语义通信学习记录（一）

语义通信

通信的三个级别：

Level A：语法通信，解决技术问题，即通信符号如何确保正确传输

Level B：语义通信，解决语义问题，即发送的符号如何传递确切的含义

Level C：语用通信，解决有效性问题，即接收的含义如何以期望的方式影响系统行为

长期以来，经典信息论局限在语法信息传输层次，即Level A。也就是说，我们一直在研究怎么把数据传过去。如今，在传统通信已经进入瓶颈的情况下，我们就可以考虑一下——是不是可以在语义通信上，寻找突破点。

语义通信的特点：

       以任务为主体，“先理解，后传输”，对原始信号进行有选择的特征提取、压缩和传输，然后再利用语义层面信息进行通信。传统信源编码是对信息本身的压缩，他寻找数据的规律，通过算法进行数据精简；而语义通信重在“理解和消化”，讲究的是智能。

语义通信系统架构：

       早期的一种模型，是在传统经典通信系统上叠加语义通信。在发送端，信源产生的信息首先送入语义提取模块，产生语义表征序列；接着，送入语义信源编码器，对语义特征压缩编码，然后送入信道编码器，最后进入传输信道。

       在接收端，先信道译码，再语义译码。得到的语义表征序列，送入语义恢复与重建模块，最终得到信源数据。

       另一种现在比较有代表的模型，是信源信道联合编码，这种方式更有整体性。

        相比传统通信，语义通信多了一个知识库。系统模型的性能和准确性高度依赖于知识库，如果两端知识库不同，那么语义通信无法正常工作。基于知识库进行语义理解，就需要前面所说的“智能”。那显然AI人工智能最适合这份工作。

        简单来说，就是让AI来完成语义理解的工作。语义编码与译码模块基于海量数据训练的知识库，通过深度学习网络来拟合语义的特征，可以高效提取和重建语义信息。

语义通信个人理解：

       比如打电话，我说一段话，对方要知道表达的含义，这段话的内容可以作为公共部分，那么由谁说出来的，这就包含了用户的专有部分，类似于音色的特征。那我们可以用AI来进行模拟，就不再需要传递原始信号。

扩展：面向语义通信的模型划分多址接入

1G：时分多址        （TDMA）

2G：频分多址        （FDMA）

3G：码分多址        （CDMA）

4G：正交频分多址（OFDMA）

5G：非正交多址    （NOMA）

       为进一步提高频谱效率，多址技术在功率域分配资源向非正交多址方向发展，每个用户的信息杯分配不同的功率然后叠加传输。在接收端，采用干扰消除技术来分离不同用户的信号。

6G：候选多址技术（RSMA）

       速率分割多址接入，在发射端将发送消息拆分为两个部分，分别称为“专有部分”和“公有部分”，将“公有部分”合并为一个整体，与专有部分在相同的时频资源内传输，在接收端，每个用户除了解码由两部分组成的自己的消息外，还解码部分干扰。

模分多址技术定义：

       模分多址技术是一种基于语义域的多址技术，定义了名为模型信息空间的高维空间，皆在从模型信息空间中挖掘语义信息的共享信息和个性化信息，然后将共享信息的信号叠加复用，达到多址的效果，减少传输带宽。

       从语义的角度，基于模型的人工智能方法从信号源中提取高维特征，并为信号源和信道特征构建模型信息空间。

       MDMA ( Model Division Multiple Access )，一种新型MA方法，从更高的信息维度利用源语义域的特性，借助人工智能模型从信息源中提取语义特征，对用户的个性特征进行建模，以区分多用户语义信息。

       结合传统物理和模型信息空间，信道容量可以表示为：

其中T、B、P、H和 ϕ 分别表示时域资源、频域资源、功率域资源、空间域资源和模型信息空间资源，I为单位矩阵，σ2 为噪声方差。

        LSCI系统用于从MNIST和OpenImage数据集中提取语义信息。如图 (a) 所示，蓝色和橙色线分别表示用户1和用户2提取的不同图像相关语义信息集。我们观察到用户1和用户2的语义信息集非常相似，尽管信号图是从不同编号的图像中提取的；此外，振幅和相位只有微小的变化。图 (b) 显示了两个更复杂的图像的语义信号。在前30个维度中，两个信号之间存在显著的相似性。值得注意的是，在尺寸60–80中，信号振幅相似，但极性相反，这表明两个信号之间共享的信息量也是最小的。

       为了进一步说明不同用户之间共享和个性化信息的存在，给出了从MNIST测试集中提取的每个语义特征维度的统计分布，如图所示。在红框中的统计分布表明，共享信息不是随机现象，而是普遍存在于某些特征维度上。

       在多个用户的语义信号之间存在大量的共享信息。所提出的MDMA技术旨在利用这种共享信息来防止由于冗余传输而造成的带宽浪费。通过比较两个语义向量的每个维度的方差，并设置共性百分比的阈值，来提取公共信息。共享语义信息是在相同的时频资源内传输的，而个性化语义信息是单独传输的。与其他MA技术相比，MDMA的收益主要来自于模型信息空间中不同用户之间共享信息的重用。

基于MDMA的上行信道设计：

多个用户同时向基站传输语义信息的 上行场景。基站端使用无信息的解码器对原始信源 进行重构。首先，基站匹配两个已经发起上行传输指令的用户。用户1和用户2分别提取其源语义信息 Sx和Sy，具体如下：

其中Sx和Sy分别表示从X和Y中提取的语义信息。

用户1和用户2在时间1（频率1）向基站发送共享语义信息Sxs+Sys。此后，用户1和用户2在时间2（频率2）向基站发送个性化语义信息Sxp和Syp。任意信道编码模块可以被配置为传输上述语义信息。在接收到来自用户1和用户2的共享和个性化信息后，基站可以恢复每个用户的原始语义信号，并使用语义解码器恢复信息源。

基于MDMA的下行信道设计：

下行链路设计，允许基站将来自多个源数据的语义信号同时分发给多个用户。首先，基站根据用户的需求，使用基于人工智能的语义模型搜索匹配用户并提取语义信息。通过比较两个语义特征之间的相似性，可以提取共享信息Sxs和Sys以及个性化信息Sxp和Syp。携带共享信息Sxs和Sys的信号被组合并一起发送，而携带个性化信息Sxp和Syp的信号被单独发送给用户。因此，用户1和用户2接收共享信息和他们自己的个性化信息，并且可以使用语义解码器来恢复原始图像X和Y。

论文简介
作者
Ping Zhang (张平) Xiaodong Xu (许晓东) Chen Dong (董辰) Kai Niu (牛凯)

发表期刊or会议
《Frontiers of Information Technology & Electronic Engineering》

发表时间
2023.6

参考链接：到底什么是语义通信？ - 知乎 (zhihu.com)