降级广播信道上的语义通信多用户语义融合
提出了基于联邦学习的语义通信框架(FLSC),旨在通过全局聚合改善多任务分布式图像传输,其中每个用户的每个链接由基于分层视觉变换器(HVT)的提取器和适应特定任务的适应性翻译器组成。通过仿真实验结果表明,FLSC 在粗略语义信息方面表现优秀,并在低信噪比和信道带宽比场景中明显优于传统方案。
Aug, 2023
本文提出了 SparseSBC,它是一种用于视觉传输的基于深度神经网络的 SemCom 系统,通过交替学习编码和解码来解决信道中的非可微性问题,并且利用二进制量化模块在保持语义准确性的基础上生成稀疏的比特集。广泛的模拟结果验证了 SparseSBC 在不同信道条件下表现出高效和有效的传输性能,并超越了典型的 SemCom 解决方案。
Jul, 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
在这篇文章中,我们提出了一个新的生成语义通信框架,针对多用户场景进行了优化,利用扩散模型在接收方填充丢失的信息,通过彻底的实验评估展示了这种创新性的扩散模型的能力和所提出框架的有效性,为基于 GenAI 的下一代通信发展指明了方向。
May, 2024
该论文提出了一种基于混合知识数据驱动的方法,用于在无蜂窝大规模多输入多输出系统中进行通道语义获取和多用户波束 forming,以提高室外无线传输性能并缩小与室内传输能力之间的差距。
Jul, 2023
语义通信在增强数据传输效率方面具有很大潜力。本文针对干扰情景与基准方案进行了比较研究,提出了一种抗干扰的语义通信方案。该方案基于神经网络(NNs)开发了收发机,它可以单独在接收端或发送端和接收端都集成信道状态信息(CSI)。我们还建立了一个综合损失函数来训练 IRSC 收发机,并采用动态机制来更新损失函数中各个部分的权重,以提高系统对用户的公平性。实验结果表明,所提出的 IRSC 方案能有效地学习抑制干扰,在低信噪比(SNR)环境中优于基准方案。
Apr, 2024
本研究介绍了一种深度学习方法,利用多模态图像和频谱数据相结合,实现动态频谱访问,并识别潜在的发射器。通过使用边缘设备上的摄像头拍摄潜在对象(例如可能携带发射器的车辆),我们提出了一种协作系统,其中边缘设备与可信接收器之间进行有选择的信息通信并作出决策,以确定潜在的发射器是否存在。通过任务导向的通信,在发射器上使用编码器进行联合源编码、信道编码和调制,从而高效传输用于对象分类的精简维度的重要信息。同时,发送的信号可能会反射到物体并返回到发射器,从而实现目标感知数据的收集。然后,在发射器上对收集到的感知数据进行第二轮编码,通过任务导向的通信将降维后的信息传回融合中心。在接收端,解码器通过联合感知和任务导向的通信,执行识别发射器的任务。发射器的两个编码器以及接收器的解码器进行联合训练,实现了图像分类和无线信号检测的无缝集成。通过 AWGN 和 Rayleigh 信道模型,我们展示了所提出方法的有效性,在各种信道条件下取得了发射器识别的高准确性,并保持低延迟的决策过程。
Dec, 2023
本文提出了一种可学习的 CSI 融合语义通信框架(LCFSC),通过将 CSI 作为辅助信息,引入 MIMO 通道状态信息,并在 Swin Transformer 中使用非侵入式 CSI 融合多头注意力模块,从而实现 CSI 感知的语义编码。实验结果表明,在 MIMO 衰落通道中,LCFSC 相对于传统方案和现有的基于 Swin Transformer 的语义通信框架具有更好的性能。
May, 2024