一种适用于高动态网络的语义通信方法及系统

本发明属于通信与人工智能领域，具体涉及一种适用于高动态网络的语义通信方法及系统。

背景技术：

1、语义通信区别于传统通信的符号传输，是将信源信息的语义提取出，并直接传输语义的一种通信方式。在上世纪，语义通信的概念便被提出，但碍于技术的限制，语义通信仅停留在理论研究上。近些年来，随着人工智能的迅猛发展，深度学习等人工智能技术能够提取文本、语音、图片等不同信源模态的语义特征，这使得开发语义通信系统得到了技术上的支持。

2、目前，语义通信系统是一种基于人工智能的通信系统，研究尚处于起步阶段。各种研究表明，语义通信系统相比于传统通信系统能够减少数据传输量和通信资源占用，提高传输效率，并且能在低信噪比下，有着良好的通信质量。未来6g所支持的万物智联将会产生更为庞大的数据传输量，和更加个性化的通信系统要求。因此，语义通信的研究符合未来趋势，为6g通信系统提供另一种参考方案。

3、如前所述，语义通信系统仍处于起步阶段。当前研究更倾向于语义编解码模块的研究，试图利用各种深度学习模型对不同模态信源信息进行有效的语义压缩减少数据传输量。部分研究关注到了语义通信系统的信道编解码模块。这些关注语义通信系统信道编解码模块的研究认为，在复杂的具体场景下信道，语义通信系统可以优化信道编解码模块以提高整体系统的性能。

4、在移动通信中，当通信双方产生相对速度，就会因此产生多普勒效应，从而使得信道具有时间选择性衰落。当今，高速铁路成为各个国家普遍采用的交通运输方式，而在高速运行中的列车与地面通信将会面临快速时变特性的具体信道。针对高速列车与地面通信的具体场景所带来的特定信道，目前倾向于研究语义编解码模块而忽略信道编解码模块的语义通信系统，难以进一步提高语义通信系统在高速环境下的通信性能。

技术实现思路

1、针对上述高速动态环境所带来的快时变信道问题，本发明提供了一种适用于高动态网络的语义通信方法及系统，通过优化语义通信系统的信道编解码模块并设计语义符号抗扰模块和解抗扰模块，提高语义通信系统能够在高速动态环境下的通信质量。具体而言，在信道解码模块增设基于生成对抗网络的信道信息提取模块，以及在语义编解码模块增设基于反卷积的语义符号抗扰模块和解抗扰模块。针对所述场景，所提出的系统有着性能上的提升。

2、为实现上述技术目的，在本发明的第一方面，本发明提供了一种适用于高动态网络的语义通信系统，所述系统包括部署于发送端的语义编码模块和信道编码模块，部署于接收端的信道解码模块和语义解码模块；所述语义编码模块包括语义编码层、第一全连接层和语义符号抗扰模块；所述信道编码模块包括第二全连接层；所述语义解码模块包括语义符号解抗扰模块、第四全连接层和语义解码层；所述信道解码模块包括信道信息提取模块和第三全连接层。

3、在本发明的第二方面，本发明还提供了一种适用于高动态网络的语义通信方法，所述方法包括：

4、获取待发送的原始语义信息；

5、利用语义编码模块的语义编码层对所述原始语义信息进行处理，提取出语义符号；

6、利用语义编码模块的第一全连接层对提取的语义符号进行处理，得到编码映射后的语义符号；

7、利用语义编码模块的语义符号抗扰模块对编码映射后的语义符号进行处理，得到抗扰的语义符号；

8、利用信道编码模块对抗扰的语义符号进行处理，得到发送信号；

9、在发送端通过快时变信道传输发送信号，在接收端接收信号；

10、利用信道解码模块的信道信息提取模块对所述接收信号进行处理，得到估计信道信息；

11、利用信道解码模块的第三全连接层对估计信道信息和接收信号的乘积进行处理，得到估计语义符号；

12、利用语义符号解抗扰模块对估计语义符号进行处理，得到解抗扰的语义符号；

13、利用第四全连接层对解抗扰的语义符号进行处理，得到解码映射后的语义符号；

14、利用语义解码层对解码映射后的语义符号进行处理，得到估计语义信息。

15、进一步的，本发明采用基于迁移学习的三阶段训练策略，具体包括在第一阶段训练信道信息提取模块，直至所述信道信息提取模块达到纳什均衡；在第二阶段冻结所述信道信息提取模块，对信道编码模块和信道解码模块进行联合训练，直至达到收敛；在第三阶段冻结信道编码模块和信道解码模块，对语义编码模块、信道编码模块、信道解码模块和语义解码模块进行联合的端到端训练，直至达到收敛。

16、本发明的有益效果在于：针对高速列车与地面通信等高速动态环境，提出了一种适用于高动态网络的语义通信方法及系统，能够对所述场景下的快时变信道具有良好的抗衰落能力，在未来具有广泛的应用前景。

17、本发明的其他优点将在随后的说明书中进行阐述，并且在某种程度上，本领域技术人员将可以从本发明的实践中了解到。

技术特征：

1.一种适用于高动态网络的语义通信系统，其特征在于：所述系统包括部署于发送端的语义编码模块和信道编码模块，部署于接收端的信道解码模块和语义解码模块；所述语义编码模块包括语义编码层、第一全连接层和语义符号抗扰模块；所述信道编码模块包括第二全连接层；所述语义解码模块包括语义符号解抗扰模块、第四全连接层和语义解码层；所述信道解码模块包括信道信息提取模块和第三全连接层。

2.根据权利要求1所述的适用于高动态网络的语义通信系统，其特征在于，所述信道信息提取模块采用生成对抗网络，所述生成对抗网络包括生成器和鉴别器；所述生成器用于输入接收信号以生成虚假样本，所述鉴别器用于区分所述生成器生成的虚假样本和真实样本，所述虚假样本对应所述生成器生成的信道信息，所述真实样本对应所述接收信号的信道信息。

3.根据权利要求1所述的适用于高动态网络的语义通信系统，其特征在于，所述语义符号抗扰模块输入为语义符号方阵，将所述语义符号方阵生成转置方阵，将转置方阵的语义符号按行生成抗扰方阵，其中中心数据为0，作为监测位用于补偿损失；将多个抗扰方阵组成输入方阵进行步长为s的卷积操作，其中卷积核的中心数据为1，用于恢复监测位信息，每个抗扰方阵经过卷积映射为一个新的语义符号，并输出所述语义符号，其中，s2＝n-1，n表示语义符号方阵每一行的宽度。

4.根据权利要求3所述的适用于高动态网络的语义通信系统，其特征在于，所述语义符号解抗扰模块输入为估计语义符号，将所述估计语义符号转换生成解抗扰方阵，将多个解抗扰方阵补0，并组成输出矩阵进行步长为1的反卷积操作，其中卷积核的中心数据为1，得到带噪声的语义符号方阵；根据监测位信息减去单符号平均功率得到噪声功率，从而得到噪声图像；将所述带噪声的语义符号方阵与噪声图像做差，输出解抗扰后的语义符号方阵。

5.一种适用于高动态网络的语义通信方法，其特征在于，所述方法包括：

6.根据权利要求5所述的适用于高动态网络的语义通信方法，其特征在于，所述方法采用基于迁移学习的三阶段训练策略，具体包括在第一阶段训练信道信息提取模块，直至所述信道信息提取模块达到纳什均衡；在第二阶段冻结所述信道信息提取模块，对信道编码模块和信道解码模块进行联合训练，直至达到收敛；在第三阶段冻结信道编码模块和信道解码模块，对语义编码模块、信道编码模块、信道解码模块和语义解码模块进行联合的端到端训练，直至达到收敛。

7.根据权利要求6所述的适用于高动态网络的语义通信方法，其特征在于，所述基于迁移学习的三阶段训练策略中，所述第一阶段采用bce损失函数；所述第二阶段采用mse损失函数；所述第三阶段采用ce损失函数。

技术总结本申请提出了一种适用于高动态网络的语义通信方法及系统，涉及通信与人工智能领域。该系统可用于固定基站与高速列车之间进行通信等具体场景，在发送端具有语义编码模块和信道编码模块，在接收端具有信道解码模块和语义解码模块。区别于传统通信系统，语义通信系统在发送端与接收端的模块均采用深度学习等人工智能技术实现。提出的系统针对高速动态环境下的信道特性，设计相适应的语义编解码神经网络以及信道编解码神经网络，提取信道信息，加强系统抗时间选择性衰落能力，提高系统可靠性。系统的训练策略采用迁移学习，在获取训练数据后，先训练信道信息提取模块神经网络，再训练信道编解码模块，最后系统端到端联合训练，使得模型收敛达到最优解。技术研发人员：李职杜,江佳骏,张宝霈,邓明亮,薛青,王巨震受保护的技术使用者：重庆邮电大学技术研发日：技术公布日：2024/7/25