一种语义域多址传输干扰消除算法
本发明属于无线通信领域,具体涉及一种面向语义通信的语义域多址传输干扰消除算法。
背景技术:
1、线通信技术在近几十年内取得了迅猛发展,其支撑的移动通信系统已从第一代(1g)演进至第五代(5g),当前第六代移动通信(6g)相关标准化工作亦在持续推进。传统无线通信系统通常采用分离式模块化设计范式,即信源数据在发送过程中依次经过信源编码、信道编码、调制、波束成形以及射频发送等处理环节,各模块相互独立设计,并具有各自明确的优化目标与理论支撑。该设计范式在一定程度上降低了系统设计复杂度,有效推动了无线通信技术的发展。然而,随着技术演进,部分关键模块(如信道编码)已逐渐逼近香农理论极限,例如极化码与低密度奇偶校验(ldpc)码在性能上已接近理论上界,使得传统通信体系在传输速率与性能提升方面面临瓶颈。在此背景下,研究者开始关注更高层级的信息传输机制,即香农与维沃提出的语义层级通信范式。得益于神经网络在语义特征提取与表示方面的优势,现代语义通信系统通常与深度学习模型深度融合,通过端到端学习实现从信源到信道符号的联合映射与优化。该类方法有望突破传统模块化设计所带来的性能限制,从语义层面提升通信效率与服务质量。
2、然而,基于神经网络的语义通信系统在实现端到端性能优化的同时,也为多用户传输带来了新的挑战。在多用户场景下,用户间干扰不可避免,而在语义通信系统中,该干扰主要表现为多个用户编码后语义特征的叠加。由于此类特征由神经网络生成,具有较强的非线性与“黑盒”特性,使得用户间干扰难以通过传统解析模型进行精确建模。此外,已有研究表明,在相同功率条件下,此类语义特征间的干扰对关键语义信息的破坏程度往往显著高于高斯噪声,进一步加剧了多用户语义通信系统的设计难度。针对上述问题,现有方法通常采用为不同用户设计个性化的deepjscc(deep joint souce-channel coding)编解码模型,以实现干扰区分与抑制。然而,该类方法在实际部署过程中需进行模型匹配与维护,带来较高的系统开销,同时在用户规模扩展时面临显著的复杂度与可扩展性问题。
技术实现思路
1、本发明的目的在于克服现有技术中的缺陷,考虑语义通信多用户传输问题,探究在语义通信联合信源信道编码范式下的用户区分方法以及用户间干扰管理,并提供一种语义域多址传输干扰消除算法。在本发明中,所有用户共享统一的deepjscc模型,并通过所设计的机制实现用户区分与干扰管理,从而在降低系统复杂度的同时提升多用户场景下的可扩展性与实用性。
2、本发明所采用的具体技术方案如下:
3、第一方面,本发明提供了一种语义域多址传输干扰消除算法,具体如下:
4、s1:各用户通过相同的语义编码器得到语义特征向量后,各自独立生成一个置乱模式,对用户进行区分,并基于生成的置乱模式将所述语义特征向量在位置索引上进行置乱,在接收端为每个用户维护一个逆置乱模式,以在语义特征层面区分目标信号和干扰信号;
5、s2:针对接收端的混叠信号,首先对各个用户进行独立解码,并根据一种基于编解码器的特征降噪方法进行降噪,随后通过迭代的方式实现对用户间干扰的多级消除;
6、所述一种基于编解码器的特征降噪方法具体如下:
7、首先经由s1所述逆置乱模式进行相对应的逆置乱,将来自其他用户的结构化干扰转化为高斯噪声;随后通过语义编解码器本身的去噪能力,对含有所述高斯噪声的带噪特征进行重建恢复,再对重建恢复的图像重新进行编码,实现原带噪特征的非线性降噪。
8、作为优选,所述语义编码器为deepjscc模型。
9、作为优选,所述s1具体如下:
10、考虑上行通信图传任务,每个用户采用相同的编解码器对各自的图像进行编码,编码过程表示为:
11、;
12、其中,代表用户待传输的语义特征向量,
n表示语义特征向量的长度;表示用户待传输的图像,
h和
w分别代表图像的高度和宽度;代表由神经网络组成的编码器;
13、对于待传输的语义特征向量,功率限制如下:
14、;
15、其中,表示求期望;
16、随后,对各个用户的语义特征向量进行随机置乱,定义为置乱矩阵;所述置乱矩阵的行向量和列向量中均只有一个非零元素1,其余均为零;
17、将置乱后的语义特征向量进一步映射至信道符号序列,表达式如下:
18、;
19、其中,映射函数用于将实值向量转化为对应的复数值信道符号序列,具体转化方式为:;其中,
f
k表示待传输的实数特征,[
f
k]
i表示
f
k的第
i个元素,[
f
k]
i+n表示
f
k的第
i+n个元素,代表虚数单元;
20、对于符号传输,考虑一个上行多用户单入单出系统;所述系统包含一个装有1根接收天线的基站和个用户,每个用户装有1根发射天线,用户在同时同频的资源块内传输信息;此时,基站端所接收到的信号为多个用户发射信号的叠加,表达式如下:
21、;
22、其中,表示用户到接收端的信道衰落系数;代表基站端的接收信号,代表高斯噪声向量;
23、基站对各个用户的数据进行解码;对于用户,其对应的接收信号等价为原特征信号经过加性高斯噪声的形式,表达式如下:
24、;
25、其中,代表噪声功率;为信道衰落系数的相位,即;代表单位高斯噪声,服从标准复高斯分布;
26、最后,经过deepjscc解码器得到最终的重建图像,表达式如下:
27、;
28、其中,代表解码函数,代表解码器的参数,代表用户
k的重建图像。
29、作为优选,所述s2中,对含有高斯噪声的带噪特征进行重建恢复的方法是:利用deepjscc模型本身,通过学习从加噪的语义特征向量中恢复原图像。
30、作为优选,所述s2中,通过迭代的方式实现对用户间干扰的多级消除的具体方法如下:
31、s21:接收信号向量,各用户信道状态信息,各用户正交置乱矩阵,deepjscc解码器与编码器,最大迭代次数;其中,
k表示用户数;
32、s22:迭代轮次,初始化所有用户的估计语义特征向量为空,即;
33、s23:重复s231-s232,直至;
34、s231:遍历所有用户:
35、根据最新的其他用户特征估计值,重构并消除干扰:
36、;
37、通过deepjscc解码器恢复目标用户的图像:
38、;
39、将重建图像重新输入deepjscc编码器,获取降噪后的语义特征向量:
40、;
41、s232:更新迭代步数;
42、s24:输出各用户最终生成的重建图像:。
43、第二方面,本发明提供了一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时,能实现如第一方面任一项所述的一种语义域多址传输干扰消除算法。
44、第三方面,本发明提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如第一方面任一项所述的一种语义域多址传输干扰消除算法。
45、第四方面,本发明提供了一种计算机电子设备,包括存储器和处理器;
46、所述存储器,用于存储计算机程序;
47、所述处理器,用于当执行所述计算机程序时,实现如第一方面任一项所述的一种语义域多址传输干扰消除算法。
48、本发明相对于现有技术而言,具有以下有益效果:
49、首先,通过引入用户独立的随机置乱方案,有效实现了用户区分,同时将用户间干扰近似转化为高斯噪声。在本发明的方案下,用户可采用相同的语义编解码器,有效解决了传统语义通信中对用户个性化编解码模型的依赖问题。进一步地,在上行多址传输场景中,利用随机置乱的可逆性,采用解码再编码的方式对特征进行降噪,并将降噪后的特征进行预去除,有效提升了信干噪比。实验结果证明了本发明方案的有效性。总体而言,本发明提出了一种面向上行语义通信多址传输的渐近干扰消除算法,弥补了此前的算法在该系统下的不足,且该算法额外引入的代价小,相较于传统通过功率配比的渐近干扰消除方案而言,所提的方案无功率约束要求,极大拓宽了渐近干扰消除方案的应用范围,有效挖掘了在语义域这一新的资源域下干扰消除机制。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com