一种基于智能反射面辅助的语义通信系统和方法与流程

本发明是一种基于智能反射面辅助的语义通信系统和方法，属于语义通信网络

背景技术：

1、随着下一代互联网的演进和无线应用的激增，对数据传输、存储和计算的网络资源需求也快速增长。具体来说，扩展现实和数字孪生等技术的进步正在推动元宇宙和web3.0概念的发展。因此，对更强大的通信能力和计算支持的需求不断增加。为了满足下一代互联网应用的严格要求，例如低延迟、高可靠性和身临其境的体验，语义通信已被提议作为第六代无线通信背景下的关键方法。通过传输从源消息中提取的与任务相关的语义信息，从而将冗余信息删除，提炼重要的信息，达到了信息压缩的目的。语义通信被认为传统香农通信系统的扩展并为用户带来更高质量的体验。

2、在过去的几年里，从硬件和算法设计到与各种技术的深度集成，智能反射表面辅助无线通信取得了重大进展。最重要的应用场景之一是增强无线传感，例如室内定位和到达方向估计。智能反射表面有望在无线系统中引入显着的容量增益。尤其是在发射器和接收器之间的直接链路被完全阻塞或非常弱的通信场景中，可以通过智能反射表面的信号增强来提高传感精度。

3、基于智能反射表面辅助的语义通信系统，通过合理地优化设计智能反射面的反射角以及发射端提取语义信息的压缩比，可以更好地自适应提高语义通信系统的效率。但是，在现有的文献中，还未考虑智能反射表面辅助的语义通信系统。

技术实现思路

1、本发明目的在于针对上述现有技术的不足，提出了一种基于智能反射面辅助的语义通信系统和方法，该系统利用智能反射表面可以重构无线环境的特性，提高了语义通信系统的效率，并设置了一种语义相似性的度量标准。

2、本发明解决其技术问题所采用的方案是：一种基于智能反射表面辅助的语义通信系统，该系统由一个多天线的基站、一个智能反射表面和k个单天线用户组成的下行链路语义无线通信网络。基站配备m根天线、智能反射表面中反射单元的个数为n，假设每个用户k都需要接收大规模文本数据集dk。由于无线资源有限和城市建筑物的遮挡，基站无法直接与每个用户k通信，基站需要从原始数据dk中提取小规模的语义信息并通过智能反射表面辅助传输给每个用户k。然后，每个用户k根据接收到的语义信息恢复文本数据。

3、作为本发明所述的基于智能反射表面辅助的语义通信系统，该系统基站与智能反射表面，智能版反射表面与每个用户k之间的信道系数均服从于瑞丽衰落模型。

4、本发明还提供了一种基于智能反射表面辅助的语义通信系统的实现方法，该方法具体包括如下步骤：

5、步骤1：从大规模文本数据集dk中进行语义信息提取。

6、步骤2：根据步骤1所得相关参数，利用正交频分多址技术用于语义信息传输，对语义信息进行资源分配和选择。

7、步骤3：根据步骤2所得结果，在用户k处恢复原始的文本数据。

8、步骤4：根据步骤4所得结果，提出一种语义相似性的度量标准，对语义通信质量进行评估。

9、进一步的，本发明步骤1中具体包括，假设sk,l表示文本数据中的单词、符号或者标点。则，基站需要传输给用户k的文本数据集dk表示如下：

10、dk＝{sk,1,…,sk,l,…sk,l}

11、其中，l表示传输文本的数量，例如基站传输“你好，世界。”给用户k，则dk＝{[你]，[好]，[，]，[世]，[界]，[。]}，sk,1＝[你]，sk,2＝[好]，sk,3＝[，]，sk,4＝[世]，sk,5＝[界]，sk,6＝[。]。

12、接着从文本数据中提取语义信息。使用深度神经网络对文本数据集dk进行训练，识别出语义实体，并计算两个不同语义级别的语义实体之间相互关联的概率，语义实体是指文本中的人名、地名等名称，具有高度开放性(类型多样、长度灵活、未注册的词语)，包含丰富的知识可以突出个性。对于两个不同语义级别的语义实体，如果它们之间的相互关联概率高于预定义的阈值。则进行语义信息融合。

13、所提取的语义信息为g(dk)，从中选择子集ak传输给每个用户k。

14、进一步的，本发明步骤2中具体包括，正交频分多址技术用于语义信息传输，用户k分配的下行链路正交资源块表示为向量：

15、αk＝[αk,1,…αk,q,αk,q]

16、其中，αk,q∈{0,1}，αk,q＝1表示正交资源块q分配给用户k，否则αk,q＝0。假设每个正交资源块只能分配给一个用户，每个用户只能占用一个正交资源块。

17、基站向用户k发送语义信息ak的下行链路信道容量为:

18、

19、其中，分别是基站-智能反射表面，智能反射表面-用户k的信道，表示智能反射表面的反射系数矩阵，b是每个正交资源块的带宽，p是基站的发射功率，σ2是噪声功率。

20、根据不同的环境特性，可以优化θ使得该语义通信系统容量最大化。

21、进一步的，本发明步骤3中具体包括，对于给定的传输延迟阈值t，所传语义信息ak应满足约束：

22、

23、其中z(ak)是集合ak的数据大小。

24、在每个用户k接收到部分语义信息ak之后，可以使用图形-文本生成模型，从ak恢复连贯的文本数据。我们假设图形-文本生成模型训练有素并在所有用户之间共享。用户k基于ak恢复的文本数据用r(ak)表示，

25、r(ak)＝{s'k,1,…,s'k,i,…s'k,i}

26、其中s'k,i是表示r(ak)中文本中的第i个词。

27、进一步的，本发明步骤4中具体包括，为了衡量语义通信的质量，提出了语义相似性的度量标准，将恢复文本中信息的正确程度定义为语义准确性,恢复的文本数据r(ak)的语义准确度定义为：

28、

29、其中，i是r(ak)的位数，σ(r(ak),s'k,i)是s'k,i在恢复的文本数据r(ak)中出现的次数，σ(dk,s'k,i)是s'k,i在原始大规模文本数据dk中出现得次数。min(σ(r(ak),s'k,i),σ(dk,s'k,i))表示s'k,i在恢复的文本数据r(ak)中正确出现的次数。

30、将恢复文本中包含原始文本信息的程度定义为语义完整性，恢复的文本数据r(ak)的语义完整性定义为：

31、

32、其中，表示每个单词sk,l恢复在原文中出现次数的总和。

33、进一步的，恢复的文本数据r(ak)的语义相似度可表示为

34、

35、其中是一个权重参数，用于调整语义准确性和完整性对语义相似度的影响。ηk是对短文本的额外影响参数，表示为：

36、

37、改变ηk的值，每个用户都可以有效地使用接收到的部分语义信息进行文本恢复。

38、有益效果：

39、1、本发明基站首先从其大规模数据中提取语义信息，然后将提取后的小规模语义信息通过智能反射表面辅助传输给每个用户，用户接收信号后根据共享知识库恢复原始数据。利用深度神经网络对原始大规模数据进行语义提取，通过智能反射表面辅助传输语义信息，很好地提高了语义量标准进行衡量语义通信的质量。

40、2、本发明利用智能反射表面可以重构无线环境的特性，提高了语义通信系统的效率，并设置了一种语义相似性的度量标准。