论文简介
- 作者
Lei Yan , Zhijin Qin , Senior Member, IEEE, Rui Zhang , Member, IEEE,
Yongzhao Li , Senior Member, IEEE, and Geoffrey Ye Li , Fellow, IEEE - 发表期刊or会议
《IEEE WIRELESS COMMUNICATIONS LETTERS》 - 发表时间
2022.7
动机:为什么作者想要解决这个问题?
语义通信发展的很牛逼,但是语义通信的资源分配仍有待探索,这是保证语义传输可靠性和通信效率的关键问题
贡献:作者在这篇论文中完成了什么工作(创新点)?
- 为语义感知网络提出了一种新颖的资源分配模型。具体说,该模型用到了
首次
定义的语义频谱效率(Semantic Spectral Efficiency,S-SE),S-SE用于在信道分配和传输语义符号数量方面优化资源分配。最后,提出一种 formulation 来解资源分配模型。 - 开发了一种 transform method 将传统的基于比特的频谱效率转换为 S-SE
规划:他们如何完成工作?
- 系统模型
考虑一个由基站(BS)和一组用户组成的蜂窝网络,如图所示。采用 DeepSC作为语义通信模型配备给每个用户用于文本传输。假设 DeepSC 收发器在 BS 或云平台上进行训练。然后将训练好的语义发射器模型广播给用户。
用户处的 DeepSC 发送器、传输模型和 DeepSC 接收器 具体表述见 论文 II.A II.B II.C
- 资源分配
步骤一: 定义 语义频谱效率(Semantic Spectral Efficiency,S-SE)
具体表述见 论文 III.A
步骤二: 建立 资源分配模型
- 优化目标:
最大化 overall S-SE - 优化变量:
①信道分配向量:充分发挥 DeepSC 在低 SNR 情况下的性能优势
②优化每个单词传输的语义符号的平均数量 k n k_n kn,使每个符号能够携带更多的语义信息,从而在保证相同传输可靠性的情况下获得更高的S-SE - 性能指标:
不知道是啥
具体表述见 论文 III.B
步骤三:解模型
穷举搜索法、匈牙利算法 - 优化目标:
理由:通过什么实验验证它们的工作结果
具体表述见 论文 IV
自己的看法
大概套路就是提出优化模型,然后提出一个算法解模型,再加仿真结果