基于经验结果的语义通信建模与性能分析
机器学习
2025-05-01 v1 人工智能
摘要
由于深度学习基于语义的编码器和解码器具有黑箱特性，寻找语义通信性能分析的可解析方法是一个具有挑战性的问题。本文提出一种Alpha-Beta-Gamma(ABG)公式，用于建模端到端测量值与信噪比(SNR)之间的关系，可适用于图像重建任务和推理任务。具体而言，对于图像重建任务，本文提出的ABG公式能够很好地拟合常用的深度学习网络，如SCUNet和Vision Transformer，用于语义编码，并采用多尺度结构相似性指数(MS-SSIM)进行测量。此外，我们发现MS-SSIM的上限取决于语义编码器的量化输出位数的数量，并提出了一种闭式表达式来拟合MS-SSIM与量化输出位数之间的关系。到目前为止，我们是首个提供端到端性能指标与SNR之间理论表达式的语义通信。基于所提出的ABG公式，本文研究了语义通信中针对随机衰落信道的自适应功率控制方案，该方案能够有效保证语义通信的服务质量(QoS)，随后设计最优功率分配方案以最大化语义通信系统的能源效率。此外，利用二分查找算法，我们开发了一种用于最大化多个用户下行语义通信中最小QoS的功率分配方案。大量仿真结果验证了所提出ABG公式和功率分配方案的有效性和优越性。
引用
@article{arxiv.2504.21055,
title = {Modeling and Performance Analysis for Semantic Communications Based on Empirical Results},
author = {Shuai Ma and Bin Shen and Chuanhui Zhang and Youlong Wu and Hang Li and Shiyin Li and Guangming Shi and Naofal Al-Dhahir},
journal= {arXiv preprint arXiv:2504.21055},
year = {2025}
}