文献阅读：Resource Allocation for Text Semantic Communications

---

论文简介

• 作者
  Lei Yan , Zhijin Qin , Senior Member, IEEE, Rui Zhang , Member, IEEE,
  Yongzhao Li , Senior Member, IEEE, and Geoffrey Ye Li , Fellow, IEEE
• 发表期刊or会议
  《IEEE WIRELESS COMMUNICATIONS LETTERS》
• 发表时间
  2022.7

---

动机：为什么作者想要解决这个问题？

语义通信发展的很牛逼，但是语义通信的资源分配仍有待探索，这是保证语义传输可靠性和通信效率的关键问题

---

贡献：作者在这篇论文中完成了什么工作(创新点)？

• 为语义感知网络提出了一种新颖的资源分配模型。具体说，该模型用到了首次定义的语义频谱效率(Semantic Spectral Efficiency,S-SE)，S-SE用于在信道分配和传输语义符号数量方面优化资源分配。最后，提出一种 formulation 来解资源分配模型。
• 开发了一种 transform method 将传统的基于比特的频谱效率转换为 S-SE

---

规划：他们如何完成工作？

• 系统模型

  考虑一个由基站（BS）和一组用户组成的蜂窝网络，如图所示。采用 DeepSC作为语义通信模型配备给每个用户用于文本传输。假设 DeepSC 收发器在 BS 或云平台上进行训练。然后将训练好的语义发射器模型广播给用户。
  用户处的 DeepSC 发送器、传输模型和 DeepSC 接收器 具体表述见 论文 II.A II.B II.C
  

• 资源分配

  步骤一： 定义 语义频谱效率(Semantic Spectral Efficiency,S-SE)
  具体表述见 论文 III.A

  ---

  步骤二： 建立 资源分配模型
  
  

  • 优化目标：
    最大化 overall S-SE
  • 优化变量：
    ①信道分配向量：充分发挥 DeepSC 在低 SNR 情况下的性能优势
    ②优化每个单词传输的语义符号的平均数量$k_n$，使每个符号能够携带更多的语义信息，从而在保证相同传输可靠性的情况下获得更高的S-SE
  • 性能指标：
    不知道是啥
    
    具体表述见 论文 III.B

  ---

  步骤三：解模型
  穷举搜索法、匈牙利算法

---

理由：通过什么实验验证它们的工作结果

具体表述见 论文 IV

---

自己的看法

大概套路就是提出优化模型，然后提出一个算法解模型，再加仿真结果