【技术实现步骤摘要】
本专利技术属于通信与人工智能领域，具体涉及一种基于多尺度特征自适应融合的语义通信方法。
技术介绍
1、在过去的几十年中，通信主要集中在如何准确有效地将符号(以比特为单位)从发射器传输到接收器。在此类系统中，误码率(ber)或符号误码率(ser)通常作为性能指标。随着从第一代(1g)发展到第五代(5g)，实现的传输速率提升了数万倍，系统容量逐渐接近香农极限。最近，出现了各种新的应用，如自动驾驶、消费机器人、环境监测和远程医疗。这些应用程序的互连将以zetta字节为单位生成数量惊人的数据。此外，这些应用需要在有限的频谱资源上支持大规模连接，但需要更低的延迟，这给传统的源信道编码带来了严峻的挑战。语义通信可以通过提取数据的意义，过滤掉无用、不相关、不重要的信息，在语义域内处理数据，能够保留意义的同时进一步压缩数据。此外，语义通信有望在恶劣的信道环境中(即低信噪比(snr)区域)下具有鲁棒性，非常适合需要高可靠性的应用。这些因素促使技术人员通过考虑数字比特背后的语义含义来开发智能通信系统，以提高通信的准确性和效率。
2、与传统通信不同，语义通信旨在传输与传输目标相关的信息。例如，对于文本传输，意义因此是基本信息，而表达，即词的表达，是不必要的。通过这样做，数据流量将大大减少。在典型的通信系统中，当带宽有限、信噪比低或误码率/ser高时，这种系统可能特别有用。
3、目前，基于人工智能的语义通信系统正处于研究的初期阶段，展现出对传统通信模式的有力挑战。研究指出，相比传统通信系统，语义通信能显著降低数据传输量和通信资源
技术实现思路
1、基于现有技术存在的问题，本专利技术提供了一种基于多尺度特征自适应融合的语义通信方法，其可以基于语义通信系统，所述语义通信系统是一个高度先进的语义通信框架，它融合了深度学习技术，特别是卷积神经网络(cnn)在多尺度感知领域的最新进展。此系统突破了传统通信仅关注符号级传输的局限，转向了一种更加高效和智能的通信模式，即直接提取并传输信源信息的语义内容。
2、一种基于多尺度特征自适应融合的语义通信方法，所述方法包括：
3、获取原始语义样本序列；
4、对原始语义样本序列进行分帧处理，得到第一语义样本序列；
5、利用基于多尺度特征融合注意力模块的语义编码器对所述第一语义样本序列进行处理，提取出所述第一语义样本序列的多尺度信息特征；
6、利用基于卷积神经网络的信道编码器对所述第一语义样本序列的多尺度信息特征进行转换，得到第一语义符号；
7、在发射端通过物理信号传输所述第一语义符号，在接收端得到所述第一语义符号对应的第二语义符号；
8、利用基于卷积神经网络的信道解码器对所述第二语义符号进行转换，得到第二语义样本序列；
9、利用基于多尺度特征融合注意力模块的语义解码器对所述第二语义样本序列进行处理，提取出所述第三语义样本序列；
10、对第三语义样本序列进行合帧处理，得到接收端的估计语义样本序列。
11、本专利技术的有益效果：
12、本专利技术针对空间维度的多核卷积对音频信号的重要意义，以及传统语义通信的注意力机制只考虑了通道之间的关系，在传统的语义编码器新增了多尺度特征自适应融合功能的注意力模块，相较于传统的se-resnet架构，所提出的网络结构带来了几个关键性的创新。首先，它通过引入不同尺寸的卷积核，在保持残差学习特点的同时，增加了网络对多尺度特征的捕获能力。这意味着网络不仅可以识别音频中的粗大特征，同时也能够捕捉到更细微的细节，这在处理不同大小的目标或是层次丰富的场景时尤为有价值。其次，由于在传统语义通信系统中批量归一化层放置在了激活函数之后会有模型训练不收敛的情况发生，本专利技术将批量归一化层放置在了激活函数之前，解决了模型不收敛的问题，这是对传统se-resnet中通常先进行批量归一化后再激活的顺序的一个优化。这样的调整会对网络的学习动态产生积极的影响。最后，这个结构还包含了维度扩展操作，允许将得到的特征图在空间上进行扩展，以适应后续的运算。这一点在传统的se-resnet结构中不常见，它为后续的特征组合和变换提供了更大的灵活性。综合来看，这个改进的结构在继承了se-resnet的深度和残差连接优点的基础上，通过多尺度特征学习和顺序调整增加了对复杂视觉模式的识别能力，并可能提供了更好的训练稳定性和优化效率。它的设计思想和结构调整，是对传统se-resnet的有益补充，对于提高网络在语义通信任务中的表现潜力具有重要意义。
本文档来自技高网...【技术保护点】
1.一种基于多尺度特征自适应融合的语义通信方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于多尺度特征自适应融合的语义通信方法，其特征在于，所述对原始语义样本序列进行分帧处理，得到第一语义样本序列包括对所述原始语义样本序列按照不同尺寸进行分帧处理，得到多个不同长度的第一语义样本序列，所述多个不同长度的第一语义样本序列包括目标第一语义样本序列以及覆盖所述目标第一语义样本序列对应的至少一个边缘的第一语义样本序列。
3.根据权利要求2所述的基于多尺度特征自适应融合的语义通信方法，其特征在于，所述利用基于多尺度特征融合注意力模块的语义编码器对所述第一语义样本序列进行处理，提取出所述第一语义样本序列的多尺度信息特征包括利用基于多尺度特征融合注意力模块的语义编码器对多个不同长度的第一语义样本序列进行处理，分别提取出多个不同长度的第一语义样本序列的多尺度信息特征；将所述目标第一语义样本序列的多尺度信息与对应的边缘的第一语义样本序列的多尺度信息采用注意力机制进行融合，得到所述目标第一语义样本序列的多尺度注意力信息特征。
4.根据权利要求1所述的基于
5.根据权利要求4所述的基于多尺度特征自适应融合的语义通信方法，其特征在于，所述多个尺寸逐渐增加的卷积层包括3×3卷积核，5×5卷积核，7×7卷积核，9×9卷积核中两个及以上卷积核对应的卷积层。
6.根据权利要求4或5所述的基于多尺度特征自适应融合的语义通信方法，其特征在于，每个卷积层包括顺次连接的卷积核、批量归一化层和Relu激活函数层；所述卷积核作为输入层，所述批量归一化层作为中间层，所述Relu激活函数层作为输出层。
7.根据权利要求1所述的基于多尺度特征自适应融合的语义通信方法，其特征在于，所述方法还包括利用重塑层对所述第一语义符号进行处理，得到第一码元序列；在发射端通过物理信号传输所述第一码元序列，在接收端得到所述第一码元序列对应的第二码元序列；利用重塑层对所述第二码元序列进行处理，得到第二语义符号。
...【技术特征摘要】
1.一种基于多尺度特征自适应融合的语义通信方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于多尺度特征自适应融合的语义通信方法，其特征在于，所述对原始语义样本序列进行分帧处理，得到第一语义样本序列包括对所述原始语义样本序列按照不同尺寸进行分帧处理，得到多个不同长度的第一语义样本序列，所述多个不同长度的第一语义样本序列包括目标第一语义样本序列以及覆盖所述目标第一语义样本序列对应的至少一个边缘的第一语义样本序列。
3.根据权利要求2所述的基于多尺度特征自适应融合的语义通信方法，其特征在于，所述利用基于多尺度特征融合注意力模块的语义编码器对所述第一语义样本序列进行处理，提取出所述第一语义样本序列的多尺度信息特征包括利用基于多尺度特征融合注意力模块的语义编码器对多个不同长度的第一语义样本序列进行处理，分别提取出多个不同长度的第一语义样本序列的多尺度信息特征；将所述目标第一语义样本序列的多尺度信息与对应的边缘的第一语义样本序列的多尺度信息采用注意力机制进行融合，得到所述目标第一语义样本序列的多尺度注意力信息特征。
4.根据权利要求1所述的基于多尺度特征自适应融合的语义通信方法，其特征在于，所述多尺度特征融合注意力模块包括多个尺寸逐渐增加的...
【专利技术属性】
技术研发人员：李职杜，张宝霈，江佳骏，邓明亮，薛青，王巨震，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。