【技術實現步驟摘要】
本專利技術屬于通信，特別是一種面向圖像恢復任務的語義通信系統資源分配方法。
技術介紹
1、隨著5g商業化的加速，6g逐漸成為全球各國著力部署的方向。近年來，在中國政府的大力推動和支持下，在國家中長期發展的戰略需求驅動下，為保持并擴大中國5g的領先優勢，中國正在積極探索6g自主創新的技術路線。6g網絡有望將人和擁有不同智能程度的機器相互連接起來，而語義通信是目前6g候選的關鍵技術之一。語義通信系統主要關注信源內容的語義表征、傳輸與重構，以及基于語義的無線傳輸。進一步考慮，當語義通信系統的發送端或者接收端同時存在多個用戶時，就形成了語義通信的網絡，而網絡中無線資源的稀缺性會導致通信資源管理變得十分重要，所以迫切需要研究既能提高網絡整體性能又可以支持高質量語義業務的資源分配策略，通過合理的通信資源分配可以給用戶提供更好的通信服務，如更高的數據速率，更大的系統容量，更好的用戶體驗等，因此通信資源的合理分配是在復雜通信環境下解決通信資源短缺的最直接而有效的手段。
技術實現思路
1、本專利技術的目的在于提供一種新的基于mappo的語義通信系統資源分配方法，在考慮用戶位置和語義通信物理信道動態變化的基礎上，利用所提出的lstm-noise?mappo語義通信資源算法，解決小區語義通信系統功率、語義壓縮率和計算容量的分配問題。
2、實現本專利技術目的的技術解決方案為：一方面，提供了一種面向圖像恢復任務的語義通信系統資源分配方法，所述方法包括：
3、步驟1，建立語義通信系統，
4、步驟2，所述用戶向所述基站發送導頻信號，且不同導頻信號之間彼此正交；
5、步驟3，所述基站基于所有用戶發送的導頻信號對每個用戶的上行信道進行信道估計；
6、步驟4，基于上行信道估計結果對發送信號在接收端的信干噪比(signal?tointerference?plus?noise?ratio,sinr)和信干噪比的統計特性進行理論分析；
7、步驟5，利用每個用戶的sinr分析用戶發送語義信息的傳輸能耗，并根據調制方式計算每個用戶發送信號的理論平均誤符號性能；
8、步驟6，獲取不同語義提取率下用戶提取語義信息和基站恢復圖像信息所需的cpu周期數映射曲線，對映射曲線進行數值擬合，并基于擬合結果計算提取語義信息和恢復圖像信息的計算能耗；
9、步驟7，構建優化問題，并對該問題進行簡化獲得最終需要優化的語義通信資源分配問題；
10、步驟8，設計并搭建基于多智能體近端策略優化算法(multi-agent?proximalpolicy?optimization,mappo)的新的深度強化學習算法(lstm-noise?mappo語義通信資源分配算法)，求解所述語義通信資源分配問題，訓練過程中通過在每個交互回合更新用戶的位置和信道狀態構建動態變化的訓練環境對用戶進行離線訓練，直到訓練結果收斂。
11、另一方面，提供了一種面向圖像恢復任務的語義通信系統資源分配系統，所述系統包括：
12、第一模塊，用于建立語義通信系統，包括一個基站和位置隨機分布在基站信號覆蓋范圍內的若干個用戶；每個用戶上存儲有提取圖像語義信息的神經網絡，基站處安裝有邊緣計算節點，該節點存儲有利用語義信息恢復圖像的神經網絡；
13、第二模塊，用于所述用戶向所述基站發送導頻信號，且不同導頻信號之間彼此正交；
14、第三模塊，用于所述基站基于所有用戶發送的導頻信號對每個用戶的上行信道進行信道估計；
15、第四模塊，用于基于上行信道估計結果對發送信號在接收端的信干噪比sinr和信干噪比的統計特性進行理論分析；
16、第五模塊，用于利用每個用戶的sinr分析用戶發送語義信息的傳輸能耗，并根據調制方式計算每個用戶發送信號的理論平均誤符號性能；
17、第六模塊，用于獲取不同語義提取率下用戶提取語義信息和基站恢復圖像信息所需的cpu周期數映射曲線，對映射曲線進行數值擬合，并基于擬合結果計算提取語義信息和恢復圖像信息的計算能耗；
18、第七模塊，用于構建優化問題，并對該問題進行簡化獲得最終需要優化的語義通信資源分配問題；
19、第八模塊，用于設計并搭建基于多智能體近端策略優化算法的新的深度強化學習算法，求解所述語義通信資源分配問題，訓練過程中通過在每個交互回合更新用戶的位置和信道狀態構建動態變化的訓練環境對用戶進行離線訓練，直到訓練結果收斂。
20、本專利技術與現有技術相比，其顯著優點為：
21、(1)本專利技術在通信系統構建中進行了信道估計并且分析得出了用戶通信鏈路平均誤符號性能閉合表達式，構建了更加貼近實際通信過程的語義通信理論模型，為用戶在離線訓練過程中自適應的調整資源分配策略進一步奠定了基礎。
22、(2)所提出的lstm-noise?mappo語義通信資源分配算法，既能求解離散的資源分配策略，也具有求解連續資源分配策略的能力。同時，本專利技術算法不僅能夠解決單模態的語義通信資源分配問題，也能夠應用到多模態多任務的語義通信資源分配問題求解當中。
23、(3)所提出的lstm-noise?mappo語義通信資源分配算法，解決了環境動態變化給mappo算法帶來的訓練效果不佳的問題，所提算法相比mappo算法的優勢具體表現在：
24、該算法能為系統帶來比mappo算法更好的數據利用率，具體表現為其具有更少的訓練收斂步數；
25、該算法能為系統帶來比mappo算法更好的能耗穩定性，具體表現在訓練收斂后，其在達到與mappo算法相同訓練效果的前提下能夠使系統具有更小的能耗方差；
26、該算法能為系統帶來比mappo算法更好的時延穩定性，具體表現在在訓練收斂后，其在達到與mappo算法相同訓練效果的前提下能夠使系統具有更小的時延方差；
27、該算法能為系統帶來比mappo算法更好的誤符號性能，具體表現在在訓練收斂后，系統能夠獲得更小的平均最大誤符號率和方差。
28、下面結合附圖對本專利技術作進一步詳細描述。
本文檔來自技高網...【技術保護點】
1.一種面向圖像恢復任務的語義通信系統資源分配方法，其特征在于，所述方法包括：
2.根據權利要求1所述的面向圖像恢復任務的語義通信系統資源分配方法，其特征在于，步驟1還包括：
3.根據權利要求1所述的面向圖像恢復任務的語義通信系統資源分配方法，其特征在于，步驟2中，在每個信道相干間隔的開始，小區內的M個單天線用戶同時向基站發送相互正交的導頻信號，基站的天線數量表示為Nr，導頻信號數量為M，導頻維度大小為1×τp，第k個用戶發送的導頻向量表示為Φk，其元素表示為滿足τp大于等于M，導頻信號的發送功率為用戶的最大發射功率，表示為pk。
4.根據權利要求3所述的面向圖像恢復任務的語義通信系統資源分配方法，其特征在于，步驟3具體包括：
5.根據權利要求4所述的面向圖像恢復任務的語義通信系統資源分配方法，其特征在于，步驟4具體包括：
6.根據權利要求4所述的面向圖像恢復任務的語義通信系統資源分配方法，其特征在于，步驟5具體包括：
7.根據權利要求1所述的面向圖像恢復任務的語義通信系統資源分配方法，其特征在于，步驟6具體
8.根據權利要求7所述的面向圖像恢復任務的語義通信系統資源分配方法，其特征在于，步驟7中構建優化問題為：
9.根據權利要求8所述的面向圖像恢復任務的語義通信系統資源分配方法，其特征在于，步驟8具體包括：
10.根據權利要求9所述的面向圖像恢復任務的語義通信系統資源分配方法，其特征在于，步驟8中基于多智能體近端策略優化算法的新的深度強化學習算法，為對多智能體近端策略優化算法MAPPO進行的改進，具體包括：
...【技術特征摘要】
1.一種面向圖像恢復任務的語義通信系統資源分配方法，其特征在于，所述方法包括：
2.根據權利要求1所述的面向圖像恢復任務的語義通信系統資源分配方法，其特征在于，步驟1還包括：
3.根據權利要求1所述的面向圖像恢復任務的語義通信系統資源分配方法，其特征在于，步驟2中，在每個信道相干間隔的開始，小區內的m個單天線用戶同時向基站發送相互正交的導頻信號，基站的天線數量表示為nr，導頻信號數量為m，導頻維度大小為1×τp，第k個用戶發送的導頻向量表示為φk，其元素表示為滿足τp大于等于m，導頻信號的發送功率為用戶的最大發射功率，表示為pk。
4.根據權利要求3所述的面向圖像恢復任務的語義通信系統資源分配方法，其特征在于，步驟3具體包括：
5.根據權利要求4所述的面向圖像恢復任...
【專利技術屬性】
技術研發人員：吳丹，陳陽，李斌，姬智，楊煒偉，管新榮，楊文東，石會，
申請(專利權)人：中國人民解放軍陸軍工程大學，
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。