-
شماره ركورد
31607
-
پديد آورنده
زهرا محمدي
-
عنوان
طراحي يك شبكه يادگيري عميق با استفاده ازAttention در مخابرات معنايي
-
مقطع تحصيلي
ارشد
-
رشته تحصيلي
مهندسي برق مخابرات سيستم
-
سال تحصيل
1400
-
تاريخ دفاع
1403/06/24
-
استاد راهنما
محمدحسين كهايي
-
استاد مشاور
ندارم
-
دانشكده
مهندسي برق
-
چكيده
با ظهور يادگيري عميق، مخابرات معنايي توانسته¬است پيشرفت چشمگيري داشته¬باشد. با اين حال، دركارهاي موجود بر روي كدگذاري مشترك منبع-كانال مبتني بر يادگيري عميق معمولاً شبكه طراحي شده را آموزش مي دهند تا تحت يك نسبت سيگنال به نويز خاص عمل كند، بدون در نظر گرفتن اينكه سطح سيگنال به نويز در مرحله استقرار ممكن است با ميزان سيگنال به نويز در مرحله آموزش متفاوت باشد. يك راه حل استفاده از تعدادي شبكه براي پوشش طيف وسيعي از سيگنال به نويز است. اما اين روش منجربه ناكارآمدي محاسباتي در مرحله آموزش مي¬شود و همينطور به فضاي ذخيره سازي زيادي نياز دارد.
در اين پژوهش با الهام از روش¬هاي موجود در كدگذاري مشترك منبع-كانال و يادگيري عميق در مخابرات معنايي، يك ماژول "توجه مبتني بر لايه متراكم" در حوزه ارسال داده¬ي متن معرفي مي¬شود كه مي¬تواند شبكه مخابرات معنايي را در يك بازه از سيگنال به نويز آموزش دهد. به منظور ارزيابي مدل پيشنهادي در اين پژوهش را با شبكه ارتباط معنايي با قابليت يادگيري عميق مقايسه مي¬كنيم. نتايج موجود در شبيه¬سازي¬ نشان مي¬دهد ماژول پيشنهادي مي¬تواند انتقال داده¬ها را در سيگنال به نويزهاي مختلف با موفقيت اجرا كند. دليل بهبودي استفاده از توجه مبتني بر لايه متراكم به دليل توانايي در يكپارچه¬سازي اطلاعات متني و امكان تبديل¬هاي غيرخطي، مي¬تواند الگوها و وابستگي¬هاي پيچيده¬تري در داده¬ها را بياموزد.
-
تاريخ ورود اطلاعات
1403/09/01
-
عنوان به انگليسي
Design of a Deep Learning Network using an Attention Module in Semantic Communication
-
تاريخ بهره برداري
1/1/1900 12:00:00 AM
-
دانشجوي وارد كننده اطلاعات
زهرا محمدي
-
چكيده به لاتين
With the development of deep learning, semantic communications have received significant attention. However, in the current works on joint source-channel coding based on deep learning, the designed network is typically trained under a specific SNR, while the SNR may vary during the training process. One solution to this problem is to use multiple networks to cover a wide range of SNRs. However, this approach undesirably leads to computational inefficiency and needs large amounts of memory.
In this research, inspired by existing methods in joint source-channel coding and deep learning in semantic communications, a dense layer attention module is introduced for text data transmission. This module enables the semantic communication network to be trained across a range of SNRs. To evaluate the proposed model, we compare it with the DeepSC method. Simulation results show that the proposed module can successfully transmit data across various SNRs. This improvement is attributed to the proposed dense layer attention module, which integrates the textual information and enables nonlinear transformation, allowing the network to learn more complex patterns and correlations in the data.
-
كليدواژه هاي فارسي
مخابرات معنايي , يادگيري عميق
-
كليدواژه هاي لاتين
Semantic Communications , Deep Learning
-
Author
zahra mohammadi
-
SuperVisor
mohammad hossein kahaei
-
لينک به اين مدرک :
