一种基于非正交多址接入的语义通信传输方法

本发明属于通信，尤其涉及一种基于非正交多址接入的语义通信传输方法。

背景技术：

1、在过去几十年中，通信主要集中于如何准确传输以比特为单位的信号。在这样的系统中，主要使用比特误码率来度量系统性能。随着通信技术的不断发展，当前的传输速率已经增长了数万倍，系统容量正逐渐接近香农极限。传统的通信模式受到了极大的挑战，很难满足许多新兴应用的需求。语义通信逐渐进入了人们的视野，希望借助其优势提高沟通效率。语义通信系统的目的在于传输句子的意义，而不是传统通信中的比特传输。只有对用户重要、相关和有用的信息才能从大量数据中提取出来并传输。通过这样做，数据流量将大大减少，它可以显著提高传输效率和可靠性，在典型的通信系统中，当带宽有限、snr低时，这种系统可能特别有用。

2、设计合适的多址技术是提高系统容量的最重要方法之一。多址技术可以大致分为两种不同的方法，即正交多址(oma)和非正交多址接入(noma)。noma可以在相同时间内使用单一频率资源为多个用户服务，是下一代无线接入网络的有力候选。与众所周知的高容量oma技术正交频分多址(ofdma)相比，noma可以在同一小区内同时向多个用户分配一个频率信道，并具备许多优点，包括改进的频谱效率(se)、更高的小区边缘吞吐量、宽松的信道反馈、以及低传输延迟。目前对noma的研究多集中于功率分配和系统容量等方面，主要是通过考虑香农容量定理来解决应用问题。

3、结合语义通信的概念，引入非正交多址接入系统可以进一步提高频谱效率。目前，对语义通信系统的研究主要集中在传统的通信框架上，没有与noma进行结合。当前，语义通信研究大多没有摆脱端对端通信的思路和框架，没有充分发挥语义传输的优势。与传统的通信方法中信号的调制与解调不同，语义通信的编码和解码器的结构不一致，输入和输出不能简单对接。同时对数据的处理顺序也不同。

技术实现思路

1、发明目的：本发明的目的在于提供一种基于非正交多址接入的语义通信传输方法。能够在语义通信框架中实现非正交多址接入系统传输，并能在串行干扰消除中引入语义信息辅助并实现用户信息解码，提高频谱效率，克服了传统通信中存在大量信息冗余的问题，优化了基站实现信号检测和用户数据解码的操作时序。

2、技术方案：本发明的基于非正交多址接入的语义通信传输方法，包括如下步骤：

3、s1、在基站基于文本数据集构建语义背景知识库，并通过广播将语义背景知识库分享给网络中的各个用户，用户利用语义背景知识库对发送信息进行转码处理；

4、s2、在基站侧和用户端分别设计基于transformer结构的发射器和接收器，实现用户端语义信息提取压缩与基站端的语义信息恢复；

5、s3、搭建上行非正交多址接入语义通信系统，保留语义信息实现信号重构，辅助执行串行干扰消除；

6、s4、设计基站侧的用户信号统一解码网络以获取接收数据，并收集用户的发送数据，计算交叉熵损失函数，训练非正交多址接入语义通信系统收发端的深度网络模型；

7、s5、基于训练的模型参数，结合贪婪算法和语义解码器恢复基站接收的用户数据，实现语义信息传输。

8、进一步地，步骤s1中，在基站基于文本数据集构建语义背景知识库，并通过广播分享给网络中的多个用户，用户利用语义知识库对发送信息进行转码处理，具体为：将文本数据集作为训练集进行预处理，将句子长度划分为4到30词，规范字符格式并按照单词数量生成对应词典，即语义背景知识库，用于实现句子信息和信号流的互相转换。为了使收发机理解语义信息，基站将语义知识库广播给网络中的每个用户，用户发送端根据知识库对用户信息转码，将发送的句子转换为复杂信号流。其中每个用户的信号互不影响，遵循一致的转码规则。记用户i发送的数据为一组句子si＝[s1，s2，…，sn]。其中，单个句子sn＝[w1，w2，…，wl]，n＝[1，2，…，n]，wl表示句子中的第l个单词。用户信号经过各自的信道叠加发送给基站。基站接收到用户叠加信号后，执行串行干扰消除检测不同用户的信号，解码恢复后根据知识库恢复为每个用户的原始数据，按照词典索引将用户数据恢复为完整的句子。

9、进一步地，步骤s2中，在基站和用户侧分别设计基于transformer结构的发射器和接收器，实现用户端语义信息提取压缩与基站端的语义信息恢复，具体为：语义编码器和解码器分别由4个transformer编码器层和4个transformer解码器层构成。在用户发送端，用户数据首先由语义编码器编码，提取并压缩语义信息，再进行信道编码，确保在物理信道上成功传输语义信息。用户发送的信号可以表示为:xi＝cα(eβ(s))，其中，cα表示参数为α的信道编码器，eβ表示参数为β的语义编码器网络。基站接收到信号并完成信号检测和串行干扰消除后，对每个用户的信号进行单独解码恢复。接收器包括一个信号重构网络和一个解码恢复网络，其中信号重构网络在执行串行干扰消除时实现用户信号重构并从叠加信号中去除。在信号重构网络中，我们将重构方式分为信道重构、语义重构和直接重构三种。其中，在执行语义重构时，基站对强接收功率的用户信号完成解码后，需要引入基于transformer的语义编码器。由于解码后，信号维度发生了变化，我们去除了编码器中的embedding层，并通过补充特定维度的常数来满足重新编码的要求。在解码恢复网络中，串行干扰消除完成后，基站检测出来自不同用户的信号，通过信道解码恢复传输信号，再结合背景知识库，通过语义解码器将信号恢复成用户发送的数据。恢复出的数据表示为:其中表示参数为δ的信道解码器，表示参数为χ的语义解码器。

10、进一步地，步骤s3中，搭建并设计上行非正交多址接入语义通信系统，保留语义信息实现信号重构，辅助执行串行干扰消除，具体为：考虑基于上行非正交多址接入的语义通信方案，由一个基站服务2名用户。用户和基站都配备单天线。为保证在基站的接收功率差异，设用户信道增益状态|h1|2＞|h2|2，将两名用户分别记为近用户和远用户。用户以各自的发射功率向基站发送信号。两名用户的发射功率pi相同且p1＝p2＝1，基站接收到的信号为两名用户信号的叠加。进行信号检测后，保留语义信息，借助信道编解码器实现信号重构，消除信道干扰并辅助执行串行干扰消除，从而恢复用户数据。基站实现串行干扰消除的处理过程为：接收到来自两名用户的叠加信号后，通过串行干扰消除检测不同用户的信号并进行解码。记用户i发射的信号为xi，基站端接收到的信号为其中hi是用户与基站之间的瑞利衰落信道，n是方差为的独立零均值加性高斯白噪声。使用最小均方误差算法实现用户信号检测，公式为：

11、

12、首先对近用户进行信号检测，将远用户信号视为干扰，引入语义信息辅助，消除信道影响并对检测出的近用户信号进行重构，具体为：使用最小均方误差检测出近用户信号后，需要对信号进行处理，消除传输误差和信道干扰，辅助远用户的信号检测。定义处理网络为r(·)，则处理信号表示为在传统通信中，在对接收信号进行重构时，需要先对信号解调，然后进行信道解码，再重新编码调制。基于该思想，提出了语义重构方案。将传统方案中的调制转变为语义通信框架下的语义编码。近用户信号信道解码完成后，进行语义解码代替传统通信中的解调，之后重新进行编码。由于语义解码后信号的维度出现变化，需要加入特定维度的常数来满足编码要求，并通过训练来降低编码误差。在重新编码时，去除了语义编码器中的embedding层，保证恢复信号与传输信号一致。但在语义通信框架下，如果对语义信息进行解码重提取，会导致当前信号中提取压缩的语义信息受到损失。在此基础上，进一步提出了信道重构方案，即保留信号中的语义信息，通过信道解码来减少信道干扰和信号重构带来的影响。为了体现信道重构的准确性，我们也将直接重构方案作为对比方案，即不进行任何信号处理，直接将检测出的信号用于重构，即,我们设定接收端具有完美信道状态信息，重构的方法为：

13、

14、近用户信号重构完成后，从总接收信号中去除该用户信号，即y2＝y-y1。去除近用户干扰后，剩余信号y2中只包含远用户信号与信道中的高斯白噪声干扰n。从信号y2中对远用户进行信号检测得到从而分离出不同用户的信号。因此，相对于远用户，近用户受到的干扰更大，同时近用户解码重构的准确性对远用户有较大影响。

15、进一步地，步骤s4中，联合训练用户解码网络参数，收集通信的发送信号和接收信号，根据交叉熵损失训练网络模型，具体为：在本地训练阶段，收集每个用户的发送信号和接收信号，使用交叉熵损失作为优化函数，分别得到两名用户的传输损失值，并根据信号损失均值实时更新非正交多址接入语义通信系统收发端的深度网络参数。基站配置一个接收器，分别对检测出的两名用户信号进行解码恢复，对于接收到的不同用户信号，基站分配相同的信号解码网络结构；如果独立更新这些解码网络，即针对不同用户信号进行独立训练，会导致远用户受到严重干扰，无法正确传输信号，且两用户的平均损失值难以正确下降。因此，我们统一训练不同解码网络的参数，保证每名用户的数据都能实现正确传输。

16、进一步地，步骤s5中，基于训练的模型参数，结合贪婪算法和语义解码器恢复用户数据，实现语义信息传输，具体为：在训练阶段，基站恢复出的信号用于交叉熵损失函数，通过计算预测概率分布及真实概率分布之间的差异来得出训练结果，无法直接对应背景语义知识库恢复为句子。在实际应用中，将训练好的语义解码器网络与贪婪算法相结合，取解码恢复信号中每个单词位置处最大概率的结果，舍去其余结果并重组为符号流。结合语义知识库，基站可以将符号流转回用户想要发送的文本信息。将接收端恢复的文本与用户原始发送文本对比，得出bleu分数和语义相似度用于评估恢复句子的准确性。其中，对于发送的一个长度为l的句子s，接收端恢复出长度的句子bleu分数的计算方式为：

17、

18、其中un是n-grams的权重，而pn是n-grams的分数，表示为：ck(·)是第n个grams中第k个元素的频率计数函数。由于bleu分数无法理解语义信息，只能根据句子长度和单词准确度来判断传输精确性，因此，加入语义相似度作为语义层面的评分标准，其计算方式为：

19、

20、其中bφ(·)是一个预训练的bert模型，包含数十亿个用于提取语义的参数信息。每个用户的信号均采取相同流程还原句子信息。此外，采用训练好的解码器模型，可以在进行近用户信号重构时，直接将信号还原为符号流。此时，使用和发送端一致的语义编码器，即可满足信号重构的要求，不需要进一步考虑信号维度的变化。

21、有益效果：与现有技术相比，本发明具有如下显著优点：

22、(1)该种基于语义信息辅助的非正交多址接入系统串行干扰消除方法，结合语义通信框架，通过提取有用的语义信息并滤除不相关的冗余信息，突破了传统方案中的频谱资源不足的限制；同时结合非正交多址接入系统，进一步提高了频谱效率。

23、(2)该种基于语义信息辅助的非正交多址接入系统串行干扰消除方法，对三类信号重构方式进行对比分析，提出在串行干扰消除时以语义信息辅助消除干扰，保留信号中提取的语义信息，实现精确重构用户信号，减少误差传播，并降低对其他用户的干扰。

24、(3)该种基于语义信息辅助的非正交多址接入系统串行干扰消除方法，提出联合训练不同用户的解码器网络参数，用户之间辅助训练，能够减少近用户对远用户的干扰，保证两用户的传输精度，同时也能减少训练时的处理量和消耗，降低接收器的处理复杂度。