1.一种智能反射面辅助的智能语义通信系统资源分配方法,其特征在于,所述方法包括如下步骤:步骤1:建立语义通信系统模型和建立IRS辅助语义通信系统模型;
步骤1-1:建立语义通信系统模型;
设定DeepSC网络集合
步骤1-2:建立IRS辅助的语义传输系统;
设置基站、K个用户及IRS的位置,对基站到IRS、IRS到K个用户、基站到K个用户之间的信道进行建模,获取信道增益,设置基站、K个用户及IRS的位置,对基站到IRS、IRS到K个用户、基站到K个用户之间的信道进行建模,获取信道增益,如下定义:所有通信节点建立三维笛卡尔坐标系,节点A位置可以定义为w定义IRS阵元偏移为Θ,
从基站通过第c个子信道到第k个用户的传输速率可以表示为:其中,B代表带宽资源,C代表子信道数量,h步骤2:获得资源分配优化问题,定义有效S-SE(ES-SE),如果没有达到给定语义相似度容忍值ξ通过联合优化语义通信网络DeepSC选择、子信道分配、基站发射波束和IRS阵元反射因子,系统目标为最大化ES-SE;
资源分配问题约束:第一个约束条件为用户占用子信道约束,每个用户和子信道只存在占用和不占用关系,且每个用户只能占用一个信道,即步骤3:目标问题转化为马尔可夫问题,设定基站控制中心为智能体,设计状态空间sa
其中,ζ
s
其中,a
其中,Ψ代表系统可达ES-SE,w
其中,ψ
步骤4:利用基于D3QN-SAC的混合算法联合优化语义通信网络DeepSC选择、子信道分配、基站发射波束和IRS阵元反射偏移,最大化有效语义频谱效率,具体包括以下步骤:步骤4-1:设计基于D3QN-SAC的智能资源分配算法;
步骤4-2:语义通信系统预训练,获得语义相似度与真实信噪比之间映射关系表;
步骤4-3:智能体与系统交互,获得训练经验;
智能体决策语义通信网络DeepSC选择,子信道分配,智能反射面阵元反射系数,基站发射波束,并输入IRS辅助语义通信系统,进入新系统状态,得到奖励值,智能体将每步迭代产生的新旧系统状态、动作选择、奖励值存入经验池;
步骤4-4:算法参数更新;
当智能体与环境交互满足设定次数后,通过回放存储在经验池的经验,智能体以最小化损失函数为目标进行学习,通过反向梯度对网络参数进行更新,返回上述步骤4-3至训练结束;
步骤4-5:算法收敛,将各网络参数进行本地保存;
步骤5:利用基于D3QN-SAC的智能资源分配方法求出信道分配、DeepSC选择、基站波束赋形以及IRS相位的次优解。