基于深度学习的语义通信系统
该研究通过设计一种基于深度学习和注意机制的语音语义通信系统 DeepSC-S,以提高在噪音环境下的语音信号精度和鲁棒性,并在电话和多媒体传输系统中进行了实践验证。研究证明 DeepSC-S 在语音信号指标方面优于传统通信方法,并且在低信噪比环境中表现更加出色,这可以通过提供更高的权重来识别必要的语音信息。
Feb, 2021
提出了一种新颖的语义通信系统,该系统采用共享的知识库,并利用共享的知识库中的消息和相应知识来获取剩余信息,从而实现更少符号的传输,并且在语义性能方面没有降级。
Nov, 2023
本文提出了一种新的神经网络语义通信系统,包括语义编码网络和数据适应网络,通过传输学习中的域适应技术实现了针对动态数据环境下的任务不可知的图像传输,实验结果表明该方法在保持高性能的同时也能适应可观测数据集。
Apr, 2022
本研究提出了一种基于深度神经网络和迁移学习的语义通信系统,名为 MR_DeepSC,此系统解决了多用户情况下应用语义通信的问题,并在低信噪比条件下实现了最佳性能。
Sep, 2022
本文提出了一种基于深度学习、进行语义通信的轻量级分布式语义通信系统 L-DeepSC,该系统通过模型裁剪,低权重分辨率,优化语义星座,以及使用信道状态信息辅助训练等技术,旨在提高 IoT 设备的通信效率和降低通信成本。仿真实验证明,在低信噪比环境下,该系统可实现高达 40 倍的数据压缩比,而不影响传输性能。
Jul, 2020
本文提出了一种基于深度学习(DL)和向量量化(VQ)的语义通信系统 VQ-DeepSC,通过卷积神经网络(CNN)提取图像的多尺度语义特征并利用多尺度语义嵌入空间实现语义特征量化,从而使数据兼容数字通信系统,同时通过对抗训练引入 PatchGAN 鉴别器来提高接收图像的质量。实验结果表明,与 BPG 在数字通信系统方面相比,所提出的 VQ-DeepSC 具有更强的鲁棒性,并且在 MS-SSIM 性能方面与 DeepJSCC 方法相当。
Sep, 2022
通过对数据驱动的端到端学习和优化的物理层的深度学习表示学习的利用,端到端系统在复杂的无线环境中显现出增强的适应性和性能,满足 5G 及以后的网络系统和应用需求。本文综述数据驱动的物理层在端到端通信系统中的关键作用以及其在不同模态中实现的语义应用,同时指出了关键挑战和未来研究方向,为深度学习在物理层和语义通信中的未来发展提供重要参考。
Jan, 2024
本文创造了 seq2seq-SC 语义网络,利用预训练的语言模型,与 5G NR 兼容并可以处理通用文本数据,并使用 SBERT 性能度量标准证明 seq2seq-SC 在提取有意义的语义信息时具有优异的性能。
Oct, 2022
通过利用用户数据来解决隐私问题,降低信息传输量并减少网络流量,我们在联邦学习设置中探索语义通信,并提出了一种称为 FedLol 的机制来聚合来自客户端的全局模型,与基线方法相比,详尽的模拟结果证明了我们提出的技术的有效性。
Oct, 2023