摘要：基于人工智能（AI）驱动的语义通信系统在面对动态变化的无线信道环境时，性能往往会显著下降。目前，现有方法通过给联合信源信道编码外挂神经网络模块来处理信道状态信息。然而，虽然这些方法能够在变化的信道条件下提高系统性能，但是外挂模块却带来了额外的模型参数与计算负担
AI赋能的语义通信系统信道自适应技术研究
1，李金喜1,211（1.上海交通大学，上海 200240；
2.中国航空无线电电子研究所，上海 200241）
【摘 要】基于人工智能（AI）驱动的语义通信系统在面对动态变化的无线信道环境时，性能往往会显著下降。目前，现有方法通过给联合信源信道编码外挂神经网络模块来处理信道状态信息。然而，虽然这些方法能够在变化的信道条件下提高系统性能，但是外挂模块却带来了额外的模型参数与计算负担，增加了编解码延迟。针对这一问题，首先研究最新Mamba模型固有特性，推导了其对于初始状态的闭式响应，并从其闭式响应中发现了对于初始状态信息的遗忘特点。基于此发现，提出了一种内生式信道自适应方法。该方法通过将信道状态信息引入到模型初始状态，并在模型遗忘信道状态信息时重新将信道状态信息注入到状态空间，实现了无需额外计算与参数的情况下，使得模型能够感知信道状态并自适应地进行编码，从而在不同信道状态条件下提升系统性能。
【关键词】6G；语义通信；联合信源信道编码；信道自适应
doi:10.3969/j.issn.1006-1010.20241122-0001
中图分类号：TN929.5 文献标志码：A
文章编号：1006-1010(2025)01-0052-07
引用格式：吴桐,李金喜,陈智勇,等. AI赋能的语义通信系统信道自适应技术研究[J]. 移动通信, 2025,49(1): 52-58.
WU Tong, LI Jinxi, CHEN Zhiyong, et al. Channel Adaptation Techniques for AI-Driven Semantic Communication Systems[J]. Mobile Communications, 2025,49(1): 52-58.
随着科技的持续发展，第六代移动通信技术（6G）预计将满足未来全球网络服务的需求，显著提升数据传输速率、降低通信时延与能耗，支持大规模设备连接和高性能应用，实现全球通信立体覆盖，推动以人为中心的万物互联愿景，构建一个高效、可靠、智能、安全和绿色的无线网络[1]。在中国“十四五”规划中，已明确指出需要前瞻性地布局6G技术，并已组建IMT-2030（6G）推进组，加速发展6G关键技术的研发，推动国家经济技术发展与数字化转型。语义通信作为实现6G愿景的关键技术之一，通过与人工智能（AI）技术的深度融合，致力于提取和传递信源的深层含义及其上下文信息。语义通信将通信的重点从确保符号正确传输转变为确保信源语义的准确表达与传递，有望打破基于经典信息论的通信系统传输瓶颈，为6G网络带来更高的频谱效率、更低的能耗、更短的时延与更加智能灵活的通信能力[2]。目前，语义通信[3-5]主要采用基于神经网络的联合信源信道编码技术[6-10]。这种技术将通信系统中的信源与信道编码器全部替换为神经网络结构，通过在特定信道环境下进行端到端的优化训练，提取对下游任务关键的语义信息，并以最适应无线信道的方式进行传输。在接收端，信号直接被解码以完成目标任务。这种端到端的联合训练联合编码方法能够确保通信系统达到最佳性能，有针对性地选择信息语义传输，提高频率利用效率，并增强通信系统的抗干扰与抗衰落能力，实现了更加高效、更鲁棒的通信系统。然而，由于无线信道的状态不断变化，传统信道编码方案存在一个信噪比门限，当信噪比低于此门限时，误码率将快速上升，使得信源译码出现严重错误，导致原始信源信息质量快速下降甚至于无法读取。同时，信噪比高于门限时，误码率随信噪比提升也没有明显改善，信源恢复质量提升微小。这种现象被称作“悬崖效应”。基于联合信源信道编码的语义通信系统虽可以避免“悬崖效应”，但其性能仍随着信噪比的降低快速下降，导致通信效率的降低。因此，适应信道状态的变化对于通信策略的设计尤为重要[11]。传统信道编码方案通过获取信道状态，采用自适应码率与调制策略，根据信道状态信息选择不同的信道编码码率与调制阶数，从而控制所选择的编码调制方案的“悬崖效应”门限低于当前信噪比，使得通信系统工作在误码率低的区域，从而实现高效准确的通信。针对基于联合信源信道编码器的语义通信系统，可以采用相似的思路，即针对不同的通信环境训练多个联合信源信道编译码器，并根据信道状态反馈信息选择相应的编译码器参数。这种方法通过大量的模型参数覆盖多种信道环境，以应对其动态变化。然而，这也带来了巨大的代价。无线信道状态的多样性意味着需要训练多个网络，这不仅消耗大量时间，并且在每种信道环境下存储相应的编译码器参数也会带来巨大的存储开销，增加通信设备的存储压力。因此，亟需探索语义通信系统内生式的信道自适应技术，将信道状态信息注入到神经网络编解码过程中，让联合信源信道编译码器具有内生的信道自适应的能力，通过单一的神经网络模型来应对各种变化无线信道。因此，本文首先归纳总结了现有基于联合信源信道编码的信道自适应技术，涵盖了针对卷积神经网络（CNN, Convolutional Neural Network）和Transformer架构的设计方案。这些方案通过添加额外模块来编码信道状态信息，进而调整联合信源信道编码器的输出特征，以适应当前信道状态。尽管这些方法能够使用单一神经网络应对信道变化，避免了训练与存储大量模型的需求，但它们引入的额外模块增加了计算量与参数数量，导致网络规模扩大，推理计算量增加，推理时延变大，同时增加了模型部署的难度。鉴于此，本文结合先进的Mamba结构，介绍一种内生式的信道自适应方法。该方法将信道状态视为模型的残余状态，通过挖掘模型的内在潜力，将信道状态信息注入到模型的固有计算过程中。在不增加任何额外的计算与参数的同时，赋予模型感知信道状态并自适应调整输出特征的能力。这种内生智能的方法能够实现对动态变化信道的自适应编码，提升通信系统在各种条件下的性能，同时降低计算与存储压力，推动语义通信技术的发展，以满足6G无线网络对高效、灵活、低时延和低能耗的核心需求。
1 基于联合信源信道编码的语义通信技术
基于神经网络的联合信源信道编码器能够针对多样化的通信环境和下游语义任务提供高效灵活的解决方案，已成为实现语义通信的核心技术，其通信系统框图如图1所示。联合信源信道编译码器主要基于高性能神经网络框架设计，包括卷积神经网络、Transformer架构、Mamba架构。
1.1 基于卷积神经网络的编译码器结构
卷积神经网络是一种经典的图像特征提取架构，具有强大的局部特征感知能力，使网络能够通过端到端学习高效完成多种下游任务。同时，卷积核的参数共享机制与平移不变性显著减少了模型所需的参数量，从而降低了存储与部署压力。
基于经典卷积神经网络，文献[12]设计了一种名为DeepJSCC的网络结构，用于图像信源的联合信源信道编译码。该网络以自编码器为框架，使用卷积神经网络进行构建。编码器采用了5层卷积结构，结合PReLU激活函数，实现对图像的联合信源信道编码；译码器则设计了与编码器对称的结构，采用反卷积网络并通过sigmoid函数重建图像。DeepJSCC在训练时采用端到端优化策略，直接在信道传输的条件下优化系统的端到端性能，从而实现图像的高效传输。这种端到端优化的方式不仅使网络能够适应各种复杂的信道状态，还可以根据不同的下游任务进行针对性训练，使网络在多种信道和下游任务场景下均表现出色，为通信系统提供了高效灵活的解决方案。实验结果表明，这种基于神经网络的联合信源信道编码在低分辨率图像的传输性能上，显著超越了经典分离式编译码方案。此外，这种方法还避免了经典信道编码的“悬崖效应”，在低信噪比条件下表现出优秀的性能。
然而，由于CNN网络的局部感知限制，DeepJSCC仅在低分辨率图像上展现出了优于传统分离式编译码方案的性能，而在高分辨率图像上优势并不明显。因此，针对高分辨率图像的需求，更多网络模型被提出，以进一步提升联合信源信道编码器的性能。
1.2 基于Transformer架构的编译码器结构
近年来，Transformer架构的网络模型备受瞩目。其通过引入QKV注意力机制，克服了CNN仅能感受局部信息的局限，实现了对全局信息的高效捕获，使得网络能够综合全局信息进行推理并给出预测结果。在各种自然语言处理任务中，Transformer架构均展现出了卓越的性能。基于Transformer架构的大模型不仅彰显了人工智能巨大的潜力，还正在悄然推动社会发展与变革。
洞察到Transformer的强大的表达能力，文献[13]提出了SwinJSCC方案。该方案的编码器采用多阶段垂直编码结构，每个阶段先通过融合图像patch提取初步特征，然后利用多个Swin Transformer模块进行深度特征提取，最终通过多层感知机进行压缩后输入信道。译码器则采用与编码器对称的多阶段解码，每个阶段通过patch分离技术结合Swin Transformer模块进行特征解码，最后完成图像重建。作为SwinJSCC的核心模块，Swin Transformer赋予了模型强大的特征提取与表达能力。通过对Transformer中的注意力机制进行窗口化处理，滑动窗口计算注意力权重，Swin Transformer实现了对图像特征的高效提取。实验结果证明，SwinJSCC在多种场景下的性能均优于DeepJSCC，尤其在高分辨率图像传输方面表现出色，超越了目前标准的信源编码与低密度奇偶校验码（LDPC, Low-Density Parity-Check Code）信道编码的组合。这充分证明了设计精良的联合信源信道编码器相比传统分离式编译码有显著优势。
然而，尽管Transformer架构带来了强大的性能，其全局注意力机制的计算形式带来了O(n2)的计算复杂度，给模型的计算和部署带来了巨大压力，这对较弱计算能力的移动终端设备尤为不利。因此，有必要研究既能保持与SwinJSCC相当的强大表达能力，又具有较低计算复杂度（如线性或近似线性复杂度）的模型结构，以推动联合信源信道编码器模型的持续发展与优化。1.3 基于Mamba架构的编译码器
为了应对上述挑战，我们在文献[14]中提出了基于Mamba模型[15-17]的新型联合信源信道编码——MambaJSCC。Mamba模型是一种受线性时不变系统启发的新型的神经网络框架结构，它能够将一维序列通过状态方程映射转换为另一个序列。具体而言，状态方程的表达式如式(1)所示：为了将状态方程应用于神经网络，并通过引入数据依赖来增强网络表达能力，采用了零阶保持器（ZOH, Zero-Order Hold）对状态方程进行离散化处理。通过引入时变参数，构建了一个填充空间模型，其具体表达式如式(2)所示：
Mamba模型通过构建线性状态空间并采用数据依赖参数，与Transformer架构类似，从而具备了强大的表达能力。此外，Mamba利用循环结构计算输出，这使得其计算复杂度近似线性，效率显著提升。
为了赋予MambaJSCC模型与Transformer类似的强大表达能力，需要确保其能够捕获全局信息，因此文献[14]引入了视觉状态空间模型。该模型将输入序列延不同方向展开，然后将展开后的结果输入到状态空间模型中进行处理，最后通过逆变换恢复原始序列。最终输出是所有视觉状态空间模型输出的平均值。这种基于视觉状态空间构建的模型能够从多个方向感知序列信息，实现了全局信息的感知。实验结果表明，MambaJSCC模型在性能上超越了SwinJSCC的性能。同时，由于其近似线性的计算复杂度，MambaJSCC的计算量也显著低于SwinJSCC，有效缓解了Transformer架构计算量大的问题。
2 面向联合信源信道编码的信道自适应技术
本节将探讨面向联合信源信道编码的信道自适应技术。首先，将概述现有的基于外挂模块的自适应技术。随后，通过对MambaJSCC模型特性的深入分析，提出了一种新颖的内生式信道自适应方案，旨在为MambaJSCC模型提供更为精准的信道适应能力。
2.1 外挂式信道自适应技术
（1）基于卷积神经网络的外挂式信道自适应模块
为了有效地将信道状态信息融入编译码器，并提升联合信源信道编码器在多样化信道状态下的性能，文献[18]基于DeepJSCC提出了ADJSCC方法。该方法引入了一种特征注意力网络，将信噪比与模型的中间特征一起作为输入，赋予每个特征在此信道环境下的权重，实现对特征的动态调整，从而使得编码的特征更加贴合当前的信道状态。在ADJSCC模型的设计中，大量引入了特征注意力网络，这使得模型能够适应信道状态的变化，展现出卓越的性能。然而，这种外挂式智能也不可避免地为网络引入了额外的参数量与计算量。
另一方面，针对每种信道状态训练特定模型，本质上是为不同信道状态匹配不同的神经网络参数。因此，可以通过预测参数的变化来实现信道自适应。因此，文献[19]提出了一种Hyper-AJSCC模型。该模型外挂一个超参数网络，能够根据当前的信道状态计算编译码网络权重的调整。通过实时更新网络权重，Hyper-AJSCC能够使输出的特征更好地适应当前的信道状态，取得良好的性能。实验结果表明，Hyper-AJSCC能够达到与ADJSCC相媲美的性能水平。同时，由于Hyper-AJSCC避免了大量外挂模块的使用，相较于ADJSCC，它显著减少了额外的计算量和参数量，从而提高了推理速度和部署效率。
（2）基于Transformer的外挂式信道自适应模块
在采用Transformer模型的联合信源信道编码器中，引入信道状态信息对于提升模型在多样化信道条件下的性能至关重要。SwinJSCC模型通过在编码器末端与译码器的前端引入了一个名叫Channel ModNet的外挂模块来实现这一目标。该模块利用多层感知机技术，将信道状态信息与模型的输出特征相结合，分析并确定最适应在信道中传输的特征形式。通过调整最终输出，模型能够适应当前的信道条件。在译码器，采用结构相似的Channel ModNet模块，确保译码器能够与编码器的编码状态相匹配，准确恢复传输的特征，实现高效的译码性能。实验结果证实，这种设计能够显著的提升SwinJSCC在不同信道状态下的性能表现。
为了实现良好的性能，Channel ModNet采用了大量多层感知机构建其网络。然而，由于编码器仅在最后一层引入信道状态信息，这就需要大量的参数来计算并确定最适合信道传输的特征，但这样的设计也带来了更大的部署与计算负担。为了解决这一问题，文献[20]提出了一种新颖的信道状态嵌入技术。这种方法通过位置编码的方式，将信道状态信息注入到编译码过程中的每一个Swin Transformer模块，实现了信道状态与编译码过程的深度融合，而无需依赖额外的模块来响应信道状态的变化。这种方法充分利用了现有的编译码器模块，将信道状态深度融合进整个编译码流程中。与Channel ModNet相比，它不仅实现了类似的信道自适应性能，而且仅引入极少的额外参数与计算量，从而大大降低了部署时存储与计算压力，减小了推理时延。
然而，目前的研究大多依赖于外挂模块来引入信道状态信息，这种做法虽然减少了训练成本，避免了针对每个不同信道状态训练和部署独立模型的需要，但它增加了单个模型的计算负担，从而延长了编译码的处理时间。此外，模型参数量的增加也对设备运行模型的能力提出了更高的要求，给模型部署带来了更大的压力。因此，迫切需要设计不依赖额外参数的内生信道自适应方法。这种方法能够在不增加推理延迟、不提高设备部署要求的前提下，避免训练和部署多个模型，以实现更高效、更实用的信道自适应能力。
2.2 内生式信道自适应技术
针对上述问题，本文结合MambaJSCC模型，介绍一种内生式信道自适应技术。首先，可以观察Mamba的核心模块，状态空间模型所对应的连续时不变系统式(11)的解：
不难发现，对应的输出序列y(t)不仅包括输入x(t)的零状态响应，还包含取决于系统初始状态的零输入相应。式(3)启示我们，可以通过推导Mamba模型对于初始状态的相应，从而获得内生信道自适应技术的思路。因此，在状态方程经过离散化与时变化之后，可以推导出状态空间模型对于初始状态的响应，如式(4)所示：
公式(4)以解析式的形式，精准地显示描述了状态空间模型的零输入响应与零状态响应，直观地表现了初始状态对于模型最终响应的影响。启示我们，可以将信道状态信息作为模型的初始状态，并利用状态空间模型对初始状态的响应特性，实现基于信道状态自适应调整输出特征序列，达到信道自适应效果。值得注意的是，这种方案充分利用了状态空间模型的内在属性，无需引入额外模块，因此不会增加任何参数和计算量。
然而，仅将信道状态信息注入初始状态可能导致模型在处理序列变深的过程中逐步遗忘信道状态信息。从零输入响应矩阵V的组成中可以看出，其参数A具有遗忘门的特性，其取值范围通常在0.95至0.97之间。随着序列深度增加，的值会逐渐减小，如图2所示：为了解决信道状态遗忘的问题，借鉴残差神经网络的思想，提出了一种将信道状态信息注入残余状态的方法。研究发现，尽管模型在序列处理中会逐步遗忘信道状态，但在一定的序列长度内仍能保持对信道状态的有效记忆。因此，在所有状态中按一定间隔采样部分残余状态，并将信道状态信息注入这些残余状态中，如式(5)所示：
其中，SNR表示信道状态信息，ls为残余状态的采样间隔。通过这种方法，当模型逐渐遗忘信道状态时，可以重新注入信道状态信息，并在一定时间内维持其记忆。这样可以确保任意深度的序列特征均能获取信道状态信息，从而对特征进行充分调整以适应信道变化。得益于Mamba模型状态空间的高纬度特性，使用其中一个维度存储信道状态信息并不会影响模型对序列特征的记忆能力。因此，该方法能够有效调整特征，使其适配信道状态，显著提升模型在不同信道环境下的性能表现。同时，该方案深度挖掘了Mamba模型对状态响应的内在特性，无需引入任何额外模块，属于一种内生式的信道自适应方法。这种方法既不增加额外参数和计算量，也不会引入额外时延或增加部署成本，避免了额外代价，是一种高效的信道自适应方案。综上所述，带有信道自适应能力的状态空间模型算法流程如图3所示：3 仿真结果
在本研究中，虽然所提出的信道自适应方法为针对状态空间模型，并不局限于某种数据模态，但在仿真结果中，仅考虑面向图像传输的语义通信系统，因为不同模态数据需要采用特殊设计，使其能够被状态空间模型高效处理，并且评价体系也相对不同，往往属于不同的研究领域。采用的数据集为DIV2K，该数据集涵盖了900张来自真实世界的2K分辨率RGB图像，其中800张用于训练，100张用于评估性能。在训练与评价的过程中，所有图像均被裁切到256×256分辨率。采用MSE作为训练的损失函数。在性能评估时，选择峰值信噪比（PSNR, Peak Signal-to-Noise Ratio）与MS-SSIM（Multi Scale Structural Similarity Index Measure）作为评估指标，这一指标在图像压缩和处理领域得到了广泛应用。PSNR通过计算原始图像与重建图像之间的平均误差，从而评估图像质量。在计算复杂度方面，使用乘累加操作（MACs，Multiply-Accumulate Operations）来统计所需的计算量。通过对比MambaJSCC中将信道状态作为残余状态的方法与Swin Transformer中的Channel ModNet以及ADJSCC，仿真实验证实了所提出方法的优越性。
图4展示了在瑞利衰落信道下，不同信噪比（SNR, Signal-to-Noise Ratio）条件下各类策略的性能对比。其中，MambaJSCC结合了Mamba架构与内生式信道自适应方法，SwinJSCC采用了Channel ModNet方法，ADJSCC则使用其提出的特征注意力模块。从图中可以发现，MambaJSCC的性能均优于SwinJSCC与ADJSCC。具体来说，与SwinJSCC相比，在SNR=1 dB时，MambaJSCC的性能提升最为显著，在PSNR方面达到了0.36 dB，在MS-SSIM方面达到了0.25 dB；而在SNR=7 dB时性能提升最小，PSNR指标为0.16 dB，MS-SSIM指标为0.1 dB。然而，随着SNR的增大，当达到20 dB时，MambaJSCC的性能提升再次增加，增益达到了0.33 dB。与此同时，ADJSCC的性能明显低于MambaJSCC，PSNR性能增益普遍在1 dB左右, MS-SSIM性能增益大约为0.7 dB。这些结果表明，本文介绍的内生式信道自适应方法相较于其他方法，不仅能够实现更优的性能，而且能更好地适应信道状态的变化。图5展示了高斯信道下，各种策略的PSNR与MS-SSIM性能随SNR的变化曲线，可以看出，在高斯信道下所提出的MambaJSCC对比两种基线仍有明显优势，最大PSNR增益为0.38 dB，MS-SSIM增益为0.45 dB。上述实验证明了所提出的MambaJSCC在不同信道环境与评价指标下性能均优于两种基线，证明了MambaJSCC的通用性与适用性。
内生式信道自适应方法不仅能够实现显著的性能提升，而且不增加任何额外的参数和计算负担，这使得MambaJSCC在计算需求上远低于两种基线模型。如图6所示，MambaJSCC仅消耗20.55G MACs的计算资源和11.73M的参数量，便能在20 dB的瑞利信道条件下实现31.32 dB的卓越性能。相比之下，SwinJSCC在需要更多参数和计算资源的情况下，即35.58G MACs和28.39M参数，其PSNR性能仅为30.99 dB。至于ADJSCC，其计算量更是高达46.37G MACs，但性能却仅有30.52 dB，明显落后于SwinJSCC和MambaJSCC。同时如图7所示，MambaJSCC对比SwinJSCC能够有效降低推理时延，在高速计算卡RTX4090 GPU上降低19.5%的推理时延，而在边缘物联网设备JETSON AGX ORIN上可以降低54.8%的推理时延，实现明显的推理加速，有助于降低编解码时延，满足实时通信系统的需求。
4 结束语
在构建基于联合信源信道的语义通信系统时，必须特别关注AI算法在动态变化信道环境下的设计。目标是在确保系统在多变环境下维持优异性能的同时，减少所需的参数量和计算量。与现有依赖外挂式智能、通过添加额外模块实现自适应的方法不同，本文通过对先进的Mamba模型的内在特性进行深入分析，将信道状态整合到状态空间中，并引入了残余状态的概念。通过在一定时间间隔内采样状态空间，并重新注入信道状态，有效解决了模型信息遗忘的问题。这种设计使模型能够感知信道状态的变化，并据此调整每个输出特征，从而增强了模型在变化信道下的性能。同时，这种方法没有引入任何额外的计算量和参数，实现了一种无需额外计算和存储资源的内生信道自适应策略。在未来工作中，将继续探索该方法在多模态数据传输场景，以及OFDM和MIMO等复杂传输场景中的性能，并实现真实环境下的算法部署与优化。
参考文献：（上下滑动浏览）
[1] You X, Wang CX, Huang J, et al. Towards 6g Wireless Communication Networks: Vision, Enabling Technologies, And New Paradigm Shifts[J]. Sci. China Inf. Sci., 2021,64: 110301.
[2] Zhang P, Xu W, Gao H, et al. Toward Wisdom-Evolutionary And Primitive-Concise 6g: A New Paradigm Of Semantic Communication Networks[J]. Engineering, 2022,8: 60-73.
[3] 张平,牛凯,姚圣时,等. 面向未来的语义通信：基本原理与实现方法[J]. 通信学报, 2023,44(5): 1-14.
[4] 牛凯,戴金晟,张平,等. 面向6G的语义通信[J]. 移动通信, 2021,45(4): 85-90.
[5] Zheng Y, Wang F, Xu W, et al. Semantic Communications with Explicit Semantic Base for Image Transmission[C]//GLOBECOM 2023-2023 IEEE Global Communications Conference. IEEE, 2023: 4497-4502.
[6] Dai J, Wang S, Tan K, et al. Nonlinear Transform Source-Channel Coding For Semantic Communications[J]. IEEE Journal on Selected Areas in Communications, 2022,40(8): 2300-2316.
[7] Wang S, Dai J, Qin X, et al. Improved Nonlinear Transform Source-Channel Coding To Catalyze Semantic Communications[J]. IEEE Journal of Selected Topics in Signal Processing, 2023.
[8] Wu T, Chen Z, He D, et al. CDDM: Channel Denoising Diffusion Models For Wireless Semantic Communications[J]. IEEE Transactions on Wireless Communications, 2024.
[9] Wu H, Shao Y, Bian C, et al. Vision Transformer For Adaptive Image Transmission over MIMO Channels[C]//ICC 2023-IEEE International Conference on Communications. IEEE, 2023: 3702-3707.
[10] Yilmaz S F, Niu X, Bai B, et al. High Perceptual Quality Wireless Image Delivery With Denoising Diffusion Models[C]//IEEE INFOCOM 2024-IEEE Conference on Computer Communications Workshops (INFOCOM WKSHPS). IEEE, 2024: 1-5.
[11] 陈建侨,马楠,许晓东,等. 面向语义通信的信道知识库构建与信道处理研究综述[J]. 无线电通信技术, 2024,50(3): 519-527.
[12] Bourtsoulatze E, Kurka D B, Gündüz D. Deep Joint Source-Channel Coding For Wireless Image Transmission[J]. IEEE Transactions on Cognitive Communications and Networking, 2019,5(3): 567-579.
[13] Yang K, Wang S, Dai J, et al. SwinJSCC: Taming Swin Transformer For Deep Joint Source-Channel Coding[J]. IEEE Transactions on Cognitive Communications and Networking, 2024.
[14] Wu T, Chen Z, Tao M, et al. MambaJSCC: Deep Joint Source-Channel Coding with Visual State Space Model[C]//GLOBECOM 2024-2024 IEEE Global Communications Conference. IEEE, 2024.
[15] Gu A, Dao T. Mamba: Linear-Time Sequence Modeling With Selective State Spaces[J]. arXiv preprint arXiv:2312.00752, 2023.
[16] Dao T, Gu A. Transformers are SSMs: Generalized Models And Efficient Algorithms Through Structured State Space Duality[J]. arXiv preprint arXiv:2405.21060, 2024.
[17] Liu Y, Tian Y, Zhao Y, et al. Vmamba: Visual State Space Model[C]//The Thirty-eighth Annual Conference on Neural Information Processing Systems. 2024.
[18] Xu J, Ai B, Chen W, et al. Wireless Image Transmission Using Deep Source Channel Coding With Attention Modules[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2021,32(4): 2315-2328.
[19] Xie S, He H, Li H, et al. Deep Learning-Based Adaptive Joint Source-Channel Coding Using Hypernetworks[J]. arXiv preprint arXiv:2401.11155, 2024.
[20] Wu T, Chen Z Y, Tao M X, et al. Multi-User Semantic Fusion for Semantic Communications over Degraded Broadcast Channels[J]. China Communications, 2024,21(10): 86-10. ★
吴桐：上海交通大学电子信息与电气工程学院电子信息专业在读博士研究生，主要研究方向为未来无线通信、语义通信、人工智能等。李金喜：上海交通大学电子信息与电气工程学院电子信息专业在读博士研究生，中国航空无线电电子研究所正高级工程师，主要研究方向为航空自组织网络、软件无线电等，获得2019年工信部科学技术进步二等奖、2023年工信部科学技术进步三等奖。陈智勇：博士毕业于北京邮电大学，上海交通大学研究员，主要从事无线网络通信与计算融合、无线AI等，承担国家自然科学优秀青年科学基金等项目，获得2020年上海市自然科学奖一等奖、2019年IEEE通信学会亚太区杰出论文奖。陶梅霞：博士毕业于香港科技大学，上海交通大学特聘教授，长期从事无线通信与网络的基础理论和前沿技术研究。主持国家杰出青年科学基金项目，获上海市自然科学一等奖、IEEE通信学会马可尼论文奖、IEEE通信学会海因里希赫兹论文奖、IEEE/CIC ICCC 2015及WCSP 2022、2012最佳论文等奖励。《移动通信》★往期推荐★《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
