基于深度学习的语义通信仿真分析开题报告

1. 研究目的与意义（文献综述包含参考文献）

文 献 综 述一． 课题背景及意义根据shannon和warren weaver[1]所说，通信可以分为三个层次：i)符号传输；ii)传输符号的语义交换；iii)语义信息交换的影响。

第一级通信主要关注符号从发射机到接收机的成功传输，其中传输精度主要在比特或符号级别进行测量。

第二级通信处理从发送者发送的语义信息和解释的含义。

2. 研究的基本内容、问题解决措施及方案

２．本课题要研究或解决的问题和拟采用的研究手段（途径）：一． 本课题要研究和解决的问题主要研究6g技术中的语义通信，通过合适的机器学习的模型提高文本传输的速率，减少传输的误码率。

二． 拟采用的研究手段将尝试使用transformer等常用自然语言库，用python语言搭建模型，大致研究过程如下框图1所示 图表 1 本项目拟整体框架在原始语料阶段对语料进行分词，以及词性的标注，在特征提取阶段拟采用以rnn循化神经网络为基础的方法将文本的特征提取到语义编码层，其中可借用keras库构建模型并训练，主要用改进过的rnn模型即lstm进行建模。

长短期记忆模型（long-short term memory）是一种特殊的rnn模型，是为了解决rnn模型梯度弥散的问题而提出的；在传统的rnn中，训练算法使用的是bptt，当时间比较长时，需要回传的残差会指数下降，导致网络权重更新缓慢，无法体现出rnn的长期记忆的效果，因此需要一个存储单元来存储记忆，因此lstm模型被提出。