提出了一种基于深度学习的语义通信系统 DeepSC,使用 Transformer 来重构语句的含义,最大化系统容量并最小化语义错误,同时采用迁移学习以适应不同的通信环境,并提供了一个新的度量标准,命名为句子相似性。深度语义通信系统在低信噪比的情况下表现更好,比传统的非语义信息传播的系统更稳健。
Jun, 2020
本文探讨了传统的通信系统在意义传达方面的缺陷,提出了一种基于语义感知的资源高效边缘智能通信架构,旨在通过卸载计算资源,保护用户信息,并最大限度地提高通信效率。
Dec, 2020
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
我们扩展了当前语义通信的状况,使其能够同时处理多个任务。我们首先介绍了我们关于 “语义源” 的定义,其能够基于单个观察解释多个语义。然后介绍了一个语义编码器设计,其中编码器分为通用单元和多个特定单元,实现了协同多任务处理。模拟结果证明了提出的语义源和系统设计的有效性。我们的方法采用信息最大化和端到端设计原则。
Apr, 2024
分子通信是一种在避免使用电信号的情况下,在微型设备之间进行数据传输的新方法。以纳米尺度通过信道发送分子(或其他粒子),而不是通过导线发送电子。我们讨论了基于人工神经网络的解调方法,这些网络模拟人脑的决策过程,并能可靠地对噪声干扰下的输入数据进行分类。
Aug, 2023
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
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
本文提出了一种使用神经网络自编码器进行端到端学习的通信系统的新的学习算法,该算法可以训练具有未知信道模型或具有不可微分组件的通信系统,并在软件定义无线电上实现,并在同轴电缆和无线信道上实现了最先进的性能。
Dec, 2018
本研究提出了两种认知语义通信框架,并利用知识图谱开发语义通信系统,其中包括一种简单、通用且可解释的语义对齐算法和有效的语义校正方法,进行了广泛的仿真测试,表明我们的认知语义通信系统在数据压缩率和通信可靠性方面优于基准通信系统,并构建了一个软件定义无线电原型系统用于演示。
Mar, 2023