CN117725965B - 一种基于张量掩码语义通信的联邦边缘数据通信方法 - Google Patents
一种基于张量掩码语义通信的联邦边缘数据通信方法 Download PDFInfo
- Publication number
- CN117725965B CN117725965B CN202410169410.2A CN202410169410A CN117725965B CN 117725965 B CN117725965 B CN 117725965B CN 202410169410 A CN202410169410 A CN 202410169410A CN 117725965 B CN117725965 B CN 117725965B
- Authority
- CN
- China
- Prior art keywords
- semantic
- model
- tensor
- mask
- communication
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000006854 communication Effects 0.000 title claims abstract description 97
- 238000004891 communication Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000005540 biological transmission Effects 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 11
- 238000004220 aggregation Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000000116 mitigating effect Effects 0.000 claims 1
- 238000013136 deep learning model Methods 0.000 abstract description 16
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明公开了一种基于张量掩码语义通信的联邦边缘数据通信方法，用于道路交通卡口的数据通信处理，在卡口边缘端分布式训练深度学习模型；利用训练好的深度学习模型对卡口监控数据进行实时分析和处理；采用语义通信技术，利用掩码自编码机提取深度学习模型的张量语义，用于提升联邦边缘学习无线通信过程中的传输效率和抗干扰能力，本发明利用联邦边缘学习训练卡口端的深度学习模型，实现了交通状态和交通事件的边缘端识别，避免了卡口监控数据的大规模传输，既保护了卡口数据隐私，又实现了对交通数据的快速分析，张量掩码语义通信方法，将通信***的各个模块进行了神经网络建模，实现了语义通信***的端到端学习。
Description
技术领域
本发明涉及语义通信技术领域，具体涉及一种基于张量掩码语义通信的联邦边缘数据通信方法。
背景技术
在道路交通***中，需要通过智能卡口监控***来识别道路交通状态、交通事故和异常事件，提高交通管理部门的交通事件快速响应和处置能力。卡口监控***的数据需传输到云端服务器进行集中分析处理，随着卡口监控***视频采集设备像素的不断提高，长时间大规模的交通监控数据传输给通信网络带来了极大的挑战。传统的有线数据传输存在难以快速部署，容易被破坏等问题，基于无线网络的卡口监控***逐渐成为目前的主流方案。
通过无线网络传输卡口的视频监控数据存在一系列的新问题。传统的智能卡口监控***所使用的数据通信***，是在客户端采集图像数据等数据信息后，将大量的数据传输到云端，通过相应的处理模型，在云端对接收到的数据进行分析处理，之后再将数据回传客户端。这一过程会导致一系列问题，如：
（1）基于无线信道上传的数据容易被截获并篡改，导致数据安全和隐私泄露问题；
（2）长时间的高清视频传输会占用大量的通信带宽，对于数据的传输和处理会产生严重的时延，不利于突发性的交通事故的处理。
发明内容
本发明的目的在于提供一种基于张量掩码语义通信的联邦边缘数据通信方法，在卡口边缘端分布式训练深度学习模型，并利用训练好的深度学习模型对卡口监控数据直接进行实时分析和处理，避免了云端服务器处理数据时的隐私和时延问题；
同时采用语义通信技术，利用掩码自编码机提取深度学习模型的张量语义，进一步提升联邦边缘学习无线通信过程中的传输效率和抗干扰能力。
本发明的目的可以通过以下技术方案实现：
一种基于张量掩码语义通信的联邦边缘数据通信方法，所述方法用于道路交通卡口的数据通信处理，包括以下步骤:
S1：客户端数据采集
通过客户端采集交通卡口的图像数据样本并对所述图像数据样本进行标注处理，获得局部数据；将第n个客户端中的局部数据表示为，其中n为客户端编号；/>表示第i个图像数据样本，/>是对应的标注处理得到的标注标签；n为大于0的正整数，i为大于等于0的正整数；
S2：全局模型初始化
在参数服务器中初始化全局模型参数，针对每个客户端通过张量掩码语义通信方法广播需要训练的全局模型参数/>，启动第1轮的联邦学习：/>,
其中表示第1次通信轮次中的第n个客户端的本地模型；
S3：本地模型训练
在第t个训练轮次，每个客户端使用本地模型执行本地训练，本地损失函数计算为：，
其中，是/>中第i个样本/>的训练损失函数；/>是第t次通信中本地模型的参数；t为大于0的正整数；
基于梯度下降法更新本地模型的参数：,
其中，是学习率；/>表示基于损失函数/>求得的关于/>的梯度；
本地模型同时计算在第t次通信中的“贡献分数”如下：,
其中，是第t-1轮通信中全局模型的权重；
S4：本地模型参数传输
通过张量掩码语义通信方法将本地模型的权重和贡献分数/>传输给参数服务器；
S5：全局模型参数聚合
参数服务器接收来自客户端的本地模型权重，并执行参数聚合；采用FedGAvg方法执行参数聚合，获得全局参数/>：/>,
其中，与/>共享相同的模型结构；
S6：全局模型参数广播
通过张量掩码语义通信方法向每个客户端广播需要训练的全局参数，并启动第t+1轮的联邦学习：/>
其中表示第t+1次通信轮次中的第n个客户端的本地模型。
更优地，S1中，是非独立同分布数据，取决于客户端的监控区域和道路状态。
更优地，S2中，与/>采用相同的模型结构。
更优地，所述张量掩码语义通信方法的语义模型包括编码器、物理信道和解码器；
所述编码器包括语义编码器和信道编码器；
所述解码器由信道和语义解码器组成。
更优地，所述张量掩码语义通信方法，包括：
编码阶段，所述编码器对输入的原始张量数据W进行语义编码，并对语义信息进行信道编码，编码结果表示为：,
其中，X表示所提取的语义信息；表示具有神经网络模型参数/>的语义编码器，是具有神经网络模型参数a的信道编码器；
信道传输阶段，传输过程通过方程获取接收到的无线信号Y；
其中，h表示发射机和接收机之间的信道增益；N是加性高斯白噪声；
解码阶段，所述解码器对接收到的无线信号Y进行解码，并减轻传输损失解码结果表示为：/>,
其中表示具有神经网络模型参数/>的信道解码器；/>是具有神经网络模型参数/>的语义解码器。
更优地，编码阶段采用掩码编码器作为语义编码器；
首先将本地模型的参数分解成小块，在进行位置编码后送入Transformer模型进行编码，得到语义编码的结果，再采用多层感知器模型作为信道编码器。
更优地，信道传输阶段中，通过物理信道传输时，会受到包括信道失真和传输噪声在内的传输损失。
更优地，在解码阶段，先采用多层感知器模型作为信道编码器，对接收的无线信号进行信道解码；
再采用掩码解码器作为语义解码器，首先将接收到的小块权重张量进行信噪比评估，将被噪声干扰低于信噪比阈值的小块张量去除，对应位置的张量用掩码张量进行位置编码后替代，并通过Transformer模型进行解码，得到语义解码的结果。
更优地，还包括语义评估阶段；
语义模型中语义为模型参数张量，使用余弦相似度评估语义通信传输前后的模型参数的差异：，
的取值范围为(-1,1)，使用误差梯度回传对整个张量掩码语义通信方法进行端到端神经网络训练，得到最终的张量掩码语义通信方法。
更优地，值越大表示w与/>参数越相似，即在语义通信中损失的信息越少。
本发明的有益效果：
（1）本发明利用联邦边缘学习训练卡口端的深度学习模型，由于本发明的技术方案无需传输图像数据，数据分析处理在客户端进行，而客户端与云端之间的通信仅用于传输数据处理模型，图像数据的样本量巨大但数据处理模型的数据量很小，因此可以极大的地提高数据传输效率，提高***的运行效率；
（2）实现了交通状态和交通事件的边缘端识别，避免了卡口监控数据的大规模传输，既保护了卡口数据隐私，又实现了对交通数据的快速分析；
（3）本发明在联邦边缘学习中提出了全新的模型参数聚合方法FedGAvg。FedGAvg使用来量化局部模型对全局模型的增益，并将其作为参数聚合时该局部模型的聚合权重，可以改善客户端中数据的非独立同分布问题并提高全局模型的收敛速度；
（4）本发明设计了张量掩码语义通信方法，将通信***的各个模块进行了神经网络建模，实现了语义通信***的端到端学习，同时针对联邦学习模型的参数张量进行了进一步的语义压缩，能够提高无线传输环境下的通信效率；
（5）本发明在张量掩码语义通信***中，采用掩码自编码器作为语义通信的编解码器，能够在接收端采用Transformer模型对信噪比低的张量信号进行恢复，提高了语义通信***的抗干扰能力；
（6）本发明利用余弦相似度评估张量之间的差距，能够提高张量掩码语义通信***训练的效率。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
联邦边缘学习能够在边缘端分布式训练深度学习模型实现对卡口监控数据的智能分析和处理，通过在卡口处直接处理原始视频数据，既解决了数据在无线传输时的隐私泄露问题，又避免了直接向云端服务器传输海量的原始视频数据，能够极大的节省通信带宽，提高数据传输的效率。然而联邦边缘学习仍然需要在远端服务器中聚合模型参数，因此需要无线传输各个卡口的深度学习模型参数，由于深度学习模型的参数量仍然很大，而且以张量的形式存储，同时在无线传输中存在信号干扰，所以需要采用张量掩码语义通信技术进一步提高联邦边缘学习无线通信过程中的传输效率和抗干扰能力。
请参阅图1所示，本发明为一种基于张量掩码语义通信的联邦边缘数据通信方法，用于道路交通卡，在卡口边缘端分布式训练深度学习模型；利用训练好的深度学习模型对卡口监控数据进行实时分析和处理；采用语义通信技术，利用掩码自编码机提取深度学习模型的张量语义，用于提升联邦边缘学习无线通信过程中的传输效率和抗干扰能力。
本实施例具体包括以下步骤：
S1：客户端数据采集
通过客户端采集交通卡口的图像数据样本并对所述图像数据样本进行标注处理，获得局部数据；将第n个客户端中的局部数据表示为，其中n为客户端编号；/>表示第i个图像数据样本，/>是对应的标注处理得到的标注标签；n为大于0的正整数，i为大于等于0的正整数；
S2：全局模型初始化
在参数服务器中初始化全局模型参数，针对每个客户端通过张量掩码语义通信方法广播需要训练的全局模型参数/>，启动第1轮的联邦学习：/>,
其中表示第1次通信轮次中的第n个客户端的本地模型；
S3：本地模型训练
在第t个训练轮次，每个客户端使用本地模型执行本地训练，本地损失函数计算为：,
其中，是/>中第i个样本/>的训练损失函数；/>是第t次通信中本地模型的参数；t为大于0的正整数；
基于梯度下降法更新本地模型的参数：,
其中，是学习率；/>表示基于损失函数/>求得的关于/>的梯度；
本地模型同时计算在第t次通信中的“贡献分数”如下：,
其中，是第t-1轮通信中全局模型的权重；
S4：本地模型参数传输
通过张量掩码语义通信方法将本地模型的权重和贡献分数/>传输给参数服务器；
S5：全局模型参数聚合
参数服务器接收来至自客户端的本地模型权重，并执行参数聚合；采用FedGAvg方法执行参数聚合，获得全局参数/>：/>,
其中，与/>共享相同的模型结构；
S6：全局模型参数广播
通过张量掩码语义通信方法向每个客户端广播需要训练的全局参数，并启动第t+1轮的联邦学习：/>,
其中表示第t+1次通信轮次中的第n个客户端的本地模型。
在一个具体的实施例中，张量掩码语义通信方法中语义模型主要由三部分组成：编码器、物理信道和解码器；
其中，编码器包括语义编码器和信道编码器，解码器由信道和语义解码器组成；
编码阶段
编码器对输入的原始张量数据W进行语义编码，并对语义信息进行信道编码，编码结果表示为：,
其中，X表示所提取的语义信息；表示具有神经网络模型参数/>的语义编码器，是具有神经网络模型参数a的信道编码器；
为了提高张量掩码语义通信的抗干扰能力，采用掩码编码器作为语义编码器，首先将本地模型的参数分解成小块，再进行位置编码后送入Transformer模型进行编码，得到语义编码的结果；再采用多层感知器模型作为信道编码器；
信道传输阶段
当通过物理信道传输时，X会受到包括信道失真和传输噪声在内的传输损失，传输过程由以下公式给出：,
其中Y表示接收到的无线信号；h表示发射机和接收机之间的信道增益；N是加性高斯白噪声（AWGN）；
解码阶段
解码器对接收到的无线信号Y进行解码，并减轻传输损失解码结果表示为：,
其中表示具有神经网络模型参数/>的信道解码器；/>是具有神经网络模型参数/>的语义解码器；
编码阶段采用掩码编码器作为语义编码器；
与编码端对应，首先采用多层感知器模型作为信道编码器，对接收的无线信号进行信道解码，然后，采用掩码解码器作为语义解码器，首先将接收到的小块权重张量进行信噪比评估，将被噪声干扰低于信噪比阈值的小块张量去除，对应位置的张量用掩码张量进行位置编码后替代，并通过Transformer模型进行解码，得到语义解码的结果；
语义评估阶段
本实施例中语义为模型参数张量，因此使用余弦相似度评估语义通信传输前后的模型参数的差异：，
的取值范围为(-1,1)，越大表示W与/>参数越相似，说明在语义通信中损失的信息越少，然后使用误差梯度回传对整个张量掩码语义通信方法进行端到端神经网络训练得到最终的张量掩码语义通信方法。
在一个具体的实施例中
针对基于张量掩码语义通信的道路交通卡口联邦边缘学习方法进行了仿真实验，联邦学习采用10个客户端，学习数据为CIFAR10数据集，通信信道为瑞利信道，传输噪声为加性高斯白噪声。
本实施例将该方法与基于DeepSC[1]、L-DeepSC[2]、HARQ[3]等语义通信方法比较，在压缩比统一为0.3%的情况下，利用余弦相似度来衡量不同信噪比条件下的实验结果。
实验的结果如下：
由该实验结果可知，本发明算法能够更好地提取语义信息，压缩传输数据，并具有良好的抗干扰能力。
本方案的核心点在于：在卡口边缘端分布式训练深度学习模型；利用训练好的深度学习模型对卡口监控数据进行实时分析和处理；采用语义通信技术，利用掩码自编码机提取深度学习模型的张量语义，用于提升联邦边缘学习无线通信过程中的传输效率和抗干扰能力。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。
Claims (6)
1.一种基于张量掩码语义通信的联邦边缘数据通信方法，其特征在于，所述方法用于道路交通卡口的数据通信处理，包括以下步骤:
S1：客户端数据采集
通过客户端采集交通卡口的图像数据样本并对所述图像数据样本进行标注处理，获得局部数据；将第n个客户端中的局部数据表示为，其中n为客户端编号；/>表示第/>个图像数据样本，/>是对应的标注处理得到的标注标签；n为大于0的正整数，i为大于等于0的正整数；
S2：全局模型初始化
在参数服务器中初始化全局模型参数，针对每个客户端通过张量掩码语义通信方法广播需要训练的全局模型参数/>，启动第1轮的联邦学习：
；
其中表示第1次通信轮次中的第n个客户端的本地模型；
S3：本地模型训练
在第t个训练轮次，每个客户端使用本地模型执行本地训练，本地损失函数计算为：
;
其中，是/>中第/>个样本/>的训练损失函数；/>是第t次通信中本地模型的参数；t为大于0的正整数；
基于梯度下降法更新本地模型的参数：
;
其中，是学习率；/>表示基于损失函数/>求得的关于/>的梯度；
本地模型同时计算在第t次通信中的“贡献分数”如下：
;
其中，是第t-1轮通信中全局模型的权重；
S4：本地模型参数传输
通过张量掩码语义通信方法将本地模型的权重和贡献分数/>传输给参数服务器；
S5：全局模型参数聚合
参数服务器接收来自客户端的本地模型权重,并执行参数聚合；采用FedGAvg方法执行参数聚合，获得全局参数/>：
,
其中，与/>共享相同的模型结构；
S6：全局模型参数广播
通过张量掩码语义通信方法向每个客户端广播需要训练的全局参数，并启动第t+1轮的联邦学习：
;
其中表示第t+1次通信轮次中的第n个客户端的本地模型；
S1中，是非独立同分布数据，取决于客户端的监控区域和道路状态；
所述张量掩码语义通信方法的语义模型包括编码器、物理信道和解码器；
所述编码器包括语义编码器和信道编码器；
所述解码器由信道解码器和语义解码器组成；
所述张量掩码语义通信方法包括：
编码阶段，所述编码器对输入的原始张量数据W进行语义编码，并对语义信息进行信道编码，编码结果表示为：
;
其中，X表示所提取的语义信息；表示具有神经网络模型参数/>的语义编码器，/>是具有神经网络模型参数/>的信道编码器；
信道传输阶段，传输过程通过方程获取接收到的无线信号Y；
其中，h表示发射机和接收机之间的信道增益；N是加性高斯白噪声；
解码阶段，所述解码器对接收到的无线信号进行解码，并减轻传输损失解码结果/>表示为：
;
其中表示具有神经网络模型参数/>的信道解码器；/>是具有神经网络模型参数/>的语义解码器；
编码阶段采用掩码编码器作为语义编码器；
首先将本地模型的参数分解成小块，在进行位置编码后送入Transformer模型进行编码，得到语义编码的结果，再采用多层感知器模型作为信道编码器。
2.根据权利要求1所述的一种基于张量掩码语义通信的联邦边缘数据通信方法,其特征在于，S2中，与/>采用相同的模型结构。
3.根据权利要求2所述的一种基于张量掩码语义通信的联邦边缘数据通信方法,其特征在于，信道传输阶段中，通过物理信道传输时，会受到包括信道失真和传输噪声在内的传输损失。
4.根据权利要求2所述的一种基于张量掩码语义通信的联邦边缘数据通信方法,其特征在于，在解码阶段，先采用多层感知器模型作为信道解码器，对接收的无线信号进行信道解码；
再采用掩码解码器作为语义解码器，首先将接收到的小块权重张量进行信噪比评估，将被噪声干扰低于信噪比阈值的小块张量去除，对应位置的张量用掩码张量进行位置编码后替代，并通过Transformer模型进行解码，得到语义解码的结果。
5.根据权利要求2所述的一种基于张量掩码语义通信的联邦边缘数据通信方法,其特征在于，还包括语义评估阶段；
语义模型中语义为模型参数张量，使用余弦相似度评估语义通信传输前后的模型参数的差异：
，
取值范围为(-1,1)，使用误差梯度回传对整个张量掩码语义通信方法进行端到端神经网络训练，得到最终的张量掩码语义通信方法的模型。
6.根据权利要求5所述的一种基于张量掩码语义通信的联邦边缘数据通信方法,其特征在于，值越大表示W与/>参数越相似，即在语义通信中损失的信息越少。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410169410.2A CN117725965B (zh) | 2024-02-06 | 2024-02-06 | 一种基于张量掩码语义通信的联邦边缘数据通信方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410169410.2A CN117725965B (zh) | 2024-02-06 | 2024-02-06 | 一种基于张量掩码语义通信的联邦边缘数据通信方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117725965A CN117725965A (zh) | 2024-03-19 |
| CN117725965B true CN117725965B (zh) | 2024-05-14 |
Family
ID=90207257
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410169410.2A Active CN117725965B (zh) | 2024-02-06 | 2024-02-06 | 一种基于张量掩码语义通信的联邦边缘数据通信方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117725965B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220101255A (ko) * | 2021-01-11 | 2022-07-19 | 연세대학교 산학협력단 | 컨텐츠 전송을 이용한 도메인 적응에서의 클래스 불균형 해결 장치 및 방법 |
| WO2022227212A1 (zh) * | 2021-04-25 | 2022-11-03 | 平安科技（深圳）有限公司 | 基于联邦学习的语音表征模型训练方法、装置、设备及介质 |
| CN116488748A (zh) * | 2023-05-04 | 2023-07-25 | 山东大学 | 一种对抗不匹配背景知识库的收发机协同学习的语义通信方法及*** |
| CN116523079A (zh) * | 2023-03-10 | 2023-08-01 | 华南理工大学 | 一种基于强化学习联邦学习优化方法及*** |
| CN116645971A (zh) * | 2023-05-08 | 2023-08-25 | 南京航空航天大学 | 一种基于深度学习的语义通信文本传输优化方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11494700B2 (en) * | 2020-09-16 | 2022-11-08 | International Business Machines Corporation | Semantic learning in a federated learning system |
-
2024
- 2024-02-06 CN CN202410169410.2A patent/CN117725965B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220101255A (ko) * | 2021-01-11 | 2022-07-19 | 연세대학교 산학협력단 | 컨텐츠 전송을 이용한 도메인 적응에서의 클래스 불균형 해결 장치 및 방법 |
| WO2022227212A1 (zh) * | 2021-04-25 | 2022-11-03 | 平安科技（深圳）有限公司 | 基于联邦学习的语音表征模型训练方法、装置、设备及介质 |
| CN116523079A (zh) * | 2023-03-10 | 2023-08-01 | 华南理工大学 | 一种基于强化学习联邦学习优化方法及*** |
| CN116488748A (zh) * | 2023-05-04 | 2023-07-25 | 山东大学 | 一种对抗不匹配背景知识库的收发机协同学习的语义通信方法及*** |
| CN116645971A (zh) * | 2023-05-08 | 2023-08-25 | 南京航空航天大学 | 一种基于深度学习的语义通信文本传输优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| A Multi-user Deep Semantic Communication System based on Federated Learning with Dynamic Model Aggregation;Huanlai Xing等;2023 IEEE International Conference on Communications Workshops (ICC Workshops);20231023;1612-1616 * |
| 基于联邦学习的多用户语义通信***部署方法;涂勇峰等;信号处理;20221231;第38卷(第12期);2486-2495 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117725965A (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163282B (zh) | 基于深度学习的调制方式识别方法 | |
| CN112924749B (zh) | 无监督对抗学习电磁频谱异常信号检测方法 | |
| CN101742355B (zh) | 基于空时域特征提取的无线视频部分参考测评方法 | |
| CN107222309B (zh) | 一种基于离散小波变换的时间式网络隐信道构建方法 | |
| CN112037365A (zh) | 面向行车记录仪基于边缘计算的车辆火灾事故检测报警*** | |
| CN113591674B (zh) | 一种面向实时视频流的边缘环境行为识别*** | |
| CN102176779A (zh) | 无线多媒体传感网视频信号自适应采样与频谱分配方法 | |
| CN107770778B (zh) | 一种基于软融合策略的盲协作频谱感知方法 | |
| CN112014801A (zh) | 一种基于SPWVD和改进AlexNet的复合干扰识别方法 | |
| CN117725965B (zh) | 一种基于张量掩码语义通信的联邦边缘数据通信方法 | |
| Ilhan et al. | Offloading deep learning empowered image segmentation from uav to edge server | |
| CN117395424B (zh) | 一种用于视频无线传输监控***的视频优化方法 | |
| Sharma et al. | Optimised CNN for human counting using spectrograms of probabilistic WiFi CSI | |
| CN116155873A (zh) | 一种云边协同的图像处理方法、***、设备及介质 | |
| CN111145276A (zh) | 基于深度学习和分布式信源编码的高光谱图像压缩方法 | |
| CN113052080A (zh) | 一种基于无监督生成对抗网络的非法无人机检测方法 | |
| CN113328986A (zh) | 基于卷积神经网络与lstm结合的网络流量异常检测方法 | |
| CN110602094B (zh) | 一种基于感知哈希的时间式网络隐蔽信道检测方法 | |
| Zhang et al. | DTV radio spectrum anomaly detection based on an improved GAN | |
| CN118200490B (zh) | 一种5g物联网远程监控视频传输方法 | |
| CN112260781B (zh) | 一种基于反向散射与空中计算的协作频谱检测方法 | |
| CN112350787B (zh) | 一种无线电信号异常检测方法 | |
| Sun et al. | Deep joint source-channel coding based on semantics of pixels | |
| CN115942010B (zh) | 一种质量评估结果获取方法、装置、服务器及存储介质 | |
| CN118354092A (zh) | 一种基于即插即用的特征变换器的人机混合图像编码方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |