8887

سيستم هاي مخابراتي معنايي انتها به انتها مبتني بر يادگيري عميق

كارشناسي

مهندسي برق - مخابرات

1402

دكتر شاهرخ فرهمند

دكتر شاهرخ فرهمند

1402/09/04

مهندسي برق

Deep Learning Enabled End-to-End Semantic Communication Systems

تحقيقات جديدي كه در زمينه سيستم‌هاي مخابراتي انتها به انتها بر پايه يادگيري عميق انجام شده است پيشنهاد مي‌كند كه بلوك‌هاي موجود در سيستم‌هاي مخابراتي كلاسيك را با يكديگر ادغام و به صورت همزمان طراحي كنند. با استفاده از ساختار خودكدگذار در يادگيري عميق و حذف ساختار بلوكي، فرستنده و گيرنده در يك سيستم انتها به انتها به عنوان يك سيستم يكپارچه بهينه‌سازي مي‌شوند. با پيشرفت تكنولوژي‌هاي مخابراتي نياز به سيستم‌هايي خواهيم داشت كه توانايي ارسال داده‌هاي حجيم‌تر را در شرايطي با منابع طيفي محدود و تاخير كوتاه‌تر داشته باشند. اين امر منجر به دشوار شدن رمزگذاري كانال در كانال‌هاي كلاسيك مي‌شود. مخابرات معنايي مي‌تواند داده‌ها را در سطح معنايي با استفاده از تجزيه معناي داده‌ها و حذف كردن اطلاعاتي كه اهميت كمتري دارند، ضروري نيستند و يا از ارتباط كمتري به موضوع و معناي جمله برخوردارند كد كند. اين سيستم‌ها داده‌ها را فشرده مي‌كنند تا انتقال داده‌ها سريعتر و با دقت بيشتري انجام شود. مدل 1DeepSC يك سيستم مخابراتي معنايي مبتني بر يادگيري عميق براي انتقال اطلاعات متني است. مدل DeepSC از معيار جديدي استفاده مي‌كند كه مقدار آن تشابه حداكثري جملات ورودي و خروجي از نظر معنايي است. اين مدل با استفاده از لايه‌هاي مبدل2 تلاش مي‌كند تا علاوه بر بالابردن ظرفيت انتقال داده، خطاي معنايي را به حداقل برساند. همچنين اين مدل با استفاده از يادگيري انتقالي3 مي‌تواند در شرايط متفاوت، مانند كانال‌هاي متفاوت، به خوبي عمل كند. شبيه‌سازي‌ها نشان مي‌دهد كه سيستم DeepSC نسبت به مدل‌هاي كلاسيك كه بدون توجه به معناي داده‌ها پياده‌سازي شده‌اند عملكرد بهتري، به خصوص در SNRهاي پايين، خواهد داشت.

سيستم‌هاي انتها به انتها , مخابرات معنايي