【技術實現步驟摘要】
本專利技術屬于通信，具體涉及一種基于監督判別學習的抗噪語義通信方法。
技術介紹
1、隨著機器學習和計算機硬件的蓬勃發展，語義通信作為一種新的智能通信模式，近年來引起了人們的廣泛關注。語義通信代表了通信技術的一次革命性進步，語義通信系統利用深度學習模型，從輸入數據中提取語義信息并生成特征向量，系統傳輸這些特征向量而不是原始比特序列，將重點從簡單的信息傳輸轉移到了信息的含義和語境。與傳統通信系統不同，語義通信更注重傳達信息的含義，而不是單純的符號傳輸。它的關鍵在于最大限度地保留和傳輸信息的語義內容，而不是僅僅關注符號的準確傳遞。雖然語義通信可以通過減少傳輸的數據量來提高通信效率，但神經網絡的引入帶來了新的威脅。與傳統的通信不同，語義通信系統容易受到兩種不同類型的噪聲的影響。第一種類型是物理信道噪聲，其在無線通信中發現，并且由物理信道損耗引起，應當注意的是，由信道傳播引起的誤差通常發生在信道解碼之前。第二種類型的噪聲是語義噪聲，其引起語義信息的誤解，導致在語義通信期間發送器和接收器之間的語義信息的失配，并且在源和無線信道處引入語義噪聲。語義噪聲目的是誤導深度學習模型，通過向樣本中添加微妙的擾動來輕松欺騙深度學習模型，而不會被人類檢測到。它可能會由惡意干擾者添加擾動，也可能是在自然界中收集時由于采樣中的人為誤差而導致采樣的數據中就包含著語義噪聲。語義通信中，此噪聲可能會導致接收端誤解或錯誤解碼傳輸的信息，影響通信的可靠性和安全性。雖然在圖像處理領域已經有了許多產生對抗性擾動的方法，但是研究如何在無線通信環境中識別和對抗語義噪聲，以確保系
技術實現思路
1、為達到上述目的，本專利技術提供如下技術方案：
2、一種基于監督判別學習的抗噪語義通信方法，包括以下步驟：
3、s1.在語義通信系統中引入語義噪聲和采用聯合編解碼器，并在語義任務端加入深度監督網絡；
4、s2.通過投影梯度下降攻擊(projectedgradientdescent，pgd)攻擊生成對抗樣本干擾發送端，在數據傳輸中利用迭代算法生成并優化語義噪聲；
5、s3.在語義通信系統任務端增設深度監督網絡，各中間層獲直接監督，逐步過濾語義噪聲；
6、s4.設計由終端損失和伴隨損失所組成的損失函數以增強深度學習模型對被語義噪聲污染樣本的區分能力；
7、s5.進行判別性學習的語義噪聲對抗訓練以增強深度學習模型對語義噪聲的抵御能力。
8、進一步，所述s1包括以下步驟：
9、s11.在所述語義通信系統發送端的數據集中添加語義噪聲，在數據通過信道進行傳輸的過程中引入語義噪聲；
10、s12.所述語義通信系統的發送端和接收端均采用聯合信源信道編解碼器實現編碼和解碼過程；
11、s13.所述語義通信系統在語義任務執行端引入深度監督網絡。
12、進一步，所述s2包括以下步驟：
13、s21.引入投影梯度下降攻擊(projectedgradientdescent，pgd)攻擊方法，第t+1步迭代中生成的對抗樣本，表示為：
14、
15、其中，xt+1表示在第t+1步迭代中生成的對抗樣本，s表示原始圖像，πx表示將擾動限制在有限范圍內，z表示與輸入信息相關的語義任務，表示深度學習模型的損失函數，δs表示在通信過程中遭受的語義噪聲的攻擊；
16、s22.對數據傳輸過程中語義噪聲干擾的具體建模如下：
17、
18、s.t.δx≤δ
19、其中，x表示對抗樣本，δx表示語義噪聲，gθ表示可訓練的解碼器參數，h表示信道狀態信息，n表示信道噪聲，hs表示語義噪聲經過信道的信道信息，δ表示功率約束。
20、進一步，所述s3包括以下步驟：
21、s31.采用帶有殘差模塊的resnet(residualnetwork)作為所述深度監督網絡的主干；
22、s32.所述深度監督網絡的每個隱藏層后加監督層，以特征圖為輸入，經全連接層表達特征，實現逐層監督。
23、進一步，所述s4包括以下步驟：
24、s41.設計由終端和伴隨損失所組成的損失函數，表示為：
25、
26、其中，lossm表示終端損失，lossa表示伴隨損失，β表示伴隨損失的權重；
27、s42.伴隨損失所引入的原型一致型損失函數，表示為：
28、
29、其中，y表示圖像的類別標簽，表示對i個圖像提取的特征，與編解碼器的參數相關，c表示類別質心，yi表示第i個圖形的類別標簽，表示第i個圖形類別標簽下所對應的類別質心，cj表示第j個圖形類別標簽下的類別質心；
30、s43.終端損失，表示為：
31、
32、其中，表示語義通信系統的數據重構的損失函數，表示系統的語義任務損失函數，α表示縮放的取值范圍以適配的超參數，λ表示權衡語義任務和數據恢復的超參數。
33、進一步，所述λ表示為：
34、
35、其中，snr表示信噪比(signal-to-noiseratio)以作為系統通信環境的衡量指數。
36、進一步，所述類別質心c為深度學習模型每一輪學習到的特征值的平均值得到。
37、進一步，所述s5包括以下步驟：
38、步驟5.1、初始化學習率l、語義噪聲、功率約束δ、語義通信系統可訓練編碼器參數fθ、語義通信系統可訓練解碼器參數gθ、語義通信系統可訓練分類器參數zθ和系統中可訓練的監督層參數sθ；
39、步驟5.2、將信源端被語義噪聲污染的訓練數據經過編碼器編碼，信道傳輸；
40、步驟5.3、計算傳輸過程中的語義噪聲并添加；
41、步驟5.4、將解碼器解碼得到的信息傳入分類器執行任務；
42、步驟5.5、計算終端損失和伴隨損失，用于計算總損失函數；
43、步驟5.6、計算梯度更新編碼器參數，解碼器參數；
44、步驟5.7、再次計算梯度更新監督層參數，計算梯度更新分類器參數；
45、步驟5.8、計算當前輪次分類器提取的特征平均值更新質心。
46、本專利技術的有益效果在于：
47、通過在網絡結構中增加額外的監督信號，使得每個中間層在學習過程中都能獲得直接的監督反饋；在提取特征信息時逐步過濾語義噪聲干擾，有效地引導網絡學習更具有判別能力和任務相關性的特征表示；深度監督網絡通過在隱藏層后引入監督層，將每一層得到本文檔來自技高網...
【技術保護點】
1.一種基于監督判別學習的抗噪語義通信方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于監督判別學習的抗噪語義通信方法，其特征在于，所述S1包括以下步驟：
3.根據權利要求1所述的基于監督判別學習的抗噪語義通信方法，其特征在于，所述S2包括以下步驟：
4.根據權利要求1所述的基于監督判別學習的抗噪語義通信方法，其特征在于，所述S3包括以下步驟：
5.根據權利要求1所述的基于監督判別學習的抗噪語義通信方法，其特征在于，所述S4包括以下步驟：
6.根據權利要求5所述的基于監督判別學習的抗噪語義通信方法，其特征在于，所述λ表示為：
7.根據權利要求5所述的基于監督判別學習的抗噪語義通信方法，其特征在于，所述類別質心c為深度學習模型每一輪學習到的特征值的平均值得到。
8.根據權利要求1所述的基于監督判別學習的抗噪語義通信方法，其特征在于，所述S5包括以下步驟：
【技術特征摘要】
1.一種基于監督判別學習的抗噪語義通信方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于監督判別學習的抗噪語義通信方法，其特征在于，所述s1包括以下步驟：
3.根據權利要求1所述的基于監督判別學習的抗噪語義通信方法，其特征在于，所述s2包括以下步驟：
4.根據權利要求1所述的基于監督判別學習的抗噪語義通信方法，其特征在于，所述s3包括以下步驟：
5.根據權利要求1所述...
【專利技術屬性】
技術研發人員：祝志遠，徐偉偉，應俊，吳大鵬，王汝言，
申請(專利權)人：重慶郵電大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。