文献阅读:语义通信中基于深度双Q网络的多维资源联合分配算法

目录

    • 论文简介
    • 系统模型
    • 多维资源联合分配模型
    • 多维资源联合分配算法

论文简介

  • 作者
    林润韬 郭彩丽 陈九九 王彦君
  • 发表期刊or会议
    《移动通信》
  • 发表时间
    2023.4

系统模型

文献阅读:语义通信中基于深度双Q网络的多维资源联合分配算法_第1张图片
  场景中的边缘服务器部署在路边单元上,每个路边单元具有一定的无线覆盖区域,服务器将会对路边单元收到的视频任务进行存储和计算。
  由于目标检测任务往往对计算能力有着较大的需求,难以在车辆端单独处理,因此,可以将语义理解任务卸载到边缘服务器端进行计算。具体流程如下:

  • 通信:车辆首先通过摄像头采集数据。之后,对采集到的视频进行预处理,得到视频的语义重要性,并将其上传至边缘服务器。以目标检测为例,语义重要性即为视频中的目标密度。边缘服务器依据收集到的语义信息进行资源分配 (how??)。接下来,车辆端依据分配到的通信资源,对采集到的视频数据进行编码。接下来,将编码后视频数据通过无线信道传输到边缘服务器 (这块是不是语义传输?)
  • 缓存:边缘服务器依据收到的车辆端视频数据,对其进行缓存后,使用神经网络来完成计算过程。
  • 计算:视频数据缓存结束后,边缘服务器使用计算资源来分析缓存数据并获得结果

  需要特别说明的是,在本系统中,边缘服务器节点收到的信息可以分为语义信息视频信息。在车辆端首次发送语义信息(语义重要性)时,边缘服务器依据该语义信息,指导后续的资源分配任务,无需对其进行恢复;当车辆端依据分配到的通信资源,上传视频信息后,中心服务器将对其进行译码恢复,用于后续的视频缓存和目标检测计算。


多维资源联合分配模型

联合通信资源、计算资源和缓存资源的目标检测精度最大化优化模型可以表示为:
文献阅读:语义通信中基于深度双Q网络的多维资源联合分配算法_第2张图片
具体表述见 论文2.1


多维资源联合分配算法

使用深度双Q网络算法来进行求解最优资源分配策略 (利用强化学习的思想对多维资源联合分配问题进行求解)

具体表述见 论文2.2


你可能感兴趣的:(智简网络&语义通信,文献阅读,6G,智简网络,语义通信,无线通信,人工智能,资源分配)