12854

بررسي روشهاي يادگيري عميق در مخابرات معنايي

1401

دكتر محمد حسين كهايي

امروزه با افزايش تصاعدي ترافيك داده جهاني مواجه هستيم به همين دليل سعي در بكارگيري مختلف براي افزايش كارآمدي ارتباطات از جمله ايد ه مخابرات معنايي براي مواجه با اين پديده داريم. طبق طبقه بند ي Weaver] 9 [سطوح ارتباطي به :ارسال سمبلها، معنا و يا اثر معنا دسته بندي مي شوند 1 كه مخابرات معنايي براي بازسازي معناي ارسالي از فرستنده به گيرنده استفاده مي شود و برخالف روش سنتي كه سعي در بازسازي سمبلها دارد، در مخابرات معنايي به چگونگي انتقال معنا توسط اين بيت ها توجه شده است . سيستم مخابرات معنايي با توجه به نتايج شبيه سازي ها و آزمايش هاي از نظر مقاومت نسبت به تغييرات كانال، بازدهي انرژي، كاهش بار شبكه، استفاده كمتر از پهناي باند و ... از سيستم هاي مخابراتي مرسوم موجود عملكرد بهتري دارند و با وجود به افت كيفيت در بعضي از سيستم ها همانند سيستم ارسال تصوير مبتني بر مخابرات معنايي [11]، مي تواند گزينه ي مناسبي براي ارتباطات ماشين به ماشين در مقابل سيستم هاي مرسوم بر پايه ي نظريه Shannon، با توجه به مزاياي بيان شده باشد. يادگيري عميق به دليل توانايي باال در تحليل و درك داده يكي از گزينه هاي جدي براي پياده سازي سيستم هاي مخابرات معنايي است كه با طراحي شبكه هاي مختلف موجود در يادگيري عميق روش هاي مختلفي براي ارسال متن و تصوير و ارتباط ويدئو كنفرانسي بر اساس سيستم هاي مخابرات معنايي ارائه شده است[4]- [6]. سيستم هاي مخابرات معنايي، در كاربردهاي مختلفي همچون شبكه هاي G6] 1[، اينترنت اشيا [5] و ارتباطات ويدئوكنفرانسي[3] و... مي تواند مورد استفاده قرار گيرد.

11/22/2023 12:00:00 AM

81243

1402/09/19

Deep Learning enabled Semantic communication

مخابرات معنايي , يادگيري ماشين , يادگيري عميق , ارسال داده , افزايش كارآمدي ارتباطات , اينترنت اشيا

Deep learning , Semantic communication , Internet of thing , increase efficiency , Data Transmission , Machine Learning