本技术涉及一种利用深度强化学习进行多任务语义通信系统资源分配的创新方法,属于无线通信技术范畴。该方法涉及构建一个语义中继辅助的多任务语义通信网络模型,并在此基础上,通过多任务学习框架,实现资源的高效分配。
背景技术
随着数据密集型应用的不断激增,未来移动网络数据流量呈指数级激增,语义通信通过传输与任务最相关的语义信息,减少冗余信息的传输,可显著减少传输的数据量,已经成为缓解频谱资源短缺与实现资源高效利用的重要通信范式。
目前,语义通信传输的信息源通常是文本和图像,同一蜂窝网络中用户需要信息类别、意图和偏好可能存在个性化偏差。在传统的语义通信场景中,发送端基于深度学习模型,提取待传输信源背后的语义特征。这个过程是一个黑盒的,提取的语义特征是不可解释的,需要发送端和接收端建立共享知识库,以进一步处理以完成相关任务,这对于语义通信网络的部署开销损耗是非常大的。
此外,考虑现有移动用户设备、边缘设备等计算存储资源限制,无法部署基于深度学习的语义编解码器。为了在资源短缺和设备受限的通信环境中实现高质量、低延迟的通信,亟需设计新的语义通信方式,考虑用户限制的同时提升无线通信的频谱资源利用率。
综上,目前的语义网络存在部署开销大,频谱带宽资源未有效利用的问题。因此,有必要针对多任务语义通信系统研究更为高效和个性化的资源分配方法,尽可能在满足所有用户需求的同时,实现资源的高效利用。
实现思路