摘要：车联网通信因其固有的高频传输和海量数据的特性，会给通信链路带来巨大负载。而语义通信技术通过提取语义信息进行信息压缩，能显著提升频谱效率，因此在车联网中具有巨大的应用潜力。然而，在信宿知识库动态更新的场景下，动态语义知识库的共享增加了额外传输开销。针对这一问题，
【语义通信与语义信息论
基础理论与关键技术】专题
面向车联网语义通信的基于模糊熵的优化模型
（电子科技大学，通信抗干扰全国重点实验室，四川 成都 611731）
【摘 要】车联网通信因其固有的高频传输和海量数据的特性，会给通信链路带来巨大负载。而语义通信技术通过提取语义信息进行信息压缩，能显著提升频谱效率，因此在车联网中具有巨大的应用潜力。然而，在信宿知识库动态更新的场景下，动态语义知识库的共享增加了额外传输开销。针对这一问题，采用模糊熵理论建模信源知识库不确定性对通信性能的影响，建立了一个权衡知识库共享性能与传输开销的优化模型。在加性高斯白噪声的信道条件下的仿真结果表明，基于该模型构建的语义通信系统相较于传统通信方式，仅需78.33%的频谱资源即可将判决错误率降低50%以上，充分验证了模糊熵在车联网语义通信中的指导价值。
【关键词】语义通信；信息论；模糊熵；车联网通信；自动驾驶的任务决策
doi:10.3969/j.issn.1006-1010.20250529-0003
中图分类号：TN929.5 文献标志码：A
文章编号：1006-1010(2025)07-0097-08
引用格式：赵荣迪,武刚. 面向车联网语义通信的基于模糊熵的优化模型[J]. 移动通信, 2025,49(7): 97-104.
ZHAO Rongdi, WU Gang. Fuzzy Entropy-Based Optimization Model for Semantic Communication in the Internet of Vehicles[J]. Mobile Communications, 2025,49(7): 97-104.
0 引言
在车联网的自动驾驶或车路协同驾驶中，在车内的控制器局域网，或车与车间，或车与路基站间进行海量数据的传输，以支持自动驾驶或协同驾驶的任务决策[17]。自动驾驶或车路协同需要实现对这些海量数据的高效、低能耗与实时的通信与计算融合，这本质是面向任务决策的语义与语用通信。语义通信可以将传统的“先传再算”转变为“先算再穿”或“边算边传”，有潜力实现从传感器到驾驶任务决策中心的准确语义传输，降低通信开销，提升频谱效率[1]。语义信息论的发展为车联网的语义通信提供了理论依据。香农在文献[2]中提出了熵的概念，建立了信息论模型刻画传统通信中的信息量。CarNap在文献[3]中分析事件的逻辑概率得到了语义熵。Bao在文献[4]中据此定义了语义信道、语义噪声、语义信道容量。
然而，许多情况下语义编码的结果不是一个确定的命题，而是一个带有模糊性的描述。以车联网通信为例，收方并不关心车速的具体数值，仅关心车速的快慢情况，为了压缩信息，通信内容不再是“车速为50 km/h”，而是“车开的快”。文本信息“车开得快”不是一个确定的命题，而是一个带有模糊性的描述。为了合理地描述这种带有模糊性的问题，L.A.Zadeh在文献[5]中提出了模糊集和隶属度函数的定义，这一工作为模糊性的语言描述过程提供了数学模型。Aldo De Luca在文献[6]中在模糊集的基础上定义了模糊熵。吴伟陵在文献[7]中定义了广义熵的概念，进一步推广了模糊集理论的应用场景。
本研究面向语义知识库动态更新的场景。这种场景下，降低信源的模糊熵要求知识库共享的准确性，进而会增大链路开销。为了权衡降低模糊熵与降低频谱占用二者的矛盾，需要引入基于模糊熵的优化指标。然而，现有的研究大多将模糊归结为人的主观认识带来的偏差，这带来了隶属度函数计算的困难，限制了模糊熵在该问题中的应用[8]。本文定量分析了信源知识库的不确定性对信源模糊熵的影响，进而提出优化模型确定了最优的知识库共享策略。在加性高斯白噪声信道条件下的仿真中，本文将上述由模糊熵指导优化的语义通信方案与传统通信方案做对比，比较信宿中自动驾驶决策的任务执行错误率以及车联网通信的时延特性。本文优化得到的语义通信方案可以使用78.33%的频谱资源将判决错误率降低50%以上。
1 服务于自动驾驶的车联网通信系统模型
2 基于模糊熵的车联网语义通信模型
2.1 模糊熵的概念
2.2 基于传统熵的语义通信评价指标的缺陷
2.3 基于模糊熵的任务驱动语义通信的评价指标
2.4 实时共享知识库的语义通信系统架构
2.5 隶属度函数的计算
3 车联网语义通信系统的优化
3.1 基于评价指标L的优化模型的建立与求解
3.2 基于聚类算法的数据传输中压缩率与准确性的权衡关系
4 仿真验证
4.1 实验设计
4.2 仿真结果与对比分析
首先分析信道条件与通信性能的关系。如4.1节所述，基线方案采用4比特完成单次语义通信。语义通信方案采用10比特完成依次知识库共享，采用(7,4)汉明码传输发射机处的判决结果。此时，传统通信方案进行30次语义通信产生的总开销为120比特，语义通信方案进行30次语义通信产生的总开销为94比特。两种方案的任务执行错误率与信道条件的关系如图6所示：
比较各个信噪比点可以发现，采用模糊熵指导优化设计的共享知识库的语义通信方案以78.33%的链路负载实现了通信服务的任务执行错误率降低了50%以上，在通信可靠性和有效性上都有了大幅的改善。
下面分析两种通信系统的时延特性。本实验中语义通信方案共享知识库的开销仍然保持10比特。在相同信道条件Eb0=4下，分别控制基线方案和改进后方案的单次语义通信的码长，从而调控两种方案的通信时延。可以绘制出两种方案的任务执行错误率与通信时延的关系，如图7所示：若车联网通信的时延门限为4 ms，则传统通信方案在满足时延要求的情况下任务执行错误率的最小值为0.068；优化后的语义通信方案在满足时延要求的情况下任务执行错误率的最小值为0.010 3。据此，语义通信方案的时延特性优于传统通信方案。
4.3 面向交通拥堵场景的链路仿真
本文假设作为信宿的自动驾驶车辆的运行速度服从分布U(0,70)，这难以适应交通拥堵的场景以及高速公路的场景。为了验证本文语义通信方案的泛化性，以下将利用形状参数λ=10尺度参数k=1.5的韦伯分布f(x)近似交通拥堵场景下的车辆速度分布规律。
如图8所示是用韦伯分布近似的交通拥堵场景下的车辆速度的分布函数。在这种条件下仍采用4.1、4.2节中采用的模糊熵优化后的语义通信方案。此时，计算信源归类错误率Pe1的公式(31)需要进行修正为公式(33)。依据公式(33)可以绘制拥堵场景下采用本文的语义通信方案时，任务执行错误率与信道条件的关系。此处的图9，比较了相同信道条件、频谱资源占用、能量消耗的情况下正常场景和拥堵场景中的任务执行错误率。
观察图9发现，在正常情况下和交通拥堵场景下本文采用的语义通信方案的性能波动在10%范围内，体现了本文采用的语义通信方案良好的泛化性。
4.4 实验结果评价
依据4.1、4.2节两部分的实验结果，发现采用模糊熵指导优化设计的共享知识库的语义通信方案以78.33%的链路负载实现了通信服务的任务执行错误率降低50%以上，在通信可靠性和有效性上都有了大幅的改善。另外，改进后方案在相同通信时延要求下，也可以达到更低的任务执行错误率，展现出了更优的时延特性。此外，依据4.3节的实验结果，改进后方案在交通拥堵场景下的性能波动在10%范围内，体现了方案良好的泛化性。
5 结束语
本文针对知识库实时变化的车联网语义通信场景，给出了实时共享语义知识库的架构方案，还提出了隶属度函数的计算方法，基于此建立了优化模型指导通信系统的优化。该优化模型权衡了共享知识库带来的链路负载以及知识不准确带来的模糊熵。经过仿真验证，本文采用的语义通信方案在通信可靠性、有效性和时延特性上都有了大幅的改善。未来，考虑将本文的通信方案推广到多模态语义通信中，解决任务驱动的图像传输和音频传输，进一步提升本方案的适应性。
[1] Feng Y, Shen H, Shan Z, et al. Semantic Communication for Edge Intelligence Enabled Autonomous Driving System[J]. IEEE Network: The Magazine of Global Internetworking, 2024,39(2): 149-157.
[2] Shannon C E, Weaver W. The mathematical theory of communication[M]. Urbana: University of Illinois Press, 1998.
[3] Carnap R, Bar-Hillel Y. An outline of a theory of semantic information[J]. The Journal of Symbolic Logic, 1954,19(3): 230-232.
[4] Bao J, Basu P, Dean M K, et al. Towards a theory of semantic communication[C]//Proceedings of 2011 IEEE Network Science Workshop. 2011: 110-117.
[5] Zadeh L A. Fuzzy Sets[J]. Information and Control, 1965,8(8): 338-353.
[6] Luca A, Termini S. Entropy of L-Fuzzy Sets[J]. Information and Control, 1974,24(1): 55-73.
[7] 吴伟陵. 广义信息源与广义熵[J]. 北京邮电大学学报, 1982,5(1): 29-41.
[8] 戴金晟,吴泊霖,王思贤,等. 智能无线通信技术[M]. 北京: 人民邮电出版社, 2018: 1-310.
[9] Cheng P, Hao W, Dai S, et al. Club: a contrastive log-ratio upper bound of mutual information[C]//International Conference on Machine Learning. Austria: PMLR, 2020: 1779-1788.
[10] 刘传宏,郭彩丽,杨洋,等. 人工智能物联网中面向智能任务的语义通信方法[J]. 通信学报, 2021,11(42): 97-108.
[11] 牛凯,张平. 语义通信的数学理论[J]. 通信学报, 2024,45(6): 7-59.
[12] Dubois D, Prade H. Fuzzy Sets and Systems: Theory and Applications[M]. New York: Academic Press, 1980.
[13] 吕相沅,陈安琪,刘青. 基于改进k-means算法的电力负荷数据聚类方法[J]. 电子设计工程, 2025,24(20): 121-129.
[14] 陈宁,陈安,周龙骧. 数值型和分类型混合数据的模糊K-Prototypes聚类算法[J]. 软件学报, 2001,12(8): 1107-1119.
[15] Teng S Y Chen Y, Liu X M. Milestones in Autonomous Driving and Intelligent Vehicles: Survey of Surveys[J]. IEEE Transactions on Intelligent Vehicles, 2022,7(3): 1-20.
[16] Qiao D L, Gursoy M C. Statistical delay tradeoffs in buffer-aided two-hop wireless communication systems[J]. IEEE Transactions on Communications, 2016,64(11): 4563-4577.
[17] Cui H, Radosavljevic V, Chou F C, et al. Deep reinforcement learning for autonomous driving with V2X communication[C]//2019 IEEE Intelligent Transportation Systems Conference (ITSC). Auckland, New Zealand: IEEE, 2019: 1254-1262.
[18] Craig J W. A new, simple and exact result for calculating the probability of error for two-dimensional signal constellations[C]//Proceedings of IEEE MILCOM. McLean, VA, USA: IEEE, 1991: 25.1-25.5.
[19] Jiang P, Wen C K, Jin S, et al. Wireless Semantic Transmission via Revising Modules in Conventional Communications[J]. IEEE Wireless Communications, 2023,30(3): 28-34.
[20] Balle J, Laparra V, Simoncelli E P. End-to-End Optimized Image Compression[C]//5th International Conference on Learning Representations (ICLR 2017). Toulon, France: ICLR, 2017. ★
引用格式：赵荣迪,武刚. 面向车联网语义通信的基于模糊熵的优化模型[J]. 移动通信, 2025,49(7): 97-104.
ZHAO Rongdi, WU Gang. Fuzzy Entropy-Based Optimization Model for Semantic Communication in the Internet of Vehicles[J]. Mobile Communications, 2025,49(7): 97-104.
作者简介赵荣迪：电子科技大学在读博士研究生，研究方向为语义通信。
武 刚：现任电子科技大学教授，研究方向为通感一体化、语义通信。
★往期推荐★【6G卫星互联网】2025年第6期专题论文汇总（19篇）
《移动通信》杂志由中国电子科技集团公司主管，中国电子科技集团公司第七研究所主办，是中国期刊方阵“双效期刊”、工业和信息化部精品电子期刊、中国科技论文统计源刊、中国通信学会《信息通信领域高质量科技期刊分级目录》入选期刊、中国电子学会《电子技术、通信技术领域高质量科技期刊分级目录》入选期刊、中国应用型核心期刊、日本JST收录期刊。国内连续出版物号：CN44-1301/TN，国际连续出版物号：ISSN1006-1010，邮发代号：46-181。
来源：移动通信编辑部