weixin_62403234的博客

硬判决 (Hard Decision)软判决 (Soft Decision)核心将模拟信号直接量化为二进制0/1保留信号的模拟量值或概率信息比喻黑白照片（只有两种颜色）灰度照片（包含明暗层次）

data_tensor : 输入数据张量，形状为 [batch_size, data_length] ，表示批量二进制信息位d_v : 变量节点度数（每个变量节点连接的校验节点数）d_c : 校验节点度数（每个校验节点连接的变量节点数）malv : 码长扩展倍数（ n = data_length * malv ）snr : 信噪比（用于模拟信道噪声）每个变量节点（对应编码后的一个比特）连接的校验节点数量。对于规则LDPC码来说，所有变量节点的度数相同，均为 d_v；

是无线通信系统中的一个重要概念，指的是接收端或发送端对无线信道特性的估计和反馈。因此，了解当前信道的状态至关重要，这就是CSI的作用。：发送端根据CSI选择合适的调制方式（如QPSK、16-QAM、64-QAM）和编码速率，以最大化数据吞吐量。，表示当前时刻的精确信道状态，随着时间和用户位置的变化而不断更新。中，利用CSI进行波束赋形，提升信号质量并减少干扰。，描述了发送端与接收端之间的信道增益和相位变化。：通过CSI信息，系统可以优化干扰抑制技术，如。变化较慢，适用于长期优化策略，如。

6G和5G在多个关键性能指标（KPIs）上存在显著差异。6G预计将支持更高的连接密度、更高的数据速率、更低的延迟、更高的能效和更精确的定位精度，尤其是在支持极其庞大设备连接和极高数据速率的应用场景（如沉浸式通信和AI与通信的集成）方面。指标5G6G连接密度connection density每平方千米100万个设备（至少）每平方千米至少1000万个设备峰值数据速率peak data rate高达100Gbps每秒数太比特（Tbps）延迟 latency最低1毫秒小于1毫秒。

根据策略网络的选择，将特定长度的比特流通过信道发送，经过信道传输时，可能会有噪声干扰，影响传输的数据。，将连续的语义向量表示为离散的比特流，以便在信道上传输，这是将神经网络编码的语义信息转化为可传输的数字信号的关键步骤。分析上下文关系，根据语义信息对数据进行自适应去噪，而不依赖于SNR信息，这种模块适用于无法准确获取SNR信息的情况，通过上下文权重调整实现自我去噪。会利用信噪比（SNR）信息，优化语义向量以减少噪声干扰，这种模块特别适用于传输过程中信道质量已知的情况，能够根据信道的噪声水平进行去噪处理。

它的核心思想是在传输失败后，利用之前传输的有效部分信息，将重传的数据与之前的数据结合，从而减少不必要的重复传输，提高通信的语义准确性。通过只重传必要的增量信息，减少了冗余数据的传输。IK 机制允许解码器逐步积累多次传输中的信息，逐步提高解码的语义准确性，进而。在传统HARQ机制中，如果一次传输失败，需要重新发送完整的数据包，这会增加传输时间和通信成本。即使前一次传输的比特流无法通过错误检测标准（如 CRC 校验），这些信息中仍然可能包含有用的语义片段。

与传统的云计算模式不同，边缘人工智能将计算和分析任务下放到靠近数据源的设备上（如智能摄像头、传感器、智能手机等），而不依赖于远程服务器或云端的处理。，机器学习是一个广泛的领域，近年来取得了巨大的进步，它所基于的原则是计算机可以通过从数据中学习来自主提高自己在给定任务上的性能有时甚至超出了人类的能力。总之，边缘人工智能通过将计算从远程云端下放至本地设备，不仅可以减少延迟、节省带宽，还能提升系统的智能化水平，并在隐私保护方面带来优势。云计算可能存在数据泄露的风险，因为数据需要在网络上传输并存储在远程服务器上。

本文讨论了大规模AI模型在多模态语义通信（SC）系统中的应用，处理不同类型的数据（文本、音频、图像、视频）以实现低延迟、高质量的语义层次通信。提出了一个框架，旨在解决数据异质性、语义歧义以及信号传输失真等挑战。该框架通过多模态对齐、个性化知识库和生成式信道估计，提升了通信性能。大规模AI模型（如本论文通过CoDi模型将多模态数据转换为文本格式，确保语义一致性和传输效率。同时，使用GPT-4和个性化提示库，根据个体信息进行个性化语义提取。

传统通信系统主要关注的是在传输过程中减少比特级别的错误，而忽略了数据的语义信息。随着增强现实（AR）、虚拟现实（VR）、智能交通、深空和水下通信等领域的发展，如何高效地传输语义信息成为关键问题。语义通信的目标是以最小的语义损失来传递信息，特别是在传输数据量大或传输条件差的情况下。 现有的语义通信方法主要有两种实现方式：一种是传统的信源-信道分离方法，通过压缩和解压缩数据减少语义损失；另一种是深度学习驱动的联合信源-信道编码（JSCC），它结合了深度学习技术来进行语义

无线网络从“万物互联”向“智能互联”转变的范式变化，这与香农和韦弗关于通信演变的预言相一致。传统的无线网络侧重于信号的准确传输（技术层面），而语义通信则将重点转移到传输信号背后的语义信息（语义层面）。本文提出了一种结合人工智能任务的语义通信方法，称为带有AI任务的语义通信（SC-AIT），该方法通过将AI任务融入通信过程，大幅提升了通信效率。传统通信，重点在于准确传输符号；而语义通信，重点在于传输有意义的信息，减少不必要的数据传输。当该方法应用于图像分类任务时，SC-AIT能够显

随着自动驾驶、智能城市等应用的发展，移动数据流量将大幅增加。传统的香农信息论（CIT）通信系统已接近其带宽上限，因此，语义通信（SemCom）概念的引入被视为应对带宽瓶颈和提升通信效率的关键方法。通过采用“先理解后传输”的策略，SemCom减少了传输数据的冗余信息，而不影响语义传递的准确性。然而，语义提取（SE）技术的高计算和存储开销限制了其在资源受限设备中的应用。 传统信息论只关注技术层的传输，而不涉及语义信息的传递。因此，在带宽资源越来越稀缺的情况下，单纯追求传

语义通信（Semantic Communication）的核心理念是传递不仅仅是数据本身，而是数据所包含的“语义”或“意义”。这与传统通信系统不同，传统系统只注重如何准确、高效地传输数据，而语义通信则要求传输的信息能够被接收方理解并用于解决特定任务。换句话说，语义通信试图减少不必要的冗余数据传输，专注于信息的“有用性”而不是“完整性”。

这一过程的目标是将输入文本映射到知识图谱中的三元组 triplet（h, r, t）。系统遍历输入文本中的每个句子，并寻找匹配的头实体和尾实体。只要找到匹配的头和尾实体，就认为找到了相关的三元组，不必要求关系严格匹配，因为关系可以用多种方式表达。举例来说，对于输入文本“阿什哈巴德国际机场的跑道长度是3800米”，系统会从中提取（Ashgabat International Airport，runway length，3800）这样的三元组。

在语义传输中涉及到的智能体包括以及。单智能体系统仅涉及一个智能体，该智能体独立完成感知、决策和执行任务，通常在不需要与其他智能体直接交互的环境中运行，能自主获取环境信息，并基于自己的知识和能力做出决策。单智能体通常依赖一个集中式的知识库，该知识库存储所有相关的信息和规则。智能体在需要时从这个知识库中检索信息。信息获取和更新过程较为简单，智能体可以直接访问知识库进行学习或更新。

SCKG：Reliable Semantic Communication System Enabled by Knowledge Graph——智能化选择所发送的三元组集合

A new communication paradigm: from bit accuracy to semantic fidelity——基于知识图谱的多层级结构语义知识库

DBpedia——利用维基百科信源构造语义知识库

图像字幕Image Captioning——使用语法和语义正确的语言描述图像

知识图谱——语义知识库的开端（1）

FrameNet介绍——从同义词语义知识库到框架语义知识库

WordNet介绍——一个英语词汇数据库，传统的语义知识库

【语义通信】灵（Genie）——6G的第四位元素

【语义通信】6G移动通信的解决思路——语义通信！