语义通信关注传输信息的内在含义, 通过语义提取可显著减少需要传输的数据量, 提高通信效率, 在未来智能设备通信场景中展现出巨大的潜力. 然而, 深度学习使能的语义编解码进一步加剧传统通信的能量消耗, 如何设计能量高效的语义通信系统以及如何设计面向语义通信网络的跨层资源优化算法都是亟待解决的问题。
研究团队
武刚, 余开文, 樊仁和, 苟文龙, 俞传航: 电子科技大学通信抗干扰全国重点实验室
文章下载
余开文, 樊仁和, 苟文龙, 俞传航, 武刚. 面向语义通信网络的能效跨层优化. 中国科学: 信息科学, 2024, doi: 10.1360/SSI-2023-0283
论文地址：https://www.sciengine.com/SSI/doi/10.1360/SSI-2023-0283;JSESSIONID=85429ec6-71a1-4204-bccd-d1eb152c8147
本文工作
本文首先综述了现有的语义通信相关工作，阐述语义通信潜在的应用场景, 分析面向语义通信系统的跨层资源优化框架, 探讨从传统通信到语义通信的资源优化目标与方案. 同时,本文提出一种联合跨层优化框架, 设计了一种语义能效指标来评估用户的体验质量和全局系统的能量损耗. 将该优化过程建模为部分可观测的马尔可夫过程, 联合优化物理层中的功率控制和语义层中的语义压缩配置: 功率分配用于消除小区间干扰, 语义压缩等级配置用于优化语义传输效率. 仿真结果表明, 所提框架和算法能够有效解决语义层和物理层的联合优化问题.
实验结果
下图为七小区情况下所提算法和其他策略的能量效率性能对比. 从图中可以看出, 基于多智能体强化学习的算法性能随着时间的推移逐渐上升, 而非智能算法性能保持不变. 这是由于多智能体强化学习算法存在学习的过程. 通过与环境交互, 以奖励函数为指导, 通过离线学习在线更新的方式逐渐改善策略, 最终获得较好的性能. 其中, 基于DQN的算法波动较大, 这是由于智能体无法观测全局环境, 使其具有一定的不确定性; 而基于DRQN的算法波动较小, 在收敛后能够保持相对稳定的性能. 这是由于DRQN中的LSTM网络能够保存中间状态, 具有对抗环境不确定性的能力. 另一方面, 基于随机策略的算法性能最差, 基于贪婪策略的算法性能略优于随机算法. 这是由于虽然基于贪婪策略可选择最大功率作为传输, 但大功率传输只会优化本链路的性能, 会对其他链路产生较强的干扰, 因此并不能获得最优的结果, 验证了所提出的基于多智能体强化学习的跨层优化算法的有效性贺可靠性.
下图为三小区情况下不同策略在10000时隙内智能体选择传输功率的热力图统计. 功率索引值越大代表智能体所采用的传输功率越大. 单元格颜色越深表示在统计时间内选择该行动的次数越多. 从图中可以看出, 考虑系统功率损耗的算法会优先选择较小的发射功率, 而不考虑系统功率损耗的算 法优先选择较大的发射功率. 因此, 在满足用户QoE指标的情况下, 所提算法能够最小化系统功耗, 从而实现能量效率最大化的目标.
版权声明：本文内容转自互联网，本文观点仅代表作者本人。本站仅提供信息存储空间服务，所有权归原作者所有。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至1393616908@qq.com 举报，一经查实，本站将立刻删除。
