[发明专利]一种基于知识图谱驱动的多用户认知语义通信系统及方法

说明书

本发明公开了一种基于知识图谱驱动的多用户认知语义通信方法，属于无线通信技术领域，该方法由消息输入模块将包括语义信息的消息输入至多用户认知语义通信系统中；由语义信息采集模块根据接收到的包括语义信息的消息，采集该消息中的语义信息，并将该语义信息发送至语义信息处理模块；由语义信息处理模块对接收到的语义信息进行处理，得到处理后的语义信息，并将处理后的语义信息发送至语义信息转换模块；由语义信息转换模块将接收到的处理后的语义信息转换为重构的消息，并将该重构的消息发送至消息输出模块；由消息输出模块将接收到的重构的消息输出，供多用户认知，实现多用户认知语义通信，还大幅度提高了信源的压缩率和通信的可靠性。

技术领域

本发明属于无线通信技术领域，具体是涉及一种基于知识图谱驱动的多用户认知语义通信系统及方法。

背景技术

由于对移动互联网和无线数据服务日益增长的需求，无线通信系统迅速发展。然而，这些系统已经逐渐接近于通信理论的极限。例如，信源编码技术已经接近于信源熵，而先进的信道编码技术已经接近于信道容量。由于新兴的超宽带通信服务业务需求(如网络游戏、增强现实(AR)、虚拟现实(VR)等)的增加，以及对高数据率的要求和移动设备前所未有的普及，人们面临着日益严重的频谱稀缺问题。因此，我们必须取得新的突破和发展新的通信方式来提高频谱效率。

语义通信作为一种更加注重传递数据背后的含义而并非精准的传递消息的通信系统，被认为是后香农时代突破传统通信系统技术瓶颈的关键。其一经提出，就受到了工业界和学术界的一致关注。当前的通讯技术以准确传输数据或精确传送信号波形为目标，其中所承载的含义并未受到特别关注。而通信真正的目的是使接收方理解发送方的信息含义。或许更多的比特量并不意味着其中包含的语义信息更多，而语义通信的目的就是最大程度的传递语义而并非承载语义的信号，所以语义通信有望克服带宽等条件的限制，通过语义压缩最大程度的去除冗余信息，在传递更少的数据量的同时最大程度实现通信的目的。因此针对语义通信的研究，具有重要的研究价值和实际研究意义。

目前，语义通信通常以三种方式实现。第一个是面向目标的通信方式，它基于面向目标的指标来传输重要的和必要的消息。在这个方式中，语义压缩是通过过滤掉与通信目标不太相关的冗余消息来实现的。例如，P.Popovski,O.Simeone,F.Boccardi,D.Gunduz,和O.Sahin等人在其发表的论文“Semantic-Effectiveness Filtering and Control forPost-5G Wireless Connectivity”(IEEE J Indian Inst Sci,vol.100,pp.435-443,Dec.2019)中为了给语义感知解决方案提供一个平台，引入了语义有效性平面的概念，作为未来通信架构的核心部分。语义有效平面通过提供标准化接口来增强协议栈，这些接口支持信息过滤和对协议栈所有层的功能的直接控制。语义平面的引入可能有助于用基于系统和标准的不断改进和扩展的框架取代当前的传统通信框架。但该方式存在的不足之处是：由于语义信息论依旧是一个开放的问题，目前还没有统一的指标来评估可实现的性能。这导致第一个方式仅限于某些特定的无线服务或通信环境，应用具有局限性。

第二种方式是利用深度神经网络将原始数据嵌入到低维向量空间中，以压缩信源信息，实现语义通信。例如，H.Xie,Z.Qin,G.Y.Li,and B.-H.Juang等人在其发表的论文“Deep learning enabled semantic communication systems.”中提出了一种基于深度学习的语义通信系统，称为DeepSC，用于文本传输。基于NLP算法中的Transformer模型，DeepSC旨在通过恢复句子的意义，而不是传统通信中的位错误或符号错误，来最大化系统容量和最小化语义错误。在DeepSC的基础上，Xie H,Qin Z,Tao X等人在其发表的论文“Task-Oriented Multi-User Semantic communication.”中提出了多用户语义通信系统，即MU-DeepSC，用于传输多模态数据的多用户通信场景。该方式存在的不足之处是：深度学习算法通常需要大量的高质量的标记数据。此外，端到端的操作常被认为是一个黑盒过程，缺乏可解释性。