随着无线通信智能化应用需求的快速提升，未来通信网络将从单纯追求高传输速率的传统架构向面向万物智联的全新架构转变。根据香农定理，我们可以知道从1G到5G，我们在不断提升信道容量（传输速率），但是当下通讯速率已逼近香农极限。那么，我们如何实现从5G到6G的跨越呢？从语法传输信息传输，到语义信息（Semantic Information）传输，引入语义通信！
从5G到6G
6G与5G相比，将发生什么变化？
5G迈入6G遇到的问题？
我们知道，信息分为三个层次：语法、语义和语用。经典信息论只研究语法信息，我们需要从语法信息深入到语义信息，引入人工智能，为通信系统优化提供新的研究角度。
从经典信息论到语义信息论
其中，对于理论上的语义信息度量，我们使用广义信源熵。为了处理传统集合论和概率论无法有效描述的不确定性和模糊性，我们引入了模糊集合。由于在现实生活中，许多问题无法用明确的二值逻辑（如“是”或“否”）来描述，因此模糊集合理论应运而生。为了更加详细地了解到“模糊集合”地概念，作以下几点阐述：
处理不确定性：在许多实际应用中，信息或数据可能并不明确。例如，在医学诊断中，一个症状可能并不完全表明某种疾病，但却有一定的关联性。模糊集合允许部分隶属关系，从而能够更好地描述这种不确定性。
表达模糊性：现实中的许多概念本质上是模糊的。例如，“高”、“低”、“快”、“慢”等概念通常无法用清晰的数值界限来定义。模糊集合通过引入隶属函数，可以为这些模糊概念提供数学上的表达。
模糊集合与隶属度：经典集合理论只能描述一个元素是否属于某个集合（隶属度为0或1），但模糊集合可以描述元素部分属于某个集合，即隶属度
在0和1之间。
引入模糊集合之后，我们下一步应该如何对模糊性进行度量呢？我们知道，模糊集合是对传统集合的一种拓展。在度量熵的时候，我们的研究对象从传统的信源到广义的信源，从传统集合到模糊集合。在传统的信源模型中，信息的度量通常使用香农熵（Shannon Entropy），这种模型假定信息源产生的信号是明确的、可区分的。广义信源（Generalized Information Source）引入了模糊集合的概念，用以处理信息源中存在的模糊性和不确定性。在广义信源中，信息源产生的信号不再是明确的，而是模糊的。这意味着，每个信号或事件的发生具有一定的模糊性（通过隶属度函数来表示）。
遵循香农熵的求法，我们这时候求的不再是 的泛函，而是
的泛函。公式如下：
从经典通信系统到语义通信系统
经典数字通信系统主要由五部分组成，信源、信道、信宿、编码器和解码器，其中编码器分为信道编码、信源编码、加密器以及调制，解码器分为信道解码、信源解码、解密器以及解调。
在语义通信系统中，信道编译码器属于经典通信系统，而语义提取与编码模块则属于语义通信系统，经典通信信道通过统计转移概率建模，而语义信道则通过语义标签之间的逻辑转移概率来建模。对于经典通信来说，需要实现比特级无差错传输。而对于语义通信来说，我们需要实现的是主管语义信息的匹配。既然是匹配，首先我们需要由一个收发端的语义知识库，在此基础上进行信息的提取、恢复以及语义编码、解码。
语义通信与经典通信的主要差异在于它们如何处理和传输信息。经典通信侧重于传输信号本身，而不关注信号的语义内容，也就是信息的实际意义。而语义通信则专注于提取、传输和重建信息的语义，即信息背后的实际含义或意义。
在语义通信中，编码和译码过程依赖于一个基于大量数据训练的知识库，通过深度学习网络来处理信息。这种方式提供了强大的先验知识，即对信息内容的预先理解，从而提高了传输的有效性和可靠性。具体来说，在发送端，语义提取模块会使用知识库和深度学习网络，从信息源中提取出语义特征。根据信息源的冗余特性，语义提取模块会选择合适的深度学习网络模型。例如：
- 对于时序或文本信息源，使用循环神经网络（RNN）模型。
- 对于图像信息源，使用卷积神经网络（CNN）模型。
- 对于图数据源，使用图卷积网络（GCN）模型。
在接收端，语义综合模块则基于知识库和深度学习网络，对接收到的语义信息进行重建。如果信息源是多模态或异构的，那么在语义提取和编码时，还需要对多源数据进行语义综合。此外，收发两端会共享一个云端的知识库，通过数据驱动的方法，为神经网络提供特定场景下的先验知识，以确保信息在传输过程中能够更准确地表达和重建其语义。
5459
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
