IRS 辅助多用户语义通信中的联合信源信道编码学习
信号处理
2025-04-11 v1
摘要
本文研究智能反射面(IRS)辅助多用户语义通信系统中的联合信源信道编码(JSCE)方案。语义编码不仅压缩冗余信息，还增强了语义特征空间中的信息正交性。同时，IRS可以调整空间正交性，使得在密集部署的无线网络中能够实现并发多用户语义通信，从而提高频谱效率。我们旨在通过联合优化用户调度、IRS的无源波束成形和语义编码策略来最大化用户的语义吞吐量。为了解决这一非凸问题，我们提出了一种可解释深度神经网络驱动的深度强化学习(XD-DRL)框架。具体而言，我们采用深度神经网络(DNN)作为联合信源信道语义编码器，使发射端能够从原始图像中提取语义特征。通过利用结构相似性，我们将部分DNN权重系数指定为IRS的相移，从而允许同时优化IRS的无源波束成形和DNN训练。在给定IRS无源波束成形和语义编码策略的情况下，使用DRL方法优化用户调度。数值结果验证了我们的JSCE方案相比传统方案实现了更优的语义吞吐量，并在多用户场景下有效减小了语义编码器的模式大小。
引用
@article{arxiv.2504.07498,
title = {Learning Joint Source-Channel Encoding in IRS-assisted Multi-User Semantic Communications},
author = {Haidong Wang and Songhan Zhao and Lanhua Li and Bo Gu and Jing Xu and Shimin Gong and Jiawen Kang},
journal= {arXiv preprint arXiv:2504.07498},
year = {2025}
}