重新访问语义库，以进行语义库校验，并在校验成功后对服务请求进行响应；能够有效降低通信资源开销，节约通信资源。
Description
技术领域
本发明涉及语义通信技术领域，特别涉及一种面向多服务需求的语义通信方法、一种计算机可读存储介质、一种计算机设备和一种面向多服务需求的语义通信装置。
背景技术
传统情况下，同一场景需要考虑的服务类型相对较少，同一时刻需要满足的服务需求也相对单一，因此对于单一服务请求处理的方法相对容易。然而，随着新技术的不断出现，用户对服务的需求量趋于多元化，对服务质量的要求也越来越高，同一场景下多个用户可以根据自身需求同时发出多种服务请求，同一用户也可以有着多种不同的服务。因此，满足这些多服务需求通常需要消耗大量资源。
相关技术中，在进行通信的过程中，多是从发送端到接收端的完整消息传输，其要求对消息传输进行精准复制；这样会导致大量冗余的数据被传输，带来大量的通信资源开销。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种面向多服务需求的语义通信方法，能够有效降低通信资源开销，节约通信资源。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种面向多服务需求的语义通信装置。
为达到上述目的，本发明第一方面实施例提出了一种面向多服务需求的语义通信方法，包括以下步骤：获取智能体发出的服务请求，并根据多个所述服务请求生成服务矩阵；获取每种服务请求对应的多模态数据，并将所述多模态数据转换为同步表征的第一感知数据矩阵；对所述第一感知数据矩阵进行数据压缩，以获取对应的主要特征值，并根据所述主要特征值对应的单位特征向量生成第二感知数据矩阵；将所述服务矩阵和所述第二感知数据矩阵上传至云端；所述云端对所述服务矩阵中的每个服务类型进行二进制编码，以得到服务类型对应的码字，并根据所述码字更新语义库，以及对所述第二感知数据矩阵进行编码，以得到相应的语义基的码字，所述云端将所述服务类型对应的码字和所述语义基的码字以语义通信的方式发送给接收端；所述接收端根据接收到的服务类型对应的码字和所述语义基的码字重新访问语义库，以进行语义库校验，并在校验成功后对服务请求进行响应。
根据本发明实施例的面向多服务需求的语义通信方法，首先，获取智能体发出的服务请求，并根据多个所述服务请求生成服务矩阵；接着，获取每种服务请求对应的多模态数据，并将所述多模态数据转换为同步表征的第一感知数据矩阵；然后，对所述第一感知数据矩阵进行数据压缩，以获取对应的主要特征值，并根据所述主要特征值对应的单位特征向量生成第二感知数据矩阵；接着，将所述服务矩阵和所述第二感知数据矩阵上传至云端；然后，所述云端对所述服务矩阵中的每个服务类型进行二进制编码，以得到服务类型对应的码字，并根据所述码字更新语义库，以及对所述第二感知数据矩阵进行编码，以得到相应的语义基的码字，所述云端将所述服务类型对应的码字和所述语义基的码字以语义通信的方式发送给接收端；接着，所述接收端根据接收到的服务类型对应的码字和所述语义基的码字重新访问语义库，以进行语义库校验，并在校验成功后对服务请求进行响应；从而实现有效降低通信资源开销，节约通信资源。
另外，根据本发明上述实施例提出的面向多服务需求的语义通信方法还可以具有如下附加的技术特征：
可选地，对所述第一感知数据矩阵进行数据压缩，以获取对应的主要特征值，并根据所述主要特征值对应的单位特征向量生成第二感知数据矩阵，包括：对所述第一感知数据矩阵进行归一化，并对归一化后的所述第一感知数据矩阵进行中心化处理，以得到第三感知数据矩阵；计算所述第三感知数据矩阵的协方差矩阵，并对所述协方差矩阵进行分解，以得到多个特征值；对所述多个特征值进行排序，并根据排序获取前P个特征值所对应的单位特征向量，以及根据所述单位特征向量生成第二感知数据矩阵。
可选地，所述多模态数据包括语音信息、文本信息、视频信息和图像信息。
可选地，对所述第二感知数据矩阵进行编码，以得到相应的语义基的码字，包括：
S201，将所述第二感知数据矩阵转换为向量并进行量化；
S202，逐次读取量化后的感知数据；
S203，将读取到的感知数据与初始语义基向结合以形成数据串；
S204，判断所述数据串是否存在语义库字典中，如果是，则执行步骤S205，如果否，则执行步骤S206；
S205，根据所述数据串对相应语义基进行更新，并返回步骤S202；
S206，根据所述数据串新建相应语义基，并根据该语义基更新语义库字典；
S207，判断是否存在还未处理的感知数据，如果是，则执行步骤S208，如果否，则执行步骤S209；
S208，输出代表当前语义基的码字；
S209，返回步骤S202。
为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有面向多服务需求的语义通信程序，该面向多服务需求的语义通信程序被处理器执行时实现如上述的面向多服务需求的语义通信方法。
根据本发明实施例的计算机可读存储介质，通过存储面向多服务需求的语义通信程序，以使得处理器在执行该面向多服务需求的语义通信程序时，实现如上述的面向多服务需求的语义通信方法，从而实现有效降低通信资源开销，节约通信资源。
为达到上述目的，本发明第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的面向多服务需求的语义通信方法。
根据本发明实施例的计算机设备，通过存储器对面向多服务需求的语义通信程序进行存储，以使得处理器在执行该面向多服务需求的语义通信程序时，实现如上述的面向多服务需求的语义通信方法，从而实现有效降低通信资源开销，节约通信资源。
为达到上述目的，本发明第四方面实施例提出了一种面向多服务需求的语义通信装置，包括：发送端，所述发送端用于获取智能体发出的服务请求，并根据多个所述服务请求生成服务矩阵；所述发送端还用于获取每种服务请求对应的多模态数据，并将所述多模态数据转换为同步表征的第一感知数据矩阵；所述发送端还用于对所述第一感知数据矩阵进行数据压缩，以获取对应的主要特征值，并根据所述主要特征值对应的单位特征向量生成第二感知数据矩阵；所述发送端还用于将所述服务矩阵和所述第二感知数据矩阵上传至云端；云端，所述云端用于对所述服务矩阵中的每个服务类型进行二进制编码，以得到服务类型对应的码字，并根据所述码字更新语义库，以及对所述第二感知数据矩阵进行编码，以得到相应的语义基的码字，所述云端将所述服务类型对应的码字和所述语义基的码字以语义通信的方式发送给接收端；接收端，所述接收端用于根据接收到的服务类型对应的码字和所述语义基的码字重新访问语义库，以进行语义库校验，并在校验成功后对服务请求进行响应。
根据本发明实施例的面向多服务需求的语义通信装置，通过设置发送端用于获取智能体发出的服务请求，并根据多个所述服务请求生成服务矩阵；发送端还用于获取每种服务请求对应的多模态数据，并将所述多模态数据转换为同步表征的第一感知数据矩阵；发送端还用于对所述第一感知数据矩阵进行数据压缩，以获取对应的主要特征值，并根据所述主要特征值对应的单位特征向量生成第二感知数据矩阵；发送端还用于将所述服务矩阵和所述第二感知数据矩阵上传至云端；云端用于对所述服务矩阵中的每个服务类型进行二进制编码，以得到服务类型对应的码字，并根据所述码字更新语义库，以及对所述第二感知数据矩阵进行编码，以得到相应的语义基的码字，所述云端将所述服务类型对应的码字和所述语义基的码字以语义通信的方式发送给接收端；接收端用于根据接收到的服务类型对应的码字和所述语义基的码字重新访问语义库，以进行语义库校验，并在校验成功后对服务请求进行响应；从而实现有效降低通信资源开销，节约通信资源。
另外，根据本发明上述实施例提出的面向多服务需求的语义通信装置还可以具有如下附加的技术特征：
可选地，对所述第一感知数据矩阵进行数据压缩，以获取对应的主要特征值，并根据所述主要特征值对应的单位特征向量生成第二感知数据矩阵，包括：对所述第一感知数据矩阵进行归一化，并对归一化后的所述第一感知数据矩阵进行中心化处理，以得到第三感知数据矩阵；计算所述第三感知数据矩阵的协方差矩阵，并对所述协方差矩阵进行分解，以得到多个特征值；对所述多个特征值进行排序，并根据排序获取前P个特征值所对应的单位特征向量，以及根据所述单位特征向量生成第二感知数据矩阵。
可选地，所述多模态数据包括语音信息、文本信息、视频信息和图像信息。
可选地，对所述第二感知数据矩阵进行编码，以得到相应的语义基的码字，包括：
S201，将所述第二感知数据矩阵转换为向量并进行量化；
S202，逐次读取量化后的感知数据；
S203，将读取到的感知数据与初始语义基向结合以形成数据串；
S204，判断所述数据串是否存在语义库字典中，如果是，则执行步骤S205，如果否，则执行步骤S206；
S205，根据所述数据串对相应语义基进行更新，并返回步骤S202；
S206，根据所述数据串新建相应语义基，并根据该语义基更新语义库字典；
S207，判断是否存在还未处理的感知数据，如果是，则执行步骤S208，如果否，则执行步骤S209；
S208，输出代表当前语义基的码字；
S209，返回步骤S202。
附图说明
图1为根据本发明实施例的面向多服务需求的语义通信方法的流程示意图；
图2为根据本发明实施例的语义库构建与更新流程示意图；
图3为根据本发明实施例的语义校验流程示意图；
图4为根据本发明实施例的基于智慧工厂的多服务语义通信场景图；
图5为根据本发明实施例的面向多服务需求的语义通信装置的方框示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
相关技术中，在进行通信的过程中，多是从发送端到接收端的完整消息传输，其要求对消息传输进行精准复制；这样会导致大量冗余的数据被传输，带来大量的通信资源开销；根据本发明实施例的面向多服务需求的语义通信方法，首先，获取智能体发出的服务请求，并根据多个所述服务请求生成服务矩阵；接着，获取每种服务请求对应的多模态数据，并将所述多模态数据转换为同步表征的第一感知数据矩阵；然后，对所述第一感知数据矩阵进行数据压缩，以获取对应的主要特征值，并根据所述主要特征值对应的单位特征向量生成第二感知数据矩阵；接着，将所述服务矩阵和所述第二感知数据矩阵上传至云端；然后，所述云端对所述服务矩阵中的每个服务类型进行二进制编码，以得到服务类型对应的码字，并根据所述码字更新语义库，以及对所述第二感知数据矩阵进行编码，以得到相应的语义基的码字，所述云端将所述服务类型对应的码字和所述语义基的码字以语义通信的方式发送给接收端；接着，所述接收端根据接收到的服务类型对应的码字和所述语义基的码字重新访问语义库，以进行语义库校验，并在校验成功后对服务请求进行响应；从而实现有效降低通信资源开销，节约通信资源。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
图1为根据本发明实施例的面向多服务需求的语义通信方法的流程示意图，如图1所示，该面向多服务需求的语义通信方法包括以下步骤：
S101，获取智能体发出的服务请求，并根据多个服务请求生成服务矩阵。
可以理解，智能体在执行任务过程中可以依托于大数据技术智能化来识别服务需求；假设这些服务需求在服务集合M中，服务集合M中包含了识别、测量、检验、跟踪、控制和通信等多种服务类型；而发送端在接收到多个智能体发出的多个服务请求之后，可以建立并发送一个多用户多服务请求下的服务矩阵S；具体地，该服务矩阵S可以定义为：
而考虑到场景中服务的数量是多种多样的，而每个用户的服务需求数量是有限的，因此服务矩阵S是一个稀疏矩阵，为了满足每个用户的多服务需求，通常需要传输整个服务矩阵，但这将会带来巨大的通信和计算开销。考虑到不同用户可能有同一种服务需求，采用语义通信的方式，可以在满足多服务需求的同时，大大减少传输数据量。
S102，获取每种服务请求对应的多模态数据，并将多模态数据转换为同步表征的第一感知数据矩阵。
即言，对于一种具体的服务请求si,j，具有许多与该服务对应的特征参数，例如语音、文本、视频、图像等多模态数据，对于不同的感知设备，如摄像头、激光雷达、毫米波雷达、超声波传感器等，可以对环境进行感知，得到多模态感知数据，这些多模态感知数据可以根据服务特征满足不同类型的服务。
在一些实施例中，多模态数据包括语音信息、文本信息、视频信息和图像信息。
S103，对第一感知数据矩阵进行数据压缩，以获取对应的主要特征值，并根据主要特征值对应的单位特征向量生成第二感知数据矩阵。
作为一种示例，对第一感知数据矩阵进行数据压缩，以获取对应的主要特征值，并根据主要特征值对应的单位特征向量生成第二感知数据矩阵，包括：对第一感知数据矩阵进行归一化，并对归一化后的第一感知数据矩阵进行中心化处理，以得到第三感知数据矩阵；计算第三感知数据矩阵的协方差矩阵，并对协方差矩阵进行分解，以得到多个特征值；对多个特征值进行排序，并根据排序获取前P个特征值所对应的单位特征向量，以及根据单位特征向量生成第二感知数据矩阵。
作为又一种示例，在以数据为主的同步表征感知数据矩阵中，感知数据内部具有相关性，可以对数据内部进行特征提取，以达到数据压缩的目的。本实施例采用数据压缩的方法对同步表征的感知数据矩阵进行分析和处理。首先对同步表征的感知数据进行归一化，对于归一化感知数据矩阵
其中，fi＝(fi,1,fi,2,…,fi,T)表示第i个感知设备的感知数据，低维空间数为P。首先对
进行中心化处理：
然后计算数据矩阵
的协方差矩阵
对其进行特征值分解，取最大P个特征值所对应的单位特征向量f1,f2,…,fP，就可以得到压缩后的感知数据矩阵x＝[f1,f2,…,fP]T。
S104，将服务矩阵和第二感知数据矩阵上传至云端。
S105，云端对服务矩阵中的每个服务类型进行二进制编码，以得到服务类型对应的码字，并根据码字更新语义库，以及对第二感知数据矩阵进行编码，以得到相应的语义基的码字，云端将服务类型对应的码字和语义基的码字以语义通信的方式发送给接收端。
在一些实施例中，如图2所示，对第二感知数据矩阵进行编码，以得到相应的语义基的码字，包括：
S201，将第二感知数据矩阵转换为向量并进行量化；
S202，逐次读取量化后的感知数据；
S203，将读取到的感知数据与初始语义基向结合以形成数据串；
S204，判断数据串是否存在语义库字典中，如果是，则执行步骤S205，如果否，则执行步骤S206；
S205，根据数据串对相应语义基进行更新，并返回步骤S202；
S206，根据数据串新建相应语义基，并根据该语义基更新语义库字典；
S207，判断是否存在还未处理的感知数据，如果是，则执行步骤S208，如果否，则执行步骤S209；
S208，输出代表当前语义基的码字；
S209，返回步骤S202。
作为一种示例，将得到的服务矩阵和融合与压缩后的感知数据矩阵上传至云端，进行语义库的建立与更新。首先，对于多服务类型的语义库，M种服务类型S＝(s1,s2,…,sM)，可以构建多服务语义库，对每种服务类型进行二进制编码，编得的二进制编码长度为
其中
表示向上取整。通过相应码字，可以检索对应服务类型的语义库。然后，对于多感知数据的语义基，对于压缩后的P维感知数据矩阵x＝[f1,f2,…,fP]T，这里使用LZW算法(Lempel-Ziv-Welch Encoding)，建立对应语义库字典，以较短的编码表示数据量大的数据以实现数据的无损压缩，得到相应的语义基，具体编码过程如下：
对于语义库字典初次使用，首先初始化语义库字典，每一种数据类型对应一种语义基P，并将归一化感知数据矩阵
转换成向量形式并进行量化。逐次读取感知数据为C，与语义基P结合形成数据串P+C。如果首次使用字典，首先输出对应语义基P，令P＝P+C，将P添加到语义库字典中。原始的语义库字典中的语义基只能表示一种感知数据，新添加的语义基可以表示两种感知数据组合形成的数据串，依次重复该操作，直到感知数据流中不再有新的感知数据，语义库建立完成，利用该语义基对感知数据进行语义编码，并将语义库存储在云端的数据中心以便下一次使用。
可以发现，随着不断填入新的感知数据，语义库字典是不断扩大的，其语义基内容也是不断增多的。
S106，接收端根据接收到的服务类型对应的码字和语义基的码字重新访问语义库，以进行语义库校验，并在校验成功后对服务请求进行响应。
作为一种示例，云端将处理后的语义信息以语义通信的方式发送给接收端。接收端接收到语义信息后，重新访问语义库集合，进行语义库校验，若L<T，则表明语义基匹配提取正确，否则语义基匹配提取错误，需要进行数据重传，直到语义基提取正确。语义通信传输成功后，接收端作出相应的服务响应。
作为另一种示例，接收端接收到语义符号后，需要将语义符号与语义库进行比对，提取出相应的语义内容。与传统的通信传输类似，在语义通信中，语义的传输也可能发生差错。因此，需要一种合适的语义校验方法，以判断接收端接收的服务内容能否满足发送端的服务请求。
语义校验方法的具体过程如图3所示，根据语义库的结构，校验模块可以分为两个部分进行：语义库的选择和语义基的匹配提取。
对于语义库选择的校验，可以将接收端得到的服务内容与发送端发送的服务类型进行对比，从而判决语义库的选择正确与否，若选择错误，接收端首先需要重新在语义库集合中搜索对应语义库，若语义库选择仍错误，需要发送端重新发送服务请求。
对于语义基匹配提取的校验，接收端可以将服务内容
与感知模块感知到的数据x进行对比，从而判断语义基的匹配提取正确与否，定义L表示接收端收到的服务内容与感知数据之间的距离，具体可以表示为：
设定语义基判决门限T，若L<T，则表明语义基匹配提取正确，否则语义基匹配提取错误。若匹配过程错误，接收端需要重新在语义库中提取语义基，若语义基选择仍错误，需要感知设备重新发送感知数据。
只有当语义库的选择和语义基的匹配提取全部都正确时，则认为此次语义通信传输成功。
另外，需要说明的是，本发明实施例所提供一个场景为元宇宙中面向虚拟现实的语义通信场景，语义通信可以作为元宇宙的加速引擎，在元宇宙中联动控制物理世界中的大规模感知设备，对物理环境进行精确感知，并以语义通信的方式对感知数据进行处理，将感知到的物理环境抽象成虚拟的数据表征，利用虚拟数据表征满足多服务需求，建立现实世界与虚拟世界之间的联系。
本发明实施例所提供的另一个场景为智慧工厂中面向多服务的语义通信场景，如图4所示，智慧工厂中具有多个智能体和多种感知设备，一个大型云端服务器和数据中心和智慧工厂相连接。多个智能体可以同时识别多种不同类型的服务需求，例如工厂内人员数目的检测、大型目标的精确定位与跟踪、运行机器间的防碰撞、对集装箱高度的估计等服务请求。多种感知设备包括但不局限于摄像头、激光雷达、毫米波雷达、超声波传感器等，感知到的数据包括但不局限于图像、音频、文本、数字、点云等。云端服务器进行语义库的更新和语义编码。云端数据中心用于存储实时更新的语义库。
综上所述，根据本发明实施例的面向多服务需求的语义通信方法，首先，获取智能体发出的服务请求，并根据多个所述服务请求生成服务矩阵；接着，获取每种服务请求对应的多模态数据，并将所述多模态数据转换为同步表征的第一感知数据矩阵；然后，对所述第一感知数据矩阵进行数据压缩，以获取对应的主要特征值，并根据所述主要特征值对应的单位特征向量生成第二感知数据矩阵；接着，将所述服务矩阵和所述第二感知数据矩阵上传至云端；然后，所述云端对所述服务矩阵中的每个服务类型进行二进制编码，以得到服务类型对应的码字，并根据所述码字更新语义库，以及对所述第二感知数据矩阵进行编码，以得到相应的语义基的码字，所述云端将所述服务类型对应的码字和所述语义基的码字以语义通信的方式发送给接收端；接着，所述接收端根据接收到的服务类型对应的码字和所述语义基的码字重新访问语义库，以进行语义库校验，并在校验成功后对服务请求进行响应；从而实现有效降低通信资源开销，节约通信资源。
为了实现上述实施例，本发明实施例提出了一种计算机可读存储介质，其上存储有面向多服务需求的语义通信程序，该面向多服务需求的语义通信程序被处理器执行时实现如上述的面向多服务需求的语义通信方法。
根据本发明实施例的计算机可读存储介质，通过存储面向多服务需求的语义通信程序，以使得处理器在执行该面向多服务需求的语义通信程序时，实现如上述的面向多服务需求的语义通信方法，从而实现有效降低通信资源开销，节约通信资源。
为了实现上述实施例，本发明实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述的面向多服务需求的语义通信方法。
根据本发明实施例的计算机设备，通过存储器对面向多服务需求的语义通信程序进行存储，以使得处理器在执行该面向多服务需求的语义通信程序时，实现如上述的面向多服务需求的语义通信方法，从而实现有效降低通信资源开销，节约通信资源。
为了实现上述实施例，本发明实施例提出了一种面向多服务需求的语义通信装置，如图5所示，该面向多服务需求的语义通信装置包括：发送端10、云端20和接收端30。
其中，发送端10用于获取智能体发出的服务请求，并根据多个服务请求生成服务矩阵；
发送端10还用于获取每种服务请求对应的多模态数据，并将多模态数据转换为同步表征的第一感知数据矩阵；
发送端10还用于对第一感知数据矩阵进行数据压缩，以获取对应的主要特征值，并根据主要特征值对应的单位特征向量生成第二感知数据矩阵；
发送端10还用于将服务矩阵和第二感知数据矩阵上传至云端20；
云端20用于对服务矩阵中的每个服务类型进行二进制编码，以得到服务类型对应的码字，并根据码字更新语义库，以及对第二感知数据矩阵进行编码，以得到相应的语义基的码字，云端将服务类型对应的码字和语义基的码字以语义通信的方式发送给接收端30；
接收端30用于根据接收到的服务类型对应的码字和语义基的码字重新访问语义库，以进行语义库校验，并在校验成功后对服务请求进行响应。
在一些实施例中，对第一感知数据矩阵进行数据压缩，以获取对应的主要特征值，并根据主要特征值对应的单位特征向量生成第二感知数据矩阵，包括：
对第一感知数据矩阵进行归一化，并对归一化后的第一感知数据矩阵进行中心化处理，以得到第三感知数据矩阵；
计算第三感知数据矩阵的协方差矩阵，并对协方差矩阵进行分解，以得到多个特征值；
对多个特征值进行排序，并根据排序获取前P个特征值所对应的单位特征向量，以及根据单位特征向量生成第二感知数据矩阵。
在一些实施例中，多模态数据包括语音信息、文本信息、视频信息和图像信息。
在一些实施例中，对第二感知数据矩阵进行编码，以得到相应的语义基的码字，包括：
S201，将第二感知数据矩阵转换为向量并进行量化；
S202，逐次读取量化后的感知数据；
S203，将读取到的感知数据与初始语义基向结合以形成数据串；
S204，判断数据串是否存在语义库字典中，如果是，则执行步骤S205，如果否，则执行步骤S206；
S205，根据数据串对相应语义基进行更新，并返回步骤S202；
S206，根据数据串新建相应语义基，并根据该语义基更新语义库字典；
S207，判断是否存在还未处理的感知数据，如果是，则执行步骤S208，如果否，则执行步骤S209；
S208，输出代表当前语义基的码字；
S209，返回步骤S202。
另外，需要说明的是，上述关于图1中面向多服务需求的语义通信方法的描述同样适用于该面向多服务需求的语义通信装置，在此不做赘述。
综上所述，根据本发明实施例的面向多服务需求的语义通信装置，通过设置发送端用于获取智能体发出的服务请求，并根据多个所述服务请求生成服务矩阵；发送端还用于获取每种服务请求对应的多模态数据，并将所述多模态数据转换为同步表征的第一感知数据矩阵；发送端还用于对所述第一感知数据矩阵进行数据压缩，以获取对应的主要特征值，并根据所述主要特征值对应的单位特征向量生成第二感知数据矩阵；发送端还用于将所述服务矩阵和所述第二感知数据矩阵上传至云端；云端用于对所述服务矩阵中的每个服务类型进行二进制编码，以得到服务类型对应的码字，并根据所述码字更新语义库，以及对所述第二感知数据矩阵进行编码，以得到相应的语义基的码字，所述云端将所述服务类型对应的码字和所述语义基的码字以语义通信的方式发送给接收端；接收端用于根据接收到的服务类型对应的码字和所述语义基的码字重新访问语义库，以进行语义库校验，并在校验成功后对服务请求进行响应；从而实现有效降低通信资源开销，节约通信资源。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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、专用计算机、嵌入式处理机或其他可编程数据处理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设备上，使得在计算机或其他可编程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。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。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范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种面向多服务需求的语义通信方法，其特征在于，包括以下步骤：
获取智能体发出的服务请求，并根据多个所述服务请求生成服务矩阵；
获取每种服务请求对应的多模态数据，并将所述多模态数据转换为同步表征的第一感知数据矩阵；
对所述第一感知数据矩阵进行数据压缩，以获取对应的主要特征值，并根据所述主要特征值对应的单位特征向量生成第二感知数据矩阵；
将所述服务矩阵和所述第二感知数据矩阵上传至云端；
所述云端对所述服务矩阵中的每个服务类型进行二进制编码，以得到服务类型对应的码字，并根据所述码字更新语义库，以及对所述第二感知数据矩阵进行编码，以得到相应的语义基的码字，所述云端将所述服务类型对应的码字和所述语义基的码字以语义通信的方式发送给接收端；
所述接收端根据接收到的服务类型对应的码字和所述语义基的码字重新访问语义库，以进行语义库校验，并在校验成功后对服务请求进行响应。
2.如权利要求1所述的面向多服务需求的语义通信方法，其特征在于，对所述第一感知数据矩阵进行数据压缩，以获取对应的主要特征值，并根据所述主要特征值对应的单位特征向量生成第二感知数据矩阵，包括：
对所述第一感知数据矩阵进行归一化，并对归一化后的所述第一感知数据矩阵进行中心化处理，以得到第三感知数据矩阵；
计算所述第三感知数据矩阵的协方差矩阵，并对所述协方差矩阵进行分解，以得到多个特征值；
对所述多个特征值进行排序，并根据排序获取前P个特征值所对应的单位特征向量，以及根据所述单位特征向量生成第二感知数据矩阵。
3.如权利要求1所述的面向多服务需求的语义通信方法，其特征在于，所述多模态数据包括语音信息、文本信息、视频信息和图像信息。
4.如权利要求1所述的面向多服务需求的语义通信方法，其特征在于，对所述第二感知数据矩阵进行编码，以得到相应的语义基的码字，包括：
S201，将所述第二感知数据矩阵转换为向量并进行量化；
S202，逐次读取量化后的感知数据；
S203，将读取到的感知数据与初始语义基向结合以形成数据串；
S204，判断所述数据串是否存在语义库字典中，如果是，则执行步骤S205，如果否，则执行步骤S206；
S205，根据所述数据串对相应语义基进行更新，并返回步骤S202；
S206，根据所述数据串新建相应语义基，并根据该语义基更新语义库字典；
S207，判断是否存在还未处理的感知数据，如果是，则执行步骤S208，如果否，则执行步骤S209；
S208，输出代表当前语义基的码字；
S209，返回步骤S202。
5.一种计算机可读存储介质，其特征在于，其上存储有面向多服务需求的语义通信程序，该面向多服务需求的语义通信程序被处理器执行时实现如权利要求1-4中任一项所述的面向多服务需求的语义通信方法。
6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现如权利要求1-4中任一项所述的面向多服务需求的语义通信方法。
7.一种面向多服务需求的语义通信装置，其特征在于，包括：
发送端，所述发送端用于获取智能体发出的服务请求，并根据多个所述服务请求生成服务矩阵；
所述发送端还用于获取每种服务请求对应的多模态数据，并将所述多模态数据转换为同步表征的第一感知数据矩阵；
所述发送端还用于对所述第一感知数据矩阵进行数据压缩，以获取对应的主要特征值，并根据所述主要特征值对应的单位特征向量生成第二感知数据矩阵；
所述发送端还用于将所述服务矩阵和所述第二感知数据矩阵上传至云端；
云端，所述云端用于对所述服务矩阵中的每个服务类型进行二进制编码，以得到服务类型对应的码字，并根据所述码字更新语义库，以及对所述第二感知数据矩阵进行编码，以得到相应的语义基的码字，所述云端将所述服务类型对应的码字和所述语义基的码字以语义通信的方式发送给接收端；
接收端，所述接收端用于根据接收到的服务类型对应的码字和所述语义基的码字重新访问语义库，以进行语义库校验，并在校验成功后对服务请求进行响应。
8.如权利要求7所述的面向多服务需求的语义通信装置，其特征在于，对所述第一感知数据矩阵进行数据压缩，以获取对应的主要特征值，并根据所述主要特征值对应的单位特征向量生成第二感知数据矩阵，包括：
对所述第一感知数据矩阵进行归一化，并对归一化后的所述第一感知数据矩阵进行中心化处理，以得到第三感知数据矩阵；
计算所述第三感知数据矩阵的协方差矩阵，并对所述协方差矩阵进行分解，以得到多个特征值；
对所述多个特征值进行排序，并根据排序获取前P个特征值所对应的单位特征向量，以及根据所述单位特征向量生成第二感知数据矩阵。
9.如权利要求7所述的面向多服务需求的语义通信装置，其特征在于，所述多模态数据包括语音信息、文本信息、视频信息和图像信息。
10.如权利要求7所述的面向多服务需求的语义通信装置，其特征在于，对所述第二感知数据矩阵进行编码，以得到相应的语义基的码字，包括：
S201，将所述第二感知数据矩阵转换为向量并进行量化；
S202，逐次读取量化后的感知数据；
S203，将读取到的感知数据与初始语义基向结合以形成数据串；
S204，判断所述数据串是否存在语义库字典中，如果是，则执行步骤S205，如果否，则执行步骤S206；
S205，根据所述数据串对相应语义基进行更新，并返回步骤S202；
S206，根据所述数据串新建相应语义基，并根据该语义基更新语义库字典；
S207，判断是否存在还未处理的感知数据，如果是，则执行步骤S208，如果否，则执行步骤S209；
S208，输出代表当前语义基的码字；
S209，返回步骤S202。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210569974.6A CN114979267B (zh) | 2022-05-24 | 2022-05-24 | 面向多服务需求的语义通信方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210569974.6A CN114979267B (zh) | 2022-05-24 | 2022-05-24 | 面向多服务需求的语义通信方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114979267A true CN114979267A (zh) | 2022-08-30 |
| CN114979267B CN114979267B (zh) | 2024-05-14 |
Family
ID=82956426
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210569974.6A Active CN114979267B (zh) | 2022-05-24 | 2022-05-24 | 面向多服务需求的语义通信方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114979267B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116633399A (zh) * | 2023-07-20 | 2023-08-22 | 深圳市大数据研究院 | 语义通信波形设计方法、装置、设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109658928A (zh) * | 2018-12-06 | 2019-04-19 | 山东大学 | 一种家庭服务机器人云端多模态对话方法、装置及系统 |
| CN109992978A (zh) * | 2019-03-05 | 2019-07-09 | 腾讯科技（深圳）有限公司 | 信息的传输方法、装置及存储介质 |
| CN111177289A (zh) * | 2019-12-12 | 2020-05-19 | 山东省国土测绘院 | 众源网络数据空间相关信息提取校验方法与系统 |
| US20220019742A1 (en) * | 2020-07-20 | 2022-01-20 | International Business Machines Corporation | Situational awareness by fusing multi-modal data with semantic model |
| CN114169320A (zh) * | 2021-11-11 | 2022-03-11 | 武汉东湖大数据交易中心股份有限公司 | 一种基于词向量矩阵分解技术的多源数据融合方法及系统 |
-
2022
- 2022-05-24 CN CN202210569974.6A patent/CN114979267B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109658928A (zh) * | 2018-12-06 | 2019-04-19 | 山东大学 | 一种家庭服务机器人云端多模态对话方法、装置及系统 |
| CN109992978A (zh) * | 2019-03-05 | 2019-07-09 | 腾讯科技（深圳）有限公司 | 信息的传输方法、装置及存储介质 |
| CN111177289A (zh) * | 2019-12-12 | 2020-05-19 | 山东省国土测绘院 | 众源网络数据空间相关信息提取校验方法与系统 |
| US20220019742A1 (en) * | 2020-07-20 | 2022-01-20 | International Business Machines Corporation | Situational awareness by fusing multi-modal data with semantic model |
| CN114169320A (zh) * | 2021-11-11 | 2022-03-11 | 武汉东湖大数据交易中心股份有限公司 | 一种基于词向量矩阵分解技术的多源数据融合方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 肖峰: "基于LZW算法的高负荷光栅传感网络数据分块无损压缩方法", 《西昌学院学报（自然科学版）》, vol. 35, no. 3, 30 September 2021 (2021-09-30) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116633399A (zh) * | 2023-07-20 | 2023-08-22 | 深圳市大数据研究院 | 语义通信波形设计方法、装置、设备和存储介质 |
| CN116633399B (zh) * | 2023-07-20 | 2023-11-03 | 深圳市大数据研究院 | 语义通信波形设计方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114979267B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108156519B (zh) | 图像分类方法、电视设备及计算机可读存储介质 | |
| US20180332301A1 (en) | Method, apparatus, and system for deep feature coding and decoding | |
| Duan et al. | Compact descriptors for visual search | |
| CN111104954B (zh) | 一种对象分类的方法与装置 | |
| KR20110091763A (ko) | 특징 디스크립터를 표현하고 식별하는 방법, 장치 및 컴퓨터 판독가능 저장 매체 | |
| CN112668608B (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
| WO2019116352A1 (en) | Scalable parameter encoding of artificial neural networks obtained via an evolutionary process | |
| CN114979267B (zh) | 面向多服务需求的语义通信方法及装置 | |
| CN112148839A (zh) | 图文匹配方法、装置及存储介质 | |
| US20140133550A1 (en) | Method of encoding and decoding flows of digital video frames, related systems and computer program products | |
| CN115222974A (zh) | 特征点匹配方法及装置、存储介质及电子设备 | |
| CN113128526B (zh) | 图像识别方法、装置、电子设备和计算机可读存储介质 | |
| CN112567751A (zh) | 一种3d图形数据压缩和解压缩的方法及装置 | |
| CN116703659A (zh) | 一种应用于工程咨询的数据处理方法、装置及电子设备 | |
| CN112735392B (zh) | 语音处理方法、装置、设备及存储介质 | |
| CN112052916B (zh) | 基于神经网络的数据处理方法、装置以及可读存储介质 | |
| CN112070211B (zh) | 基于计算卸载机制的图像识别方法 | |
| EP3683733A1 (en) | A method, an apparatus and a computer program product for neural networks | |
| CN114399648A (zh) | 行为识别方法及装置、存储介质及电子设备 | |
| CN110868615B (zh) | 一种视频处理方法、装置、电子设备以及存储介质 | |
| CN114898187B (zh) | 一种用于云边端的目标检测网络构建方法及装置 | |
| CN116778534B (zh) | 图像处理方法、装置、设备和介质 | |
| CN112767348B (zh) | 一种检测信息的确定方法和装置 | |
| CN115471875B (zh) | 一种多码率的行人识别视觉特征编码压缩方法和装置 | |
| CN114550236B (zh) | 图像识别及其模型的训练方法、装置、设备和存储介质 |
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 |