CN116209069A - 基于语义域的多址接入方法及相关设备 - Google Patents
基于语义域的多址接入方法及相关设备 Download PDFInfo
- Publication number
- CN116209069A CN116209069A CN202310451589.6A CN202310451589A CN116209069A CN 116209069 A CN116209069 A CN 116209069A CN 202310451589 A CN202310451589 A CN 202310451589A CN 116209069 A CN116209069 A CN 116209069A
- Authority
- CN
- China
- Prior art keywords
- semantic
- information
- sequence
- user
- source
- 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
- 238000000034 method Methods 0.000 title claims abstract description 162
- 230000005540 biological transmission Effects 0.000 claims abstract description 69
- 238000004891 communication Methods 0.000 claims abstract description 36
- 238000013507 mapping Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000011144 upstream manufacturing Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 40
- 230000008569 process Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 22
- 238000012545 processing Methods 0.000 description 15
- 230000002452 interceptive effect Effects 0.000 description 13
- 201000008585 noma Diseases 0.000 description 13
- 206010042135 Stomatitis necrotising Diseases 0.000 description 11
- 230000015572 biosynthetic process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000003786 synthesis reaction Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 230000009466 transformation Effects 0.000 description 8
- 230000006978 adaptation Effects 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000013441 quality evaluation Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 229960001484 edetic acid Drugs 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0446—Resources in time domain, e.g. slots or frames
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/30—Resource management for broadcast services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W74/00—Wireless channel access
- H04W74/02—Hybrid access
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W76/00—Connection management
- H04W76/10—Connection setup
- H04W76/15—Setup of multiple wireless link connections
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请提供一种基于语义域的多址接入方法及相关设备,对信源信息中的语义进行提取以将信源信息转换到语义域,并实现语义信息序列在时频资源上的完全复用,从而在语义域从混叠的多用户语义信息序列中对用户相应的信源信息进行重建。本申请的方案,通过在语义域划分与识别多用户语义特征的方式,能够利用语义通信的技术优势,提升每个用户的信源信息重建质量,进一步提升大规模用户接入能力和系统总体传输性能。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种基于语义域的多址接入方法及相关设备。
背景技术
多址接入技术是移动通信系统的基石技术。相关技术中,在多址接入场景下通常是基于时域、频域、编码域、空间域或者功率域等数据域进行设计,而没有在语义域作考虑。
发明内容
有鉴于此,本申请的目的在于提出一种基于语义域的多址接入方法及相关设备,以解决或部分解决上述问题。
本申请第一方面,提供了一种基于语义域的多址接入方法,通过多用户传输系统实现,所述多用户传输系统包括基站和若干用户终端;
所述方法包括:
所述用户终端获取第一信源信息;
所述用户终端对所述第一信源信息进行语义特征提取,得到第一语义特征序列;
所述用户终端对所述第一语义特征序列进行联合信源信道编码,得到第一语义信息序列;
所述用户终端对所述第一语义信息序列在预设时频资源内进行映射;
所述用户终端将所述第一语义信息序列发送至上行多址接入信道;
所述基站从所述上行多址接入信道获取所述多用户传输系统的所有用户终端的第一语义信息序列,得到第一混叠语义信息序列;其中,所述第一混叠语义信息序列表征所有用户终端的第一语义信息序列在所述时频资源内的叠加;
所述基站根据所述第一混叠语义信息序列,得到所述多用户传输系统的每个用户终端对应的重建的第一信源信息。
本申请第二方面,提供了一种基于语义域的多址接入系统,包括基站和若干用户终端;
其中,每个所述用户终端,包括:
第一获取模块,被配置为:获取第一信源信息;
语义特征提取模块,被配置为:对所述第一信源信息进行语义特征提取,得到第一语义特征序列;
联合信源信道编码模块,被配置为:对所述第一语义特征序列进行联合信源信道编码,得到第一语义信息序列;
时频资源映射模块,被配置为:对所述第一语义信息序列在预设时频资源内进行映射;
发送模块,被配置为:将所述第一语义信息序列发送至上行多址接入信道;
所述基站包括:
第二获取模块,被配置为:从所述上行多址接入信道获取所有用户终端的第一语义信息序列,得到第一混叠语义信息序列;其中,所述第一混叠语义信息序列表征所有用户终端的第一语义信息序列在所述时频资源内的叠加;
重建模块,被配置为:根据所述第一混叠语义信息序列,得到每个所述用户终端对应的重建的第一信源信息。
本申请第三方面,提出了一种计算机程序产品,包括计算机程序指令,当所述计算机程序指令在计算机上运行时,使得计算机执行如第一方面所述的方法。
从上面所述可以看出,本申请提供的基于语义域的多址接入方法及相关设备,对信源信息中的语义进行提取以将信源信息转换到语义域,并实现语义信息序列在时频资源上的完全复用,从而在语义域从混叠的多用户语义信息序列中对用户相应的信源信息进行重建。本申请的方案,通过在语义域划分与识别多用户语义特征的方式,能够利用语义通信的技术优势,提升每个用户的信源信息重建质量,进一步提升大规模用户接入能力和系统总体传输性能。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案,下面将对实施例或相关技术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申请的实施例,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为本申请实施例的基于语义域的多址接入方法的流程示意图;
图2为本申请实施例的示例性的多用户传输系统的所有用户终端分别对第一语义信息序列、第一边信息序列进行时频资源映射的示意图;
图3为本申请实施例的对于目标语义通信网络模型的具体训练方法的流程示意图;
图4为本申请实施例的另一适用于上行传输场景的基于语义域的多址接入方法的示意图;
图5为本申请实施例的利用直接检测进行多用户信号检测的示意图;
图6为本申请实施例的利用串行干扰抵消进行多用户信号检测的示意图;
图7为本申请实施例的利用并行干扰抵消进行多用户信号检测的示意图;
图8为本申请实施例的另一适用于下行传输场景的基于语义域的多址接入方法的示意图;
图9为本申请实施例的下行传输场景的多用户信号检测模块结构示意图;
图10为本申请实施例的又一适用于上行传输场景的基于语义域的多址接入方法的示意图;
图11为本申请实施例的又一适用于下行传输场景的基于语义域的多址接入方法的示意图;
图12为本申请实施例的在-10dB到10dB的信噪比范围内,具有两个用户设备的发送端和三个用户设备的发送端的上行传输场景的基于语义域的多址接入系统的接收端,评价重建图像质量的PSNR性能示意图;
图13为本申请实施例的在-10dB到10dB的信噪比范围内,具有两个用户设备的发送端的下行传输场景的基于语义域的多址接入系统的接收端,多用户重建图像的示例图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,以下结合附图对本申请的实施例进行详细说明。
需要说明的是,除非另外定义,本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
多址接入技术是移动通信系统的基石技术。多址接入的方式决定了信号的生成、发送和接收形态,并在物理层、高层关键技术选择和系统整体设计方面起着关键的作用。现有的多址接入技术包括正交多址接入技术(例如,频分多址FDMA、时分多址TDMA、码分多址CDMA、正交频分多址OFDMA等)与非正交多址接入技术(例如,功率域NOMA、编码域NOMA、信号域NOMA等)。但这些现有技术通常是基于时域、频域、编码域、空间域或者功率域等数据域进行设计,而没有在语义域作考虑。
鉴于此,本申请实施例提供了一种基于语义域的多址接入方法及相关设备,对信源信息中的语义进行提取以将信源信息转换到语义域,并实现语义信息序列在时频资源上的完全复用,从而在语义域从混叠的多用户语义信息序列中对用户相应的信源信息进行重建。本申请的方案,通过在语义域划分与识别多用户语义特征的方式,能够利用语义通信的技术优势,提升每个用户的信源信息重建质量,进一步提升大规模用户接入能力和系统总体传输性能。
需要说明的是,本申请实施例通过多用户传输系统实现,所述多用户传输系统包括基站和若干用户终端i()。另外,为描述方便,本申请实施例中将上行传输场景和下行传输场景对应的基于语义域的多址接入方法分别进行描述。具体的,上行传输场景的发送端为用户终端,接收端为基站端;下行传输场景的发送端为基站端,接收端为用户终端。
需要说明的是,本申请实施例的多址接入方法是基于预先训练得到的目标语义通信网络模型实现的。并且,可以通过以下方法训练得到所述目标语义通信网络模型:根据信源信息的类型选择信源数据集;构建语义通信网络模型;将所述信源数据集输入到所述语义通信网络模型中进行训练,直至满足预先设定的终止条件,得到所述目标语义通信网络模型。对于具体的训练步骤将在后续进行进一步说明。此外,对于该目标语义通信网络模型的网络结构,可以包括卷积神经网络、Transformer结构、全连接神经网络结构等网络结构,本实施例中不作限定。
需要说明的是,本申请实施例中,对于信源种类,可以包括文本信源、语音信源、图像信源、视频信源等高维信源种类,或者基本的二元或多元的独立或相关信源等等,本实施例不作限定。
应当理解的是,信源种类只影响目标语义通信网络模型,即,信源种类不同,训练得到的目标语义通信网络模型(结构、参数)不同,而对本实施例的多址接入方法的其他步骤无影响。
图1示出了本申请实施例的基于语义域的多址接入方法100的流程示意图。如图1所示,该方法100适用于上行传输场景,可以包括以下步骤。
在一些实施例中,用户终端对第一语义特征序列进行变换得到第一边信息序列;利用所述第一边信息序列/>估计所述第一语义特征序列的概率信息,得到第一概率信息序列/>;根据所述第一概率信息序列/>,得到第一信道输入符号维度序列/>;基于所述第一信道输入符号维度序列/>,对所述第一语义特征序列/>进行联合信源信道编码,得到第一语义信息序列/>。
具体实施时,对于第一语义特征序列,可以计算与其维度相同的均值信息/>和方差信息/>,从而为第一语义特征序列/>中的每个语义特征值/>确定高斯分布的均值与概率特征/>,并以相应的语义特征值/>为基准,获取/>范围内的区间概率值,作为与/>对应的概率值/>,最后将每个概率值进行序列组合,获得第一概率信息序列/>。
进一步的,对第一概率信息序列进行划分,得到预设数量的第一概率信息部分;对于每个所述第一概率信息部分,通过计算得到对应的第一信道输入符号数;将所有所述第一信道输入符号数进行序列组合,得到第一信道输入符号维度序列/>。
在一些可选的实施例中,可以将第一语义特征序列划分为至少一个部分/>,即,/>(/>);并基于这一划分方式,将第一概率信息序列/>划分为相应数量的部分,即,/>,从而得到预设数量的第一概率信息部分/>。可以理解,对于第一概率信息部分/>的数量的设定,是根据预先划分得到的第一语义特征序列部分的数量而确定的,即,基于相同的划分方式。
具体实施时,将每个用户终端的第一语义信息序列作为公共语义信息在一段相同的时频资源内(即,预设时频资源)进行映射,以使得后续在上行多址接入信道的该时频资源范围内进行叠加,其映射后的区域称为“公共语义信息区域”。
可以理解,由于多用户传输系统的所有用户终端的第一语义信息序列所占用的时频资源均相同,因此在上行多址接入信道中,这些用户终端的第一语义信息序列/>将在该时频资源范围内进行叠加,以使接收端(基站)可以接收到混叠的语义信息序列。也就是说,信号叠加是在无线信道传输的过程中形成的一种结果,因为每个用户终端都在相同的时频资源中映射第一语义信息序列/>,故在接收端得到的结果就是多用户的信息在这一段时频资源内的叠加。
对于多用户传输系统的所有用户终端的第一边信息序列,每个用户终端所占用的时频资源将在上行多址接入信道中呈现相互正交或非正交的关系,并将其作为专用语义信息传递给接收端的基站。需要说明的是,其时频资源范围与多用户的第一语义信息序列叠加所使用的时频资源范围不具有交集。其中,若采用每个用户所占用的时频资源相互正交,则各个用户的边信息序列在这块时频资源范围内各自占用一部分时频资源,以便接收端可以独立地恢复各个用户的边信息;若每个用户所占用的时频资源之间为非正交关系,则可以在功率域、编码域或信号域上进行区分,以便接收端可以利用串行干扰抵消或并行干扰抵消等方法,恢复各个用户的边信息。
参考图2,为示例性的多用户传输系统的所有用户终端分别对第一语义信息序列、第一边信息序列/>进行时频资源映射的示意图(/>)。如图2所示,多用户语义信息序列在同一时频资源内完全叠加,边信息序列在另一块时频资源内正交地进行划分。
步骤S106、基站从所述上行多址接入信道获取所述多用户传输系统的所有用户终端的第一语义信息序列,得到第一混叠语义信息序列/>;其中,所述第一混叠语义信息序列/>表征所有用户终端的第一语义信息序列/>在所述时频资源内的叠加。
在一些实施例中,当第一边信息序列正交地映射到专用语义信息所占用的时频资源中时,基站可以独立地恢复各个用户的边信息/>;当第一边信息序列/>非正交地映射到专用语义信息所占用的时频资源中时,基站可以利用串行干扰抵消或并行干扰抵消等方法,恢复各个用户的边信息/>。
在一些实施例中,基站分别对每个所述用户终端的第一边信息序列进行变换,得到对应的重建的第一概率信息序列/>;根据所述重建的第一概率信息序列/>,得到重建的第一信道输入符号维度序列/>。对于具体实施方式,与前述用户终端的相应的方法实施例相同,在此不再赘述。
在一些实施例中,根据所述重建的第一信道输入符号维度序列和所述第一混叠语义信息序列/>,通过联合信源信道解码得到重建的第一语义特征序列/>;根据所述重建的第一语义特征序列/>,得到重建的第一信源信息/>。
另外,本申请还提供了一种适用于下行传输场景的基于语义域的多址接入方法200,该方法200可以包括以下步骤。
步骤S201、基站分别获取所述多用户传输系统的每个用户终端对应的第二信源信息。
本实施例中,首先根据用户终端的请求,或运营商服务器端发送的信息,确定每个用户所需要的信源种类,包括但不限于文本信源、语音信源、图像信源、视频信源等高维信源种类,或者基本的二元或多元的独立或相关信源等;然后,基站可以从设备或运营商服务器中选择、获取或产生相应的第二信源信息。
步骤S202、基站对所述第二信源信息进行语义特征提取,得到第二语义特征序列。
步骤S203、基站对所述第二语义特征序列进行联合信源信道编码,得到第二语义信息序列。
本实施例中,基站对第二语义特征序列进行变换得到第二边信息序列;利用第二边信息序列估计第二语义特征序列的概率信息,得到第二概率信息序列;根据第二概率信息序列,得到第二信道输入符号维度序列;基于第二信道输入符号维度序列,对第二语义特征序列进行联合信源信道编码,得到第二语义信息序列。
需要说明的是,基站分别对多个用户对应的第二信源信息进行编码的整个过程无时间限定,即,可以同时进行编码,也可以不同时进行。具体的,同时处理为利用CPU或GPU等计算硬件进行并行处理,不同时处理为可以先后为每个用户的信源信息进行处理。
步骤S204、基站对所述第二语义信息序列在预设时频资源内进行映射,并对所述多用户传输系统的所有用户终端对应的所述第二语义信息序列进行叠加,得到第二混叠语义信息序列。具体的,第二语义信息序列在公共语义信息占用的时频资源内进行叠加。
另外,在一些实施例中,基站对第二边信息序列进行时频资源映射。具体的,第二边信息序列在专用语义信息占用的时频资源内进行正交或非正交地信号映射,获得映射后的边信息序列。
步骤S205、基站将所述第二混叠语义信息序列发送至下行广播信道,并广播给所述多用户传输系统的每个用户终端。
另外,在一些实施例中,基站将映射后的边信息序列发送至下行广播信道,并广播给所述多用户传输系统的每个用户终端。
具体实施时,将第二混叠语义信息序列作为公共语义信息传入下行广播信道,其所在的时频资源区域称为“公共语义信息区域”;将映射后的边信息序列作为专用语义信息传入下行广播信道,其所在的时频资源区域称为“专用语义信息区域”。进一步的,在下行广播信道中,将第二混叠语义信息序列与每个用户的边信息序列传输给每个用户终端。
步骤S206、用户终端接收所述第二混叠语义信息序列,并根据所述第二混叠语义信息序列得到对应的重建的第二信源信息。
在一些实施例中,从公共语义信息中获取到混叠的语义信息序列,从专用语义信息里获取每个用户的边信息序列/>或/>。当边信息序列/>被正交地映射到专用语义信息所占用的时频资源中时,用户终端可以独立地恢复相应用户的边信息/>或各个用户的边信息/>;当边信息序列/>被非正交地映射到专用语义信息所占用的时频资源中时,用户终端可以利用串行干扰抵消或并行干扰抵消等方法,恢复相应用户的边信息/>或每个用户的边信息/>。
在一些实施例中,对相应用户的边信息序列或每个用户的边信息序列/>进行非线性变换,并获得与语义特征序列相应的相应用户的概率信息序列/>或每个用户的概率信息序列/>;然后,为相应用户或每个用户的语义特征序列确定信道输入符号维度序列或/>;最终得到对应的重建的第二信源信息。
此外,图3示出了对于目标语义通信网络模型的具体训练方法300。如图3所示,该训练方法300可以包括以下步骤。
步骤S301、选择与传输信源要求相符的数据集。
本实施例中,可以根据用户所需要传输或接收到的信源类型或传输场景(如文本传输、语义传输、图像传输、视频传输,或二元或多元的独立或相关信源序列的传输等),选择对应的信源数据集,以便利用该数据集对后续构建的语义通信模型进行端到端的训练、验证和线上测试。
步骤S302、构建可用于基于语义域的多址接入场景的语义通信模型。
具体的,所构建的语义通信模型结构包括用于实现前述实施例中相应的基于语义域的多址接入方法的若干模块,例如,语义特征提取模块、联合信源信道编码模块/>、时频资源映射模块、重建模块(联合信源信道解码模块/>)等,以及这些模块下设的子模块(例如,语义特征综合模块/>、超先验熵估计解析模块/>、超先验熵估计综合模块/>、速率适配模块/>、带干扰信道模块/>等)。并且,每个同名模块的结构和内部参数,分别在训练过程和测试过程中保持一致。
另外,在一些可选的实施例中,可以在这些模块内部引入信噪比自适应机制,或者,可以进一步设置信噪比自适应模块,从而提升语义通信模型对不同信噪比范围的适应能力,并提升语义通信模型接收端的信源重建质量和端到端的率失真性能。
步骤S303、在充分考虑干扰用户信号影响的条件下,训练语义通信模型。
本实施例中,根据多用户传输系统的用户终端的数量和信噪比范围,以单个用户终端作为待检测信源,其他用户终端作为干扰信号,计算干扰条件下的信干噪比范围,并设置该信噪比范围以训练语义通信模型。
可选的,训练方法可以包括两种。其中,方法一为利用高斯噪声信道模拟干扰用户信号影响存在的场景进行训练;方法二为通过构建真实的干扰用户信号影响存在的场景进行训练。
对于方法一,前向推理的过程包括:
首先,获取信源信息,并获得语义信息序列/>和边信息序列/>;其次,从带干扰条件下的信干噪比范围中,选定一个信干噪比值SINR,并基于这一信干噪比,生成白高斯噪声序列/>,并使语义信息序列/>和边信息序列/>经过该白高斯噪声信道;最后,从信道中获取语义信息序列/>和边信息序列/>,并利用直接检测的方式,对该用户的信源信息/>进行估计和重建。
对于方法二,(可以设置多个干扰用户,这里给出只存在一个干扰用户情况的示例),前向推理的过程包括:
首先,获取信源信息与干扰用户信号信息/>,并获得语义信息序列/>和边信息序列/>,以及干扰用户的语义信息序列/>和边信息序列/>;其次,从带干扰条件下的信干噪比范围中,选定一个信干噪比值SINR,并基于这一信干噪比与已经存在的干扰信号/>的信号功率,推断使用的高斯白噪声序列/>,并使语义信息序列/>和边信息序列/>在存在干扰语义信息序列/>与边信息序列/>的条件下,经过该白高斯噪声信道;最后,从信道中获取叠加后的语义信息序列/>(即/>)和边信息序列/>,并利用直接检测的方式,对该用户的信源信息/>进行估计和重建。
可选的,可以从叠加后的语义信息序列(即/>)中,利用干扰用户的边信息序列/>,用直接检测的方式,对干扰用户的信源信息/>进行估计和重建,进而可以利用串行或并行干扰抵消的方法,对待检测的信源信息/>进行估计和重建。
后向梯度传播的方法为:
随后,根据上述各项,构建损失函数:
或,
或
最后,利用梯度下降法,基于上述损失函数,对语义通信模型中的各个模块内部的参数进行调整和优化,直到损失值收敛后,完成语义通信模型的训练,得到目标语义通信模型。
需要说明的是,模型的具体训练过程不做具体规定。在模型的训练过程中,可以直接对模型内的所有模块一起进行训练,也可以在固定某些模块的条件下,对特定的模块进行训练。例如,可以先以语义特征提取模块、超先验熵估计解析模块、超先验熵估计综合模块、语义特征综合模块为基础,构建的信源压缩与重建模型进行训练,再固定这些模块的参数,对联合信源信道编码模块和联合信源信道解码模块进行训练等。
步骤S304、将目标语义通信模型按模块进行拆分,并分别部署到基于语义域的多址接入系统中。
具体实施时,可以将目标语义通信模型及其参数按照模块名称进行划分,并根据模块名称将每个模块部署到基于语义域的多址接入系统中,并固定网络参数。
此外,在一些可选的实施例中,可以对实际采用的模型结构和参数进行微调。即,将载入参数后的模型在实际场景中进行微调训练,并在性能收敛后,固定网络参数。
这样,可以实现对目标语义通信模型的训练,并实现将该目标语义通信模型对基于语义域的多址接入系统的部署,进而可以在相应的多址接入场景中进行测试或使用。
本申请还提供了另一种适用于上行传输场景的基于语义域的多址接入方法,如图4所示。
参考图4,发送端为用户终端,每个用户终端中包括至少一个多用户语义编码器,以便将用户需要传输的第一信源信息转换到语义域,并向多址接入信道中传输第一语义信息序列和第一边信息序列;接收端为基站端,基站端中包括至少一个多用户语义检测器,以便利用从多址接入信道中获取的每个用户的第一边信息序列,对从多址接入信道中获取的第一混叠语义信息序列进行多用户信号检测,以恢复出每个用户的信源信息(即,重建的第一信源信息)。
如图4所示,将获取的第一信源信息(/>)送入到多用户语义编码器中,以进行信源信息在上行多址接入信道中的编码传输。可以理解,当确定/>种类后,即选择与该信源类型相对应的已训练好的多用户语义编码器与多用户语义检测器内部各个模块的网络参数,并将这些模块的参数分别载入到多用户语义编码器与多用户语义检测器中。
当语义特征提取模块载入网络参数后,利用该语义特征提取模块/>,对第一信源信息/>进行非线性变换,并获得相应的第一语义特征序列/>。具体的,对于语义特征提取模块/>,可以采用深度神经网络结构进行构建,通常可以采用包括但不限于卷积神经网络、Transformer结构、全连接神经网络结构等网络结构进行实现,并采用非线性激活函数实现神经网络的非线性计算,同时添加具有降维功能的神经网络结构,从而实现对语义特征的提取。
由于多用户的占用的时频资源相同,在上行多址接入信道中,这些用户的语义信息序列将在该时频资源范围内进行叠加,使基站可以接收到第一混叠语义信息序列/>。而对于第一边信息序列/>,每个用户所占用的时频资源将在上行多址接入信道中呈现相互正交或非正交的关系。
进一步的,基站端利用多用户语义检测器的超先验熵估计综合模块,对边信息序列/>进行非线性变换,并获得重建的第一概率信息序列/>。应当理解的是,多用户语义检测器中的超先验熵估计综合模块/>的结构与多用户语义编码器中的对应模块的结构/>保持一致,其参数可以与多用户语义编码器中的对应模块的参数完全相同,或者可以针对接收端场景进行微调。
最后,利用多用户信号检测模块,使用直接检测、串行干扰抵消或并行干扰抵消等方法,对每个用户进行信号检测,并重建每个用户的信源信息。具体的,多用户信号检测模块以重建的第一信道输入符号维度序列以及可选的(图4中以虚线表示)重建的第一概率信息序列/>作为条件,以第一混叠语义信息序列/>作为输入,利用直接检测、串行干扰抵消或并行干扰抵消等方法,对每个用户发送的第一信源信息进行检测与重建,从而得到重建的第一信源信息/>。
图5示出了利用直接检测进行多用户信号检测的示意图。首先,将及可选的/>作为条件,以/>作为输入,利用联合信源信道解码模块/>,进行/>的重建;然后,利用语义特征综合模块/>,将/>进行非线性变换,以得到重建的第一信源信息/>。
图6示出了利用串行干扰抵消进行多用户信号检测的示意图,其表示逐一将用户的信号作为干扰信号,进行信源重建和干扰抵消,获得用户1(以用户1作为待检测用户)的纯噪声接收信号/>,进而对用户1进行/>与/>进行重建。
如图6所示,首先,对于每个干扰用户,利用联合信源信道解码模块和语义特征综合模块/>对干扰信号的/>与/>进行重建。其中,对干扰用户/>,其对应联合信源信道解码模块/>的输入信号为串行干扰抵消过程中的干扰抵消信号/>,即可以表示为:。
最后,当每个干扰用户的信道输入语义信息序列全部被重建后,采用下式获得对于用户1的纯噪声接收信号/>:/>。并在此后利用联合信源信道解码模块/>和语义特征综合模块/>,以纯噪声接收信号/>作为输入,对待检测用户1的语义特征序列/>与信源信息/>进行重建。
需要说明的是,当待检测用户序号为时,除将待检测用户修改为/>之外,其他处理流程与上述方法完全相同,这里不再赘述;此外,串行干扰抵消过程中的干扰用户抵消顺序并不需要按照用户序号的顺序进行操作,其顺序可以随意设置。
图7示出了利用并行干扰抵消进行多用户信号检测的示意图,其表示将除待检测用户外的其他用户作为干扰用户,并以混叠语义信息序列作为输入,同时对干扰用户的信道输入信号进行重建和干扰抵消,从而获得用户/>的纯噪声接收信号/>,进而对用户/>进行语义特征序列/>与信源信息/>进行重建。/>
首先,对于每个干扰用户,利用联合信源信道解码模块/>和语义特征综合模块/>对干扰信号的语义特征序列/>与信源信息/>进行重建。其中,对每个干扰用户/>,其对应联合信源信道解码模块/>的输入信号都为混叠语义信息序列/>。
最后,当每个干扰用户的信道输入语义信息序列全部被重建后,采用下式获得对于用户/>的纯噪声接收信号/>:/>。并在此后利用联合信源信道解码模块和语义特征综合模块/>,以纯噪声接收信号/>作为输入,对待检测用户/>的语义特征序列/>与信源信息/>进行重建。
需要说明的时,上述并行干扰抵消过程可以看作一层处理过程,而在实际进行并行干扰抵消操作时,可以级联多层干扰抵消处理过程,使每个用户的信源重建质量进一步提升。其操作方法为,叠加多层并行干扰抵消处理层,并在不同层的并行干扰抵消处理过程中,将该获得的干扰用户的重建信号从混叠语义信息序列/>中进行抵消,其中/>表示并行干扰抵消处理的层数。随着并行干扰抵消的层数的增多,干扰用户的重建信号/>就越接近真实的语义信息序列/>,从而使得每一层获得的/>更加精确,以逐渐提升重建信源/>的质量,直到性能收敛或无法通过级联并行干扰抵消方法提升重建信源质量为止。
另外,在直接检测、串行干扰抵消、并行干扰抵消三种方法中,当用户数量大于两个,采用串行干扰抵消可以获得最优的信号检测性能,但由于每个干扰信号重建过程中的输入都是上一次干扰抵消过程中的输出,因此无法采用并行操作进行实现,其计算复杂度最高;当用户数量等于两个,且两用户的信号功率相等时,采用并行干扰抵消的信源重建效果与采用串行干扰抵消的信源重建效果相同;当用户数量大于两个,采用并行干扰抵消的信源重建效果将略逊于采用串行干扰抵消的信源重建效果,但由于每个干扰信号重建过程中的输入在同一层干扰抵消过程中的其他用户的干扰抵消结果无关,因此并行干扰抵消可以采用并行的方式进行实现,其计算复杂度相对于串行干扰抵消方法有所降低。直接检测的方法虽然具有最低的计算复杂度,但信源重建效果不佳。
本申请还提供了另一种适用于下行传输场景的基于语义域的多址接入方法,如图8所示。
利用语义特征提取模块,实现针对每个用户信源信息的语义特征信息/>提取;利用超先验熵估计解析模块/>,为每个用户提取边信息序列/>;利用超先验熵估计综合模块/>,为每个用户计算语义特征序列对应的概率信息序列/>;利用速率适配模块/>,为每个用户的语义特征序列决定各自的降维符号维度序列/>;利用联合信源信道编码模块/>,将每个用户的语义特征序列转换为可向信道输入的语义信息序列/>;利用信号叠加模块,将每个用户的语义信息序列/>与边信息序列/>进行时频资源映射,获得混叠语义信息序列和映射后的边信息序列/>。
进一步的,用户终端基于多用户语义检测器利用超先验熵估计综合模块,重建与相应用户或每个用户的语义特征序列对应的概率信息序列/>或/>;利用速率适配模块/>,为相应用户或每个用户的序列重建提供信道输入符号速率/>或/>。
可选的,若只为相应用户获得信道输入符号速率和概率信息序列,则在多用户信号检测模块中,利用直接检测的方式,对相应用户进行信号检测,并重建相应用户的信源信息。
可选的,若为每个用户获得信道输入符号和概率信息序列,则在多用户信号检测模块中,利用串行干扰抵消或并行干扰抵消的方式,对相应用户进行信号检测,并重建相应用户的信源信息。
其中,对于采用并行干扰抵消检测的多用户信号检测模块,其以每个用户终端相对应的信道输入符号速率,以及可选的语义特征序列对应的概率信息序列/>作为条件,以混叠语义信息序列/>作为输入,利用并行干扰抵消的方法,对用户/>进行信号检测和信源重建。其对应的多用户信号检测模块结构如图9所示(以待检测用户序号/>为例),它可以被看作是前述上行传输场景的基于语义域的多址接入方法中的并行干扰抵消方法对应多用户信号检测模块结构中的一个部分。其处理流程为,除需要根据用户终端序号确定待检测信号/>外,其他的处理流程与上述并行干扰抵消方法完全相同,在此不再赘述。
需要说明的是,在下行传输场景的基于语义域的多址接入方法中,若使用并行干扰抵消进行多用户信号检测,同样可以采用多层并行干扰抵消处理层级联的方式进行信号检测和信源信息重建。此时,除最后一层外,多层并行干扰抵消处理层的结构与前述上行的多址接入方法中的级联并行干扰抵消方法完全相同,最后一层只按照上述并行干扰抵消的方法,对待检测用户进行并行干扰抵消,从而完成级联并行干扰抵消后对用户/>的信号检测和信源信息重建过程。
此外,在一些可选的实施例中,用户终端将第一语义信息序列发送至上行多址接入信道之前,还可以利用正交多址接入方法或非正交多址接入方法对所述第一语义信息序列进行无线资源映射;基站将第二语义信息序列发送至下行广播信道之前,还可以利用正交多址接入方法或非正交多址接入方法对所述第二语义信息序列进行无线资源映射。
具体的,本申请实施例的基于语义域的多址接入方法易于与相关技术的正交多址接入方法OMA或非正交多址接入方法NOMA方法所兼容,包括但不限于频分多址FDMA、时分多址TDMA、码分多址CDMA、正交频分多址OFDMA、空分多址SDMA以及功率域NOMA技术、编码域NOMA技术、信号域NOMA技术等。
然而,对于相关技术中的多址接入方案难以相互兼容。例如,一些编码域NOMA难以与功率域NOMA相互兼容;不同的编码域NOMA方案之间难以相互兼容;不同的信号域NOMA方案之间难以相互兼容等。
参考图10,为本申请实施例的又一上行传输场景下基于语义域的多址接入方法的示意图,即与正交或非正交多址接入方法兼容时的示意图。即,在将每个用户的语义信息序列与边信息序列送入多址接入信道之前,先利用正交多址接入方法OMA或非正交多址方法NOMA进行无线资源映射。
参考图11,为本申请实施例的又一下行传输场景下基于语义域的多址接入方法的示意图,即与正交或非正交多址接入方法兼容时的示意图。即,在将混叠的语义信息序列与每个用户的边信息序列送入下行广播信道之前,先利用正交多址接入方法OMA或非正交多址方法NOMA进行无线资源映射。
因此,本申请的方案,通过多用户语义编码器获得的语义信息序列在时频资源上的完全复用,以及边信息序列的正交或非正交的时频资源映射,能够使多用户语义检测器利用每个用户相应的边信息,在语义域从混叠的多用户语义信息序列中,通过直接或串行干扰抵消、并行干扰抵消等方法,对用户相应的信源信息进行重建,从而提升每个用户的信源信息重建质量,进一步提升大规模用户接入能力和系统总体传输性能。
最后,给出了基于图像信源传输任务的上行传输场景的基于语义域的多址接入方法的验证数据结果。
实验条件包括:
语义通信模型训练以及线上测试所采用的图像数据均来自CelebA人脸数据集,并通过包括但不限于截取、缩放等操作,将数据集中的人脸图像更改为3*64*64的人脸图像,其中3表示图像的R、G、B共3通道,64*64表示图像的图像分辨率(即高度像素数*宽度像素数);
多用户语义编码器与多用户语义检测器的速率适配模块需要对语义特征序列划分区域,并分别为每个区域适配信道传输速率;多用户语义编码器输出的语义信息序列的符号维度,与原始图像信源像素维度的压缩比约为0.3,其对应的边信息维度与图像信源像素维度的压缩比约为0.03;
设定多址接入后多用户混叠的语义信息序列的接收功率为1,每个用户调整发射功率,使其在接收端按照等功率分配语义信息序列所占用时频资源范围内的功率资源;
设定多址接入后每个用户的边信息序列正交地划分时频资源,每个用户调整发射功率,使其在接收端获得的边信息序列信号功率为1;
设定模型训练过程与测试过程中的信道为AWGN信道;
设定模型训练的信噪比范围在-10dB到0dB之间,其信噪比范围的设置考虑的是含有干扰信号功率的影响的信干噪比值,其计算方法为,接收单用户信号功率与干扰用户信息总功率以及噪声功率之和的比值;
设定实际测试的信噪比范围为-10dB到10dB之间,其信噪比范围的设置考虑的是接收端获得的信噪比值,其计算方法为,接收所有用户的信号总功率与噪声功率的比值;
设定模型训练过程中的端到端失真测度指标选用均方误差MSE;
设定模型测试过程中的端到端重建图像质量度量选用峰值信噪比PSNR。
图12给出了具有两个发送端用户设备与具有三个发送端用户设备的上行语义域的多址接入场景中,基站端直接检测的方法进行用户信源信息重建、采用一次并行干扰抵消方法进行用户信源信息重建,以及采用两次级联的并行干扰抵消方法进行用户信源信息重建下,用户端到端的重建图像传输质量。由于每个用户的语义信息序列在复用过程中功率相等,且采用并行干扰抵消方法进行用户信息重建,每个用户的平均重建图像质量较为接近,因此在图中不区分对于每个用户的性能曲线。
从图12中可以看出:
基于语义域划分的多址接入方法,能够对测试信噪比范围内的各个信噪比恢复信源图像,且其重建图像的质量随信噪比的提升而获得稳步地提升;
采用并行干扰抵消后的重建图像质量明显优于直接检测方法的重建图像质量,其中,在两个发送端用户设备的场景中,采用并行干扰抵消的方法可以在信噪比尺度上,获得最多优于直接检测方法约10dB的性能增益,在三个发送端用户设备的场景中,采用并行干扰抵消的方法可以在信噪比尺度上,获得最多优于直接检测方法约12dB的性能增益;
采用多次级联并行干扰抵消后的重建图像质量优于采用一次并行干扰抵消后的重建图像质量,其中,在两个发送端用户设备的场景中,采用两次级联并行干扰抵消的方法可以在信噪比尺度上,获得最多优于采用一次并行干扰抵消方法约2.5dB的性能增益,在三个发送端用户设备的场景中,采用两次级联并行干扰抵消的方法可以在信噪比尺度上,获得最多优于采用一次并行干扰抵消方法约2.5dB的性能增益;
具有两个发送端用户设备的上行语义域划分的多址接入场景在使用直接检测方法,或使用一次或两次级联的并行干扰抵消方法进行各个用户信息图像重建时,其平均重建图像质量明显优于具有三个发送端用户设备的相应上行多址接入场景的平均重建图像质量;
具有三个发送端用户设备的上行语义域划分的多址接入场景中,语义接收机采用两次级联的并行干扰抵消方法所获得的平均重建图像质量,与具有两个发送端用户设备的上行语义域划分的多址接入场景中,多用户语义检测器采用直接检测方法获得的平均重建图像质量相比,在信噪比尺度上的距离约为2.5dB。
图13给出了在如上所述的模型训练与测试条件下,具有两个发送端用户设备的上行语义域的多址接入场景中,接收端基站采用直接检测方法后获得的3组重建图像示例。
由图13可以看出:
当接收端信噪比为-10dB时,与原图相比,用户重建图像的特征存在较为明显的失真,但仍能够看出原图中具有识别度的重要特征;
当接收端信噪比为-5dB时,重建图像的客观质量评价度量值(PSNR)明显提高,与原图相比,用户重建图像的特征基本上能够正常恢复,但仍处在像素模糊与部分特征失真问题,但其重构图像质量明显优于-10dB下的重建图像质量;
当接收端信噪比为0dB时,重建图像的客观质量评价度量值(PSNR)进一步提高,与原图相比,在人眼感官上仅能够发现少部分特征存在失真;
当接收端信噪比为5dB时,重建图像的客观质量评价度量值(PSNR)进一步提高,与原图相比,在人眼感官上已几乎无法识别出重建图像与原始图像之间存在特征失真;
当接收端信噪比为10dB时,重建图像的客观质量评价度量值(PSNR)进一步提高,与原图相比,在人眼感官上已几乎无法识别出重建图像与原始图像之间存在差别。
上述验证数据结果表明,本申请实施例中的实验能够在每个用户的重建信息质量上具有较高的可靠性,从而验证本申请公开的语义域划分的多址接入方法具有可行性以及较高的可靠性。
需要说明的是,上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一技术构思,与上述任一实施例方法相对应的,本申请还提供了一种基于语义域的多址接入系统,包括基站和若干用户终端;
其中,每个所述用户终端,包括:
第一获取模块,被配置为:获取第一信源信息;
语义特征提取模块,被配置为:对所述第一信源信息进行语义特征提取,得到第一语义特征序列;
联合信源信道编码模块,被配置为:对所述第一语义特征序列进行联合信源信道编码,得到第一语义信息序列;
时频资源映射模块,被配置为:对所述第一语义信息序列在预设时频资源内进行映射;
发送模块,被配置为:将所述第一语义信息序列发送至上行多址接入信道;
所述基站包括:
第二获取模块,被配置为:从所述上行多址接入信道获取所有用户终端的第一语义信息序列,得到第一混叠语义信息序列;其中,所述第一混叠语义信息序列表征所有用户终端的第一语义信息序列在所述时频资源内的叠加;
重建模块,被配置为:根据所述第一混叠语义信息序列,得到每个所述用户终端对应的重建的第一信源信息。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的基于语义域的多址接入方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一技术构思,与上述任一实施例方法相对应的,本申请还提供了一种计算机程序产品,其包括计算机程序指令。在一些实施例中,所述计算机程序指令可以由计算机的一个或多个处理器执行以使得所述计算机和/或所述处理器执行所述的基于语义域的多址接入方法。对应于所述的基于语义域的多址接入方法各实施例中各步骤对应的执行主体,执行相应步骤的处理器可以是属于相应执行主体的。
上述实施例的计算机程序产品用于使所述计算机和/或所述处理器执行如上任一实施例所述的基于语义域的多址接入方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本申请的范围(包括权利要求)被限于这些例子;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本申请实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本申请实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本申请实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本申请的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本申请实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于语义域的多址接入方法,其特征在于,通过多用户传输系统实现,所述多用户传输系统包括基站和若干用户终端;
所述方法包括:
所述用户终端获取第一信源信息;
所述用户终端对所述第一信源信息进行语义特征提取,得到第一语义特征序列;
所述用户终端对所述第一语义特征序列进行联合信源信道编码,得到第一语义信息序列;
所述用户终端对所述第一语义信息序列在预设时频资源内进行映射;
所述用户终端将所述第一语义信息序列发送至上行多址接入信道;
所述基站从所述上行多址接入信道获取所述多用户传输系统的所有用户终端的第一语义信息序列,得到第一混叠语义信息序列;其中,所述第一混叠语义信息序列表征所有用户终端的第一语义信息序列在所述时频资源内的叠加;
所述基站根据所述第一混叠语义信息序列,得到所述多用户传输系统的每个用户终端对应的重建的第一信源信息。
2.根据权利要求1所述的方法,其特征在于,所述用户终端对所述第一语义特征序列进行联合信源信道编码,得到第一语义信息序列,包括:
所述用户终端对所述第一语义特征序列进行变换得到第一边信息序列;
利用所述第一边信息序列估计所述第一语义特征序列的概率信息,得到第一概率信息序列;
根据所述第一概率信息序列,得到第一信道输入符号维度序列;
基于所述第一信道输入符号维度序列,对所述第一语义特征序列进行联合信源信道编码,得到第一语义信息序列。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一概率信息序列,得到第一信道输入符号维度序列,包括:
对所述第一概率信息序列进行划分,得到预设数量的第一概率信息部分;
对于每个所述第一概率信息部分,通过计算得到对应的第一信道输入符号数;
将所有所述第一信道输入符号数进行序列组合,得到第一信道输入符号维度序列。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
所述用户终端对所述第一边信息序列进行时频资源映射;
所述用户终端将所述第一边信息序列发送至上行多址接入信道;
所述基站从所述上行多址接入信道中获取所述多用户传输系统的所有用户终端的第一边信息序列。
5.根据权利要求4所述的方法,其特征在于,所述基站根据所述第一混叠语义信息序列,得到所述多用户传输系统的每个用户终端对应的重建的第一信源信息,包括:
所述基站分别对每个所述用户终端的所述第一边信息序列进行变换,得到对应的重建的第一概率信息序列;
根据所述重建的第一概率信息序列,得到重建的第一信道输入符号维度序列;
根据所述重建的第一信道输入符号维度序列和所述第一混叠语义信息序列,通过联合信源信道解码得到重建的第一语义特征序列;
根据所述重建的第一语义特征序列,得到重建的第一信源信息。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
所述基站分别获取所述多用户传输系统的每个用户终端对应的第二信源信息;
所述基站对所述第二信源信息进行语义特征提取,得到第二语义特征序列;
所述基站对所述第二语义特征序列进行联合信源信道编码,得到第二语义信息序列;
所述基站对所述第二语义信息序列在预设时频资源内进行映射,并对所述多用户传输系统的所有用户终端对应的所述第二语义信息序列进行叠加,得到第二混叠语义信息序列;
所述基站将所述第二混叠语义信息序列发送至下行广播信道,并广播给所述多用户传输系统的每个用户终端;
所述用户终端接收所述第二混叠语义信息序列,并根据所述第二混叠语义信息序列得到对应的重建的第二信源信息。
7.根据权利要求1所述的方法,其特征在于,所述方法是基于预先训练得到的目标语义通信网络模型实现的;
还包括通过以下方法训练得到所述目标语义通信网络模型:
根据所述第一信源信息的类型选择信源数据集;构建语义通信网络模型;将所述信源数据集输入到所述语义通信网络模型中进行训练,直至满足预先设定的终止条件,得到所述目标语义通信网络模型。
8.根据权利要求1所述的方法,其特征在于,所述用户终端将所述第一语义信息序列发送至上行多址接入信道之前,所述方法还包括:利用正交多址接入方法或非正交多址接入方法对所述第一语义信息序列进行无线资源映射。
9.一种基于语义域的多址接入系统,其特征在于,包括基站和若干用户终端;
其中,每个所述用户终端,包括:
第一获取模块,被配置为:获取第一信源信息;
语义特征提取模块,被配置为:对所述第一信源信息进行语义特征提取,得到第一语义特征序列;
联合信源信道编码模块,被配置为:对所述第一语义特征序列进行联合信源信道编码,得到第一语义信息序列;
时频资源映射模块,被配置为:对所述第一语义信息序列在预设时频资源内进行映射;
发送模块,被配置为:将所述第一语义信息序列发送至上行多址接入信道;
所述基站包括:
第二获取模块,被配置为:从所述上行多址接入信道获取所有用户终端的第一语义信息序列,得到第一混叠语义信息序列;其中,所述第一混叠语义信息序列表征所有用户终端的第一语义信息序列在所述时频资源内的叠加;
重建模块,被配置为:根据所述第一混叠语义信息序列,得到每个所述用户终端对应的重建的第一信源信息。
10.一种计算机程序产品,包括计算机程序指令,当所述计算机程序指令在计算机上运行时,使得计算机执行如权利要求1-8中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310451589.6A CN116209069B (zh) | 2023-04-25 | 2023-04-25 | 基于语义域的多址接入方法及相关设备 |
US18/486,019 US11895629B1 (en) | 2023-04-25 | 2023-10-12 | Multiple access method and related device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310451589.6A CN116209069B (zh) | 2023-04-25 | 2023-04-25 | 基于语义域的多址接入方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116209069A true CN116209069A (zh) | 2023-06-02 |
CN116209069B CN116209069B (zh) | 2023-07-21 |
Family
ID=86517624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310451589.6A Active CN116209069B (zh) | 2023-04-25 | 2023-04-25 | 基于语义域的多址接入方法及相关设备 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11895629B1 (zh) |
CN (1) | CN116209069B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110609903A (zh) * | 2019-08-01 | 2019-12-24 | 华为技术有限公司 | 信息表示方法及装置 |
US20210068073A1 (en) * | 2018-01-12 | 2021-03-04 | Panasonic Intellectual Property Corporation Of America | User equipment, base station and method for paging procedure |
CN114448563A (zh) * | 2021-12-13 | 2022-05-06 | 北京邮电大学 | 语义编码传输方法及电子设备 |
CN114760689A (zh) * | 2021-01-08 | 2022-07-15 | 上海朗帛通信技术有限公司 | 一种被用于无线通信的节点中的方法和装置 |
CN114765568A (zh) * | 2022-04-01 | 2022-07-19 | 北京科技大学 | 一种面向语义通信系统的多址接入方法及装置 |
CN115146125A (zh) * | 2022-05-27 | 2022-10-04 | 北京科技大学 | 语义通信多址接入场景下的接收端数据过滤方法及装置 |
CN115149986A (zh) * | 2022-05-27 | 2022-10-04 | 北京科技大学 | 一种针对语义通信的信道分集方法及装置 |
CN115426075A (zh) * | 2022-04-27 | 2022-12-02 | 北京邮电大学 | 语义通信的编码传输方法及相关设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7082478B2 (en) * | 2001-05-02 | 2006-07-25 | Microsoft Corporation | Logical semantic compression |
CN106210612A (zh) * | 2015-04-30 | 2016-12-07 | 杭州海康威视数字技术股份有限公司 | 视频编码方法、解码方法及其装置 |
US11244126B2 (en) * | 2019-12-19 | 2022-02-08 | Datamax-O'neil Corporation | Systems and methods for encoding and decoding data |
-
2023
- 2023-04-25 CN CN202310451589.6A patent/CN116209069B/zh active Active
- 2023-10-12 US US18/486,019 patent/US11895629B1/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210068073A1 (en) * | 2018-01-12 | 2021-03-04 | Panasonic Intellectual Property Corporation Of America | User equipment, base station and method for paging procedure |
CN110609903A (zh) * | 2019-08-01 | 2019-12-24 | 华为技术有限公司 | 信息表示方法及装置 |
CN114760689A (zh) * | 2021-01-08 | 2022-07-15 | 上海朗帛通信技术有限公司 | 一种被用于无线通信的节点中的方法和装置 |
CN114448563A (zh) * | 2021-12-13 | 2022-05-06 | 北京邮电大学 | 语义编码传输方法及电子设备 |
CN114765568A (zh) * | 2022-04-01 | 2022-07-19 | 北京科技大学 | 一种面向语义通信系统的多址接入方法及装置 |
CN115426075A (zh) * | 2022-04-27 | 2022-12-02 | 北京邮电大学 | 语义通信的编码传输方法及相关设备 |
CN115146125A (zh) * | 2022-05-27 | 2022-10-04 | 北京科技大学 | 语义通信多址接入场景下的接收端数据过滤方法及装置 |
CN115149986A (zh) * | 2022-05-27 | 2022-10-04 | 北京科技大学 | 一种针对语义通信的信道分集方法及装置 |
Non-Patent Citations (1)
Title |
---|
施雨轩,吴泳澎,张文军: ""基于信息论的语义通信:理论与挑战"", 《中兴通讯技术》, vol. 29, no. 02 * |
Also Published As
Publication number | Publication date |
---|---|
US11895629B1 (en) | 2024-02-06 |
CN116209069B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113748614B (zh) | 一种信道估计模型训练方法及设备 | |
US12021667B2 (en) | Transmission system with channel estimation based on a neural network | |
Fang et al. | Channel state reconstruction using multilevel discrete wavelet transform for improved fingerprinting-based indoor localization | |
Guo et al. | Deep learning for joint channel estimation and feedback in massive MIMO systems | |
WO2021143528A1 (zh) | 数据处理方法、装置、第一通信节点、第二通信节点及存储介质 | |
CN114268388A (zh) | 一种在大规模mimo中基于改进gan网络的信道估计方法 | |
CN116209069B (zh) | 基于语义域的多址接入方法及相关设备 | |
Van Chien et al. | Image restoration under semantic communications | |
Sharma et al. | Spectral efficient compressive transmission framework for wireless communication systems | |
CN115913424A (zh) | 一种基于条件生成对抗网络的频谱地图精确构建方法 | |
CN115022134A (zh) | 基于非迭代重构网络的毫米波大规模mimo系统信道估计方法及系统 | |
Qing et al. | Deep learning for 1-bit compressed sensing-based superimposed CSI feedback | |
Unisa et al. | Estimating CSI for Future Generation MIMO Networks Using Deep Learning Techniques and its Applicability to Varied Environments. | |
Yadav et al. | ResNet‐Enabled cGAN Model for Channel Estimation in Massive MIMO System | |
Zhang et al. | Data-driven co-channel signal interference elimination algorithm for terrestrial-satellite communications and broadcasting | |
An et al. | A relay system for semantic image transmission based on shared feature extraction and hyperprior entropy compression | |
CN103117757A (zh) | 一种信号接收方法及终端 | |
JP2013258465A (ja) | 処理システム、前処理装置、後処理装置、前処理プログラム及び後処理プログラム | |
Shouhdy et al. | Spectrum sensing with sparsity estimation for cognitive radio systems | |
Abed et al. | Secure collaborative cognitive radio based on chaotic modulation and compressive sensing | |
Surisetti et al. | DSC-FeedNet Based CSI Feedback in Massive MIMO OTFS Systems | |
Karampoulas et al. | Unified compressive sensing paradigm for the random demodulator and compressive multiplexer architectures | |
Oyerinde et al. | Compressive sensing-based channel estimation schemes for wideband millimeter wave wireless communication systems | |
Shen et al. | A 2× 2 MIMO throughput analytical model for RF front end optimization | |
KR102640913B1 (ko) | 심층학습 기반 데이터 컬러맵 기법을 활용한 채널 추정 장치 및 방법 |
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 |