语义通信资源分配文献阅读：Resource Allocation for Text Semantic Communications

一去不复返的通信er

已于 2023-09-07 09:57:24 修改

阅读量421

点赞数

分类专栏：智简网络&语义通信文献阅读文章标签：无线通信 6G 语义通信人工智能智简网络资源分配

于 2023-07-24 21:18:32 首次发布

本文链接：https://blog.csdn.net/qq_42980908/article/details/131904615

版权

26 篇文章 27 订阅

订阅专栏

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

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

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

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 $k_n$ ，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