语义通信文献阅读：Semantic Communications for Speech Signals

---

论文简介

• 作者
  Zhenzi Weng
  Zhijin Qin
  Geoffrey Ye Liy

• 发表期刊or会议
  《ICC》

• 发表时间
  2021.6

---

动机：为什么作者想要解决这个问题？

• 对语音信号传输的语义通信的研究没有开展
• 论文里提到：分块设计系统已被证明是次优的，传统的线性信号处理算法无法捕获实际信道中的许多缺陷和非线性

---

贡献：作者在这篇论文中完成了什么工作(创新点)？

• 首次提出了语音信号语义通信系统DeepSC-S，将整个收发器视为两个深度神经网络(speech encoder——注意力机制；channel encoder——CNN)，并联合设计语音编码和信道编码来处理信源失真和信道效应。
• DeepSC-S基于squeeze and excitation (SE) networks (就是找了一个那时候比较火的网络罢了)
• 通过在固定衰落信道和信噪比下训练 DeepSC-S，然后在动态信道(AWGN，瑞丽，莱斯)环境下测试，所提出的 DeepSC-S 具有高度鲁棒性，无需网络调整和重新训练(这太扯了)

---

规划：他们如何完成工作？

• 整体框架

  
  
  这结构真没什么好说的，需要的时候看论文II和III吧(和DeepSC一个套路，就在这encoder，decoder的)

• 损失函数

  采用均方误差(MSE)作为损失函数，测量$s$和$\hat{s}$之间的差异
  $${\mathcal{L}}_{MSE}\left({\mathbf{\theta }}^{\mathcal{T}},{\mathbf{\theta }}^{\mathcal{R}}\right)=\frac{1}{W}\sum _{w=1}^W{\left(s_w-{\hat{s}}_w\right)}^2$$

• 误差度量

  采用信号失真比（SDR）来测量$s$和$\hat{s}$之间的L2误差：
  $$SDR=10{\log }_{10}\left(\frac{\Vert \mathbf{s}{\Vert }^2}{\Vert \mathbf{s}-\hat{\mathbf{s}}{\Vert }^2}\right).$$

---

自己的看法(作者如何得到的创新思路)

这篇论文，一言难尽，大概就是找一个新场景(speech)，再找一个那时候流行的网络结构(attention)，然后套上语义的壳，就是一篇ICC 😭
选择大于努力

---