呂守曄/LYU Shouye，戴金晟/DAI Jincheng，張平/ZHANG Ping

（ 1. 北京郵電大學(xué)泛網(wǎng)無線通信教育部重點實驗室，中國 北京 100876；2. 北京郵電大學(xué)網(wǎng)絡(luò)與交換技術(shù)國家重點實驗室，中國 北京 100876 ）

過去70年，現(xiàn)代通信已經(jīng)從香農(nóng)的理論概念發(fā)展為高效實用的成熟系統(tǒng)。隨著移動通信的快速發(fā)展，人們逐漸形成一種思維定勢：系統(tǒng)瓶頸在于信道容量，只要增加容量就可解決大部分問題。據(jù)此，在經(jīng)典通信系統(tǒng)中，人們采取用復(fù)雜度換取性能的方式，主要通過模塊堆疊和技術(shù)密集化來解決鏈路傳輸能力不足的問題。然而，隨著技術(shù)的快速進(jìn)步，該模式面臨著重重阻力。具體而言，經(jīng)典通信系統(tǒng)以信源信道分離編碼（SSCC）為核心，采用模塊化設(shè)計，將信源與信道分別進(jìn)行優(yōu)化。經(jīng)過長時間的探索，信源與信道編碼技術(shù)已分別逼近各自的理論極限。性能的進(jìn)一步提升使得復(fù)雜度劇增且收效甚微，難以可持續(xù)發(fā)展。線性處理的方式限制了各模塊性能的提升。此外，模塊的最優(yōu)并不等同于整體性能的最優(yōu)，模塊化的設(shè)計將帶來性能損耗。

根據(jù)著名信息學(xué)家W. WEAVER[1]的觀點，當(dāng)前通信系統(tǒng)僅停留在技術(shù)層，未涉及更高的語義層面。得益于人工智能技術(shù)與算力技術(shù)，通信系統(tǒng)朝著智能內(nèi)生的方向不斷發(fā)展。從比特到語義的范式轉(zhuǎn)變，將從根本上改變當(dāng)前通信系統(tǒng)的現(xiàn)狀，因此人們對語義通信的研究正當(dāng)時。張平院士對語義信息的特征進(jìn)行了分析，指出語義信息可以用高維空間的特征參量進(jìn)行表征[2]。在此基礎(chǔ)上，張平院士提出“智簡”理念[3]，以及由信源信道聯(lián)合語義處理得到的新特征驅(qū)動的語義通信框架。牛凱等深入研究了從經(jīng)典通信到語義通信的范式轉(zhuǎn)變，提出語義通信系統(tǒng)的基本框架[4-5]。秦志金等探索了基于深度學(xué)習(xí)的語義通信理論、框架[6]，提出任務(wù)驅(qū)動的多用戶語義通信系統(tǒng)[7]。戴金晟等將信源語義信息處理與通信傳輸技術(shù)結(jié)合，提出由語義引導(dǎo)的信源信道編碼統(tǒng)一框架[8]。

本文總結(jié)了信源信道聯(lián)合編碼（JSCC）的發(fā)展歷程，介紹了基于非線性變換JSCC 的語義通信系統(tǒng)框架。語義通信系統(tǒng)引入了“非線性變換”和“非線性編碼”兩個新機(jī)制，將通信范式升級到語義層面，使系統(tǒng)能夠以更低的數(shù)據(jù)傳輸要求提供相同的端到端服務(wù)質(zhì)量?？紤]到噪聲等條件對實際性能的影響，語義通信系統(tǒng)圍繞著“有限帶寬”和“有損傳輸”兩大關(guān)鍵特性進(jìn)行設(shè)計。語義通信系統(tǒng)框架中主要包含兩類范式：

1）直接編碼：以降低系統(tǒng)失真為優(yōu)化目標(biāo)，通過非線性處理得到信源表征，并將其信源壓縮為定長編碼，實現(xiàn)固定速率的JSCC。

2）變換編碼：以端到端率失真函數(shù)為優(yōu)化目標(biāo)，通過對非線性變換提取的數(shù)據(jù)緊致語義表征進(jìn)行變分熵建模，準(zhǔn)確估計數(shù)據(jù)的語義熵分布，從而實現(xiàn)變速率的JSCC。

1 JSCC的發(fā)展歷程

在信源信道編碼定理中，香農(nóng)證明：當(dāng)R(D)< C 時，存在一種信源信道編碼方式使得端到端傳輸?shù)氖д妗蹹；反之，不存在信源信道編碼使端到端傳輸失真≤D。根據(jù)該定理，香農(nóng)給出了如圖1所示的兩類信源信道編碼范式：

1）SSCC：將信源數(shù)據(jù)壓縮為最有效表征，再將該表征編碼為適合傳輸?shù)姆枺?/p>

2）JSCC：利用合適的編碼器直接將信源數(shù)據(jù)映射為適合信道傳輸?shù)姆枴?/p>

理論上，當(dāng)信源和信道均達(dá)到漸進(jìn)均分特性（AEP）時，最優(yōu)設(shè)計的信源編碼與信道編碼的組合等價于最優(yōu)設(shè)計的信源信道聯(lián)合編碼，這是著名的“信源信道分離定理”?！胺蛛x定理”為后續(xù)通信系統(tǒng)的工程研究提供了重要指導(dǎo)，在理論上證明了信源壓縮技術(shù)和信道傳輸技術(shù)分離優(yōu)化的可實現(xiàn)性，極大降低了工程設(shè)計的復(fù)雜度。

然而，還存在著一些似乎違反“分離定理”的情況。以中文文本的傳輸過程為例，經(jīng)典通信系統(tǒng)先通過最高效的信源編碼得到原始文本的表征，再將所得表征通過先進(jìn)的信道編碼壓縮后進(jìn)行傳輸。變長碼在信道編碼中已廣泛應(yīng)用，因此當(dāng)信道條件惡劣導(dǎo)致信道譯碼發(fā)生差錯時，信源譯碼將會出現(xiàn)嚴(yán)重錯誤，這導(dǎo)致原始文本語義內(nèi)容無法被理解。這種現(xiàn)象被稱作“懸崖效應(yīng)”。反之，若通過信道直接傳輸原始文本，我們可能會失去部分字符，但依然可以大致理解文本的含義。這種現(xiàn)象說明，由于避免了譯碼過程中的差錯傳播效應(yīng)，在未經(jīng)壓縮和信道編碼的條件下直接傳輸信源數(shù)據(jù)，反而可以較好地保留信源語義信息。其根本原因是信源的結(jié)構(gòu)冗余，天然適配了信道條件。這一觀察啟發(fā)了人們對于信源信道聯(lián)合編碼技術(shù)的研究。這些復(fù)雜度和碼長有限的實際場景，難以滿足“分離定理”中碼長不受限的假設(shè)，無法實現(xiàn)AEP特性。

▲圖1 兩類信源信道編碼范式

從端到端的過程出發(fā)，研究者們圍繞提升頻譜利用率這一核心目標(biāo)，對JSCC 進(jìn)行設(shè)計。聯(lián)合編碼充分利用端到端傳輸過程中的信源冗余，提升傳輸系統(tǒng)整體性能。由于歷史局限，香農(nóng)在1948年提出的經(jīng)典信息論中[9]并未對聯(lián)合編碼技術(shù)的設(shè)計給出指導(dǎo)。很長一段時間，JSCC 的研究僅停留在理論概念層面。

圖2 為JSCC 技術(shù)的發(fā)展脈絡(luò)，清晰地展示了各時期的關(guān)鍵技術(shù)。聯(lián)合編碼的范式完成了從基于顯式概率模型的經(jīng)典方案向面向語義的現(xiàn)代方案轉(zhuǎn)變，實現(xiàn)了從線性處理到非線性處理的進(jìn)步。經(jīng)典方案以高效信道編碼為藍(lán)本，采用顯式概率模型進(jìn)行編碼器的設(shè)計。受限于解析求解能力，經(jīng)典方案依賴線性處理方式進(jìn)行編碼，無法關(guān)注到更深層次的特別是非線性的信源信息。通過人工神經(jīng)網(wǎng)絡(luò)的引入，現(xiàn)代方案彌補了經(jīng)典方案在技術(shù)上的不足，具備了非線性處理能力。通過非線性變換，現(xiàn)代方案得到原始數(shù)據(jù)在語義隱空間的緊致表征，從而實現(xiàn)了對信源語義信息的提取與挖掘。

▲圖2 JSCC技術(shù)發(fā)展脈絡(luò)

2 經(jīng)典JSCC

由于技術(shù)限制，針對早期的經(jīng)典通信系統(tǒng)，人們難以設(shè)計出性能優(yōu)異的聯(lián)合編碼框架。20 世紀(jì)90 年代，因具備較高的抗干擾、抗衰落能力，以Turbo碼、低密度奇偶校驗碼（LDPC）為代表的高效信道編碼得到了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。研究者對高效信道編碼進(jìn)行了不斷探索，從而將香農(nóng)的概念設(shè)想變?yōu)閷嶋H的經(jīng)典聯(lián)合編碼方案。本節(jié)回顧了經(jīng)典信源信道聯(lián)合編碼中兩條重要分支：信源信道聯(lián)合解碼與對偶式結(jié)構(gòu)，并對各技術(shù)路線進(jìn)行了總結(jié)。

2.1 信源信道聯(lián)合解碼

聯(lián)合解碼仍采用分離編碼中模塊化的設(shè)計理念，通過聯(lián)合優(yōu)化解碼過程的方式，提升整體系統(tǒng)性能。在實現(xiàn)上，聯(lián)合解碼采用經(jīng)典信源解碼（如基于上下文的自適應(yīng)算術(shù)解碼）與高效信道編碼級聯(lián)的組合形式。

早期的聯(lián)合解碼使用隱馬爾可夫信源與因子圖結(jié)合的形式進(jìn)行聯(lián)合解碼[10-12]。面向結(jié)構(gòu)簡單的信源，聯(lián)合解碼的方式取得了不錯的性能增益。受限于隱馬爾可夫信源的表達(dá)能力，后續(xù)研究將更加聚焦于實際信源的應(yīng)用，譬如JPEG 2000[13-14]、語音信源[15]等。隨著信源復(fù)雜度的提升，聯(lián)合解碼無法取得理想的性能增益，且會引起較大的復(fù)雜度提升。此外，聯(lián)合解碼并未跳出分離編碼的框架，經(jīng)典信源解碼同高效信道編碼之間并不總是匹配的，無法實現(xiàn)理想的端到端優(yōu)化。

聯(lián)合解碼是早期人們對聯(lián)合編碼的一次嘗試。聯(lián)合解碼沒有實現(xiàn)真正的聯(lián)合編碼結(jié)構(gòu)，而是對分離編碼的完善和補充，因此并未擺脫分離編碼所帶來的影響?；诜蛛x編碼的設(shè)計結(jié)構(gòu)限制了聯(lián)合解碼性能的進(jìn)一步提升。

2.2 對偶式結(jié)構(gòu)

2010 年， VERDú 等提出雙低密度奇偶校驗碼（DLDPC）模型[16]，利用對偶式結(jié)構(gòu)首次真正實現(xiàn)了端到端編碼傳輸框架。

LDPC 的編碼過程可以看作是一個利用生成矩陣G，將信源編碼后的序列b 編碼為待傳輸符號序列c 的線性映射。解碼過程利用校驗矩陣H，將接收到的符號序列c?譯為序列b?。從碼長變化的角度，生成矩陣G 將短碼編為了長碼，校驗矩陣H將長碼編為了短碼，二者互為對偶式處理。信源編碼將長碼編為短碼，從效果上看，與LDPC 碼的譯碼過程一致。

基于這一思想，對偶式結(jié)構(gòu)創(chuàng)新性地使用信道編碼中的對偶式處理代替經(jīng)典通信系統(tǒng)中的信源編碼，利用校驗矩陣實現(xiàn)了信源壓縮。在對偶式結(jié)構(gòu)中，信源與信道編碼具備統(tǒng)一的模型結(jié)構(gòu)，能夠被耦合為一個模塊，這解決了聯(lián)合解碼信源與信道解碼器不匹配的問題。

基于高效信道編碼器，JIN L. Q.等還提出了信源信道聯(lián)合極化（DPolar）方案[17]。通過實驗對比，對偶式結(jié)構(gòu)取得了更加優(yōu)異的性能增益，但并未超過最先進(jìn)的分離編碼方案。如前文所述，經(jīng)典聯(lián)合編碼的基礎(chǔ)是僅具有線性處理能力的高效信道編碼器，特征提取僅限于線性層面。線性處理方式導(dǎo)致性能提升空間受限，通信模塊亟待向非線性處理方式轉(zhuǎn)型，以尋求賦能通信系統(tǒng)長期可持續(xù)發(fā)展的新范式。

3 面向語義通信的JSCC

在經(jīng)典編碼的方法中，不論是基于分離式的信源信道編碼，還是基于高效信道編碼的經(jīng)典JSCC，其編碼策略都注重信源的結(jié)構(gòu)狀態(tài)，依靠顯式概率模型進(jìn)行設(shè)計。在面向人類感知和智能類機(jī)器任務(wù)時，經(jīng)典編碼缺少對語義信息的提取和處理，難以提升編碼增益。語義編碼傳輸將表征學(xué)習(xí)、信源編碼、信道編碼三者進(jìn)行匹配融合，根據(jù)優(yōu)化目標(biāo)進(jìn)行端到端設(shè)計，實現(xiàn)數(shù)據(jù)高保真?zhèn)鬏?。其中，表征學(xué)習(xí)是對信源語義特征的有效提取，是語義編碼傳輸過程中最關(guān)鍵的一步。信源信道聯(lián)合編碼實現(xiàn)對語義特征高效、魯棒傳輸。整個鏈路的各個模塊使用非線性設(shè)計處理方式，進(jìn)一步提高語義提取和編碼保護(hù)能力。

3.1 直接編碼傳輸

語義編碼傳輸?shù)囊环N方法是直接編碼傳輸，如圖3 所示。這類編碼方法在發(fā)送端將語義特征提取、信源編碼和信道編碼封裝為編碼器模塊，在接收端將信源信道解碼和語義特征融合封裝為譯碼器模塊，從而實現(xiàn)端到端的一體設(shè)計。編碼器和譯碼器模塊均可部署為深度神經(jīng)網(wǎng)絡(luò)（DNN），以便學(xué)習(xí)信源空間到編碼信號空間的非線性映射。這種方法普遍被稱為Deep JSCC[18-20]，本質(zhì)上屬于自編碼器（AE）架構(gòu)?？紤]到對信道傳輸失真的影響，神經(jīng)網(wǎng)絡(luò)中間包含一個不可訓(xùn)練的噪聲引入層，從而提高了編解碼器對抗信道噪聲、衰落等不利因素的能力。

基于香農(nóng)信息論的思想，Deep JSCC 編碼實際上是高維信源矢量到低維編碼傳輸矢量的映射。以圖像信源為例，編碼器fe將輸入圖像x ∈Rm，通過參數(shù)化函數(shù)fe(?; φf)，映射到復(fù)值信道輸入s ∈Rk。其中，通常有k < m，稱ρ = k/m 為信道帶寬比（CBR）。編碼操作之后，JSCC 序列s 被直接送入噪聲信道，信道向傳輸序列引入隨機(jī)誤差，記為W( ?; ν)，信道參數(shù)封裝在ν 中。接收序列為?= W(s; ν)，轉(zhuǎn)移概率為ps?|s。以典型的加性高斯白噪聲（AWGN）信道為例，?= W(s; σn)= s + n，其中n ～N(0,σ2Ik)，σ2代表平均噪聲功率。解碼器fd將信道輸出序列?通過函數(shù)fd( ?; ?f)重建為信源矢量?。編碼和解碼函數(shù)通過最小化端到端失真d(x,?)進(jìn)行聯(lián)合優(yōu)化。

Deep JSCC 通過自編碼器框架對信源數(shù)據(jù)進(jìn)行降維，這在本質(zhì)上屬于定長編碼。在經(jīng)過訓(xùn)練之后，編碼和解碼函數(shù)的編碼碼長k對于給定的信源樣本x是確定的。這種方式可以避免變長編碼在譯碼時遇到的差錯傳播問題，防止在信道條件發(fā)生突變時，Deep JSCC系統(tǒng)發(fā)生“懸崖效應(yīng)”。已有的實驗結(jié)果表明，以Deep JSCC為代表的直接編碼方式僅對極低分辨率圖像（32×32，CIFAR10 數(shù)據(jù)集）產(chǎn)生明顯的編碼增益，超出信道容量可達(dá)條件下的經(jīng)典分離編碼方案（特別是在低信噪比條件下）。這種性能優(yōu)勢的核心原因是基于深度學(xué)習(xí)的非線性編碼方式可以靈活適配各種信源分布。與之相對的是，Deep JSCC 僅考慮訓(xùn)練樣本分布和失真，沒有考慮信源內(nèi)部在語義復(fù)雜度方面的差異。這導(dǎo)致編碼效率低，在編碼長度k、信道信噪比（SNR）逐漸增大時會表現(xiàn)出性能飽和。受限于單一編解碼器處理能力，隨著信源維度的增加，Deep JSCC 的性能將會退化，甚至弱于經(jīng)典分離編碼方案。目前業(yè)界主流的圖像、視頻編碼壓縮方法（例如JPEG、BPG（H.265）[21]等），均針對高分辨率圖像、視頻設(shè)計，不面向低維度數(shù)據(jù)優(yōu)化。因此，直接編碼傳輸所帶來的性能增益不具有普遍性。

3.2 變換編碼傳輸

雖然降維可以被看作是一種簡單的壓縮形式，但并不等同于壓縮。因為壓縮的目標(biāo)是在發(fā)送方和接收方共享的先驗概率模型（熵模型）下盡可能降低表示的熵，而不僅僅是降維。語義編碼傳輸?shù)牧硪环N方法是變換編碼傳輸。這種方法首先將信源矢量x通過非線性變換，映射到語義空間上的隱表征y，之后對y 進(jìn)行信源信道聯(lián)合編碼傳輸。由于非線性變換的解相關(guān)作用，語義隱空間上y 的各維之間相關(guān)性減弱，從而便于進(jìn)行語義熵估計。熵估計的結(jié)果可用于指導(dǎo)變速率的信源信道聯(lián)合編碼，從而提高系統(tǒng)整體編碼傳輸效率。

3.2.1 傳輸系統(tǒng)框架

如圖3 所示，語義非線性變換編碼兼具非線性變換和JSCC 兩者的優(yōu)勢，因此被稱為非線性變換信源信道聯(lián)合編碼（NTSCC）[22]。在編碼器端，信源矢量x 先通過非線性解析變換ga( ?; φg)，產(chǎn)生深層語義特征圖y。之后，y 被送入信源信道聯(lián)合編碼器fe( ?; φf)，得到信道輸入矢量s。以AWGN信道為例，s直接經(jīng)過信道，通過信道傳輸方程W( ?; σn)，轉(zhuǎn)換為信道輸出矢量。譯碼器端執(zhí)行相反的操作：經(jīng)過信源信道聯(lián)合解碼器fd( ?; θf)首先恢復(fù)為語義特征圖，之后合成變換gs( ?; θg)，將重建為信源輸入。整個過程如公式（1）：

▲圖3 面向語義通信的信源信道聯(lián)合編碼框架

不同于Deep JSCC的定長編碼方案，非線性變換使得語義特征y的變分熵估計成為可能。此處，使用DNN構(gòu)建的參數(shù)化方程py( ?; φ)來構(gòu)建語義熵模型，計算得到y(tǒng)每一個維度yi值的概率。編碼器fe進(jìn)而根據(jù)語義熵大小?logpy( ?; φ)對每個yi分配編碼碼率，編碼獲得長度不等的si。因此，信道輸入s的總維度是依據(jù)傳輸數(shù)據(jù)語義內(nèi)容復(fù)雜程度動態(tài)變化的，這使NTSCC實現(xiàn)“變速率編碼傳輸”。系統(tǒng)的優(yōu)化目標(biāo)可以定義為：

公式（2）中，λ表示控制速率和失真兩者權(quán)衡的超參數(shù)，R表示總信道傳輸速率（可定義為信道寬帶比CBR，CBR=信道傳輸符號數(shù)/信源維度，信道傳輸符號數(shù)為所有si長度總合），D 表示端到端失真，可采用不同的度量指標(biāo)，比如衡量圖像質(zhì)量的峰值信噪比（PSNR）、多尺度結(jié)構(gòu)相似度（MS-SSIM）等。為了實現(xiàn)語義通信中人類感知優(yōu)化的目標(biāo)，需要提高收端重構(gòu)信源x?的全局主觀感知質(zhì)量。我們可以在公式（2）中引入感知失真評價項，比如引入基于DNN的可學(xué)習(xí)感知圖像塊相似度（LPIPS）[23]和生成對抗網(wǎng)絡(luò)的鑒別器打分度量，從而能夠更好地提高主觀上的端到端的傳輸性能。

3.2.2 系統(tǒng)性能

為了評估語義變換編碼傳輸系統(tǒng)的性能，針對不同分辨率的開源圖像數(shù)據(jù)集CIFAR10 （32×32 像素）、Kodak（768×512 像素）和CLIC2021（2 048×1 890 像素），我們在AWGN 信道下使用NTSCC 傳輸系統(tǒng)進(jìn)行傳輸測試，并與Deep JSCC 方案和經(jīng)典分離式信源信道編碼方案比較。分離式方案采用了以JPEG、JPEG 2000、BPG（H.256 視頻編碼標(biāo)準(zhǔn)的幀內(nèi)圖像編碼方案）和VTM（H.266視頻編碼標(biāo)準(zhǔn)的測試模型）為代表的圖像信源編碼方案，并結(jié)合實際應(yīng)用的5G 標(biāo)準(zhǔn)LDPC 碼，形成通信傳輸系統(tǒng)（分別記為“JPEG +5G LDPC”“JPEG 2000 + 5G LDPC”“BPG + 5G LDPC”和“VTM + 5G LDPC”）。NTSCC 選擇從Open Images 數(shù)據(jù)集中隨機(jī)采樣的500 000張圖片作為數(shù)據(jù)集。在訓(xùn)練過程中，這些圖片被隨機(jī)裁剪成大小為256×256像素塊。性能評價指標(biāo)采用應(yīng)用廣泛的像素級度量指標(biāo)（例如：PSNR 和MSSSIM）和最近興起的基于深度學(xué)習(xí)的感知度量指標(biāo)LPIPS。其中，更高的PSNR/MS-SSIM 指數(shù)意味著更好的傳輸表現(xiàn)，更低的LPIPS代表更小的損失。

以2021 年發(fā)布的包含高分辨率圖像數(shù)據(jù)的具有挑戰(zhàn)性的可學(xué)習(xí)圖像壓縮數(shù)據(jù)集（CLIC2021）為例，圖4的實驗結(jié)果表明，在信噪比為10 dB的AWGN信道上，NTSCC的失真表現(xiàn)為在各個信道傳輸速率上均優(yōu)于Deep JSCC，并且兩者的性能差距會隨著圖像分辨率和傳輸速率的增大而逐漸增大。特別地，在更貼近人類感知的MS-SSIM 和LPIPS 指標(biāo)下，分離式方案普遍差于信源信道聯(lián)合的語義通信方案。在PNSR 和MS-SSIM 指標(biāo)下，圖4 展示了NTSCC 相較于“VTM+ 5G LDPC”方案的性能優(yōu)勢。如圖4（a）、圖4（b）中的箭頭指示，公式的第1項表示在同等傳輸速率下的平均失真增益，第2項表示在同等失真下的平均傳輸速率節(jié)省。兩個指標(biāo)的計算采用了文獻(xiàn)[24]和[25]中提出的性能評價公式。圖4（c）中的語義通信模型以感知指標(biāo)LPIPS進(jìn)行優(yōu)化，箭頭上方的數(shù)字代表平均速率節(jié)省。顯然，感知優(yōu)化的NTSCC 在性能上遠(yuǎn)優(yōu)于其他方案。為了直觀地展示出NTSCC的傳輸效果，圖5選擇了城市街景視頻序列的傳輸來進(jìn)行可視化結(jié)果對比。我們從這些結(jié)果中發(fā)現(xiàn)，即使是在相似的PSNR指標(biāo)下，使用NTSCC傳輸?shù)膱D像也能夠顯示出更好的視覺質(zhì)量。

▲圖4 10 dB的加性高斯白噪聲（AWGN）信道條件下，各個度量指標(biāo)隨信道帶寬比的變化（CLIC2021）

▲圖5 城市街景視頻序列傳輸?shù)目梢暬Ч麑Ρ?/p>

4 結(jié)束語

本文圍繞著線性處理到非線性處理的變革，介紹了信源信道聯(lián)合編碼發(fā)展歷程中的關(guān)鍵技術(shù)。我們總結(jié)了基于非線性變換信源信道聯(lián)合編碼的語義通信系統(tǒng)框架，引入了“非線性變換”和“非線性編碼”兩個新機(jī)制。利用這兩個機(jī)制，語義通信系統(tǒng)框架的系統(tǒng)傳輸性能夠得到有效的提升。