鄭遠(yuǎn)/ZHENG Yuan，王鳳玉/WANG Fengyu，許文俊/XU Wenjun

（ 北京郵電大學(xué)，中國 北京100876）

從20世紀(jì)80年代后期1G的誕生到如今5G商業(yè)化進(jìn)程的穩(wěn)步展開，移動(dòng)通信經(jīng)歷了近半個(gè)世紀(jì)的高速發(fā)展。得益于高峰值速率、低傳輸時(shí)延與高連接密度，5G 系統(tǒng)支持包含虛擬/增強(qiáng)現(xiàn)實(shí)、智能駕駛、智慧城市等在內(nèi)的多樣化垂直應(yīng)用[1]。隨著全球新一輪科技與產(chǎn)業(yè)革命的加速發(fā)展,信息通信技術(shù)將進(jìn)一步重構(gòu)人與人、人與物、物與物之間的復(fù)雜聯(lián)系，為工業(yè)、醫(yī)療、交通、教育、金融、娛樂、零售等千行百業(yè)帶來革新。當(dāng)前通信系統(tǒng)主要基于香農(nóng)信息論研究設(shè)計(jì)。從1G 到5G，通信系統(tǒng)雖然在業(yè)務(wù)形式、服務(wù)對象、網(wǎng)絡(luò)架構(gòu)和承載資源等方面進(jìn)行了技術(shù)變革，但都依賴于增加信息傳輸?shù)奈锢砭S度、通過技術(shù)堆疊處理來逼近香農(nóng)信息論極限。

隨著通信系統(tǒng)與各垂直行業(yè)領(lǐng)域的緊密結(jié)合，面向個(gè)人、行業(yè)等用戶的智能需求將被進(jìn)一步挖掘，這對通信系統(tǒng)準(zhǔn)確傳遞信息含義提出更高要求。而以香農(nóng)信息論為基礎(chǔ)的傳統(tǒng)通信系統(tǒng)并不關(guān)注信息中承載的含義，只關(guān)注每個(gè)傳輸比特的正確接收。這導(dǎo)致不必要的通信資源耗費(fèi)，難以滿足未來通信持續(xù)發(fā)展的需求。語義通信通過交叉融合人工智能與通信技術(shù)，深度挖掘信息本身的語義維度，引入語義層次的信息，關(guān)注傳輸信息內(nèi)容而非編碼符號，更加滿足未來通信需求。通過充分利用語義層面信息的高度抽象、智能簡約等特性，語義通信將變革經(jīng)典香農(nóng)信息論框架，有望突破經(jīng)典通信系統(tǒng)的傳輸瓶頸，形成智能化的新型通信體系[2]。

當(dāng)前，語義通信尚處于研究初期，構(gòu)建統(tǒng)一的、具有泛化價(jià)值的性能評估體系對語義通信的發(fā)展至關(guān)重要。本文圍繞評估體系在語義通信系統(tǒng)設(shè)計(jì)實(shí)現(xiàn)中的作用展開探討，并在分析現(xiàn)有通信系統(tǒng)評估指標(biāo)的基礎(chǔ)上提出具有泛化性的語義通信評估體系，為語義通信的發(fā)展奠定基礎(chǔ)。

1 語義通信性能評估體系需求

當(dāng)前，語義通信尚處于研究初期，語義通信理論在代表性的人-機(jī)、機(jī)-機(jī)等智能交互場景中快速發(fā)展，關(guān)鍵性成果不斷涌現(xiàn)，系統(tǒng)性能增益更加顯著。然而，由于缺乏統(tǒng)一且具有泛化價(jià)值的性能評估體系，語義通信研究成果的可理解性有所欠缺，成果間的橫向?qū)Ρ入y以實(shí)現(xiàn)。

一般而言，準(zhǔn)確性與時(shí)效性是評價(jià)通信系統(tǒng)性能的兩個(gè)重要指標(biāo)?，F(xiàn)有語義通信相關(guān)研究所采用的評估體系主要由傳統(tǒng)通信系統(tǒng)評估體系演化而來，或由下游語義任務(wù)評估體系遷移而來。對于由傳統(tǒng)通信系統(tǒng)評估體系演化而來的情況，相應(yīng)的準(zhǔn)確性評估指標(biāo)常采用誤比特率，時(shí)效性評估指標(biāo)常采用比特傳輸速率。這類評估指標(biāo)的問題在于無法有效反映通信收發(fā)端語義信息傳遞的能力。對于由下游語義任務(wù)評估體系遷移而來的情況，由于系統(tǒng)模型多采用通信模塊與下游語義任務(wù)模塊組合確定結(jié)構(gòu)、端到端訓(xùn)練固定參數(shù)的方式，這類評估指標(biāo)具有與通信任務(wù)場景、信息模態(tài)高度關(guān)聯(lián)的特征。如面向語義重建的語義通信系統(tǒng)普遍采用原始信息與重建信息的誤差函數(shù)作為準(zhǔn)確性度量，采用壓縮比的函數(shù)作為時(shí)效性度量；而面向文本翻譯、圖像分割等語義任務(wù)的語義通信系統(tǒng)則普遍將模型輸出與監(jiān)督標(biāo)簽的差異作為準(zhǔn)確性度量。

上述各評估指標(biāo)的定義不同，取值范圍存在顯著差異，導(dǎo)致諸多研究的系統(tǒng)模型之間無法橫向貫通。即使針對相同評估指標(biāo)，由于信道、干擾、信源語義特征等差異性存在，不同場景下的語義傳輸方案也無法進(jìn)行有效對比。統(tǒng)一且具泛化價(jià)值的語義通信評估體系，從整體視角對通信系統(tǒng)性能進(jìn)行直觀的評估，不僅能驗(yàn)證系統(tǒng)的合理性，還可以為系統(tǒng)的優(yōu)化改進(jìn)提供參考，進(jìn)而為系統(tǒng)演進(jìn)提供方向。語義通信評估體系相關(guān)研究亟待開展，以便為語義通信的穩(wěn)步發(fā)展夯實(shí)基礎(chǔ)。

2 現(xiàn)有語義通信性能評估指標(biāo)

語義通信性能評估指標(biāo)與具體通信任務(wù)場景、信息模態(tài)高度關(guān)聯(lián)。其中，信息重建任務(wù)廣泛出現(xiàn)在以人類作為最終接收用戶的應(yīng)用場景中，如音視頻通話、多媒體文件云備份等，該類任務(wù)要求在收端將信息恢復(fù)至發(fā)端信息模態(tài)，并盡量保證信息的準(zhǔn)確，性能評估指標(biāo)基于發(fā)送信息與重建信息的差異進(jìn)行定義；非信息重建任務(wù)多出現(xiàn)于人-機(jī)、機(jī)-機(jī)交互場景中，如智能駕駛、工業(yè)物聯(lián)網(wǎng)等，該類任務(wù)要求所發(fā)信息的關(guān)鍵內(nèi)容能夠被理解和應(yīng)用，性能評估指標(biāo)基于所輸出信息與相應(yīng)監(jiān)督標(biāo)簽之間的差異定義。對于信息模態(tài)而言，人類針對文本、圖像/視頻、語音等模態(tài)信息采用不同的重點(diǎn)捕捉方式，各模態(tài)信息的失真無法簡單通過歐氏距離等方式統(tǒng)一度量。各模態(tài)信息所衍生的后續(xù)任務(wù)存在很大差異，文本情感分析、智能問答、圖像分割、語音識(shí)別等任務(wù)均需要定義各自的性能評估指標(biāo)。

基于重建任務(wù)與其他代表性人工智能任務(wù)（例如文本分類、圖像目標(biāo)檢測、語音識(shí)別）的劃分，本節(jié)對文本、圖像/視頻、語音3種常見模態(tài)信息傳輸模型的性能評估指標(biāo)進(jìn)行分析總結(jié)，為后續(xù)構(gòu)建統(tǒng)一、具有泛化性的語義通信性能評估體系奠定基礎(chǔ)。

2.1 面向重建任務(wù)的評估指標(biāo)

2.1.1 文本信息重建

文本信息重建的現(xiàn)有常用衡量指標(biāo)主要為雙語替換評測分?jǐn)?shù)[3]（BLEU），該指標(biāo)最初被用于文本翻譯的質(zhì)量評估。BLEU基于加權(quán)n元模型（n ?gram）精確度進(jìn)行定義，其具體形式為：

其 中 ， pn表 示 n ?gram 精 確 度 ， Countclip(n ?gram)、 Count(n ?gram')分別表示n 長詞組在原始文本X 與重建文本X?中的出現(xiàn)次數(shù)。BLEU 的物理意義是衡量重建文本的所有n長詞組中同時(shí)出現(xiàn)在原始文本中的數(shù)量占比。盡管作為最為常用的文本信息重建衡量指標(biāo)，BLEU仍無法實(shí)現(xiàn)對于詞匯語義的理解[4]，存在未考慮到詞匯語料的召回率[5]等不足。

2.1.2 圖像/視頻信息重建

現(xiàn)有圖像/視頻信息重建的常用衡量指標(biāo)包括峰值信噪比（PSNR）與多尺度結(jié)構(gòu)相似性[6]（MS ?SSIM）。PSNR 定義為均方誤差（MSE）的對數(shù)函數(shù)。對于動(dòng)態(tài)范圍N 的圖像/視頻幀，PSNR計(jì)算如下：

MS ?SSIM將人眼生理特性納入考慮：人眼在衡量兩幅圖的相似性時(shí)，對于兩幅圖的局部結(jié)構(gòu)差異更為敏感。故一方面，MS ?SSIM 的運(yùn)算基于一定尺寸的圖像塊；另一方面，MS ?SSIM 通過分別定義亮度、對比度、結(jié)構(gòu)對比函數(shù)，將3 類信息拆分，賦予它們不同的權(quán)重并獨(dú)立進(jìn)行對比。相較于PSNR，MS ?SSIM的評估結(jié)果更符合人眼感知。MS ?SSIM的計(jì)算方式為：

其中，降采樣次數(shù)M、亮度權(quán)重αM、對比度權(quán)重βJ、結(jié)構(gòu)對比權(quán)重γJ為超參數(shù)，其常用取值為：M = 5, β1= γ1=0.044 8, β2= γ2= 0.285 6, β3= γ3= 0.300 1, β4= γ4=0.236 3, α5=β5= γ5= 0.133 3。XM、分別為原圖及重構(gòu)圖像/視頻幀的M級降采樣結(jié)果。

C1=(k1N)2、C2=(k2N)2、C3= C2/2 為固定參數(shù)，用于防止除法運(yùn)算問題的產(chǎn)生。N為圖像/視頻幀的動(dòng)態(tài)范圍，k1= 0.01、k2= 0.03為經(jīng)驗(yàn)取值。

近年的相關(guān)工作[8-9]多采用PSNR與MS ?SSIM指標(biāo)并行的方式。此外，文獻(xiàn)[8]還采用了對數(shù)形式的MS ?SSIM 指標(biāo)，以應(yīng)對MS ?SSIM取值范圍過小的問題。

2.1.3 語音信息重建

語音信息重建的現(xiàn)有衡量指標(biāo)包括語音質(zhì)量感知評估[10]（PESQ）與短時(shí)客觀可懂度[11]（STOI）等。早期語音質(zhì)量衡量主要通過主觀打分方式獲得平均意見值（MOS）。PESQ是用于模擬MOS打分的音頻質(zhì)量評價(jià)算法，其定義為：

其中，dSYM與dASYM分別為算法求得的語音信息對稱與非對稱干擾，反映重建模型的預(yù)測精度和概括能力。PESQ是對重建語音信號可理解程度的衡量，側(cè)重人的主觀感受，在早期的無線通信系統(tǒng)中廣泛使用。

同樣被廣泛使用的指標(biāo)還包括STOI。STOI 是對重建語音信息失真程度的客觀度量，其取值與基于人工智能的語音識(shí)別等下游任務(wù)性能相關(guān)。具體而言，首先定義?(k,m)為第m 幀語音信號的第k 個(gè)離散傅里葉變換（DFT）波瓣，計(jì)算第m幀語音信號的第j個(gè)1/3倍頻程范數(shù)Xj(m)。

其中，k1(j)、k2(j)為定義的取值邊界。同理，可定義重建語音信號的相應(yīng)范數(shù)Yj(m)，計(jì)算Yj(m) 的歸一化形式

2.2 面向其他人工智能任務(wù)的評估指標(biāo)

2.2.1 文本分類

文本分類是自然語言處理領(lǐng)域的典型任務(wù)，其目的在于通過人工智能為文本信息按照一定的標(biāo)準(zhǔn)進(jìn)行標(biāo)記，可細(xì)分為情感分析、主題分類、問答任務(wù)、意圖識(shí)別等多種應(yīng)用場景。以單標(biāo)簽二分類的情感分析任務(wù)為例，現(xiàn)有評價(jià)指標(biāo)主要為分類準(zhǔn)確率與F 分?jǐn)?shù)[13]（F ?score），具體計(jì)算邏輯如下：

按照各樣本的分類結(jié)果與真實(shí)標(biāo)簽，可將各樣本的分類結(jié)果分為真陽性（TP）、真陰性（TN）、假陽性（FP）、假陰性（FN），如表1 混淆矩陣所示。在此基礎(chǔ)上，準(zhǔn)確率定義為經(jīng)模型正確分類的樣本占總樣本的比例，是對任務(wù)性能最簡單直觀的度量。在實(shí)際應(yīng)用場景中，F(xiàn)N與FP的代價(jià)可能是不同的，準(zhǔn)確率指標(biāo)無法對其進(jìn)行細(xì)化評估，而F分?jǐn)?shù)彌補(bǔ)了這方面的不足。

2.2.2 圖像目標(biāo)檢測

圖像目標(biāo)檢測的目的在于通過人工智能判斷出圖像中物體的類別與相應(yīng)位置。圖像目標(biāo)檢測任務(wù)的現(xiàn)有評價(jià)指標(biāo)主要為平均精確度均值（mAP），其定義為各類目標(biāo)查準(zhǔn)率（P）-查全率（R）曲線下方面積的均值。

▼表1 二分類任務(wù)混淆矩陣

具體而言，首先，根據(jù)目標(biāo)檢測結(jié)果Bp的置信度，以及Bp與真實(shí)結(jié)果Bgt的重合程度（可用兩者的交并比IoU 度量，，可將檢測結(jié)果分為如表2 混淆矩陣所示的TP、TN、FP、FN；其次，由檢測順序中TP、FP數(shù)量的累加情況計(jì)算查準(zhǔn)率與查全率的累加值：

然后，對于各類目標(biāo)樣本，以查全率為橫坐標(biāo)，以查準(zhǔn)率為縱坐標(biāo)，繪制P-R曲線并計(jì)算精確度均值（AP）；最后，由AP 加權(quán)平均可得mAP，即分別為目標(biāo)類別數(shù)量與該類別樣本數(shù)量。

目前，基于上述定義的mAP 指標(biāo)在現(xiàn)有工作[16]中已被廣泛使用。值得注意的是，在如圖像檢索等實(shí)例級圖像任務(wù)中，存在另一種基于整圖匹配結(jié)果定義的mAP 指標(biāo)（已應(yīng)用在文獻(xiàn)[17]的端到端車輛重識(shí)別系統(tǒng)中）。兩者的運(yùn)算邏輯一致，僅在混淆矩陣定義上存在差異。

2.2.3 語音識(shí)別

語音識(shí)別的目的在于通過人工智能實(shí)現(xiàn)語音信息到文本信息的模態(tài)轉(zhuǎn)換過程。語音識(shí)別任務(wù)的現(xiàn)有評價(jià)指標(biāo)主要為準(zhǔn)確率ACCURACY。準(zhǔn)確率可基于字錯(cuò)誤率（WER）定義，即：

▼表2 目標(biāo)檢測任務(wù)混淆矩陣

整體而言，語義通信評價(jià)指標(biāo)存在以下問題：

1）現(xiàn)有評價(jià)指標(biāo)普遍從具體的重建任務(wù)/人工智能任務(wù)直接遷移而來，側(cè)重于反映任務(wù)完成的準(zhǔn)確性維度，忽視了時(shí)效性維度。語義通信系統(tǒng)追求的是在有限帶寬資源消耗與時(shí)延下的任務(wù)完成準(zhǔn)確性，而非不計(jì)成本地逼近準(zhǔn)確性上限。

2）不同任務(wù)場景/模態(tài)信息下的評估指標(biāo)不互通，性能評估結(jié)果不易理解。在語義通信過程中，受通信意圖變化的影響，系統(tǒng)的評估指標(biāo)會(huì)不斷發(fā)生變化，造成通信質(zhì)量評估混亂。

3）各評價(jià)指標(biāo)的取值范圍、量綱不一致，給性能的橫向?qū)Ρ葞砝щy。如上文中所提到的PESQ、PSNR指標(biāo)與文本分類和語音識(shí)別準(zhǔn)確率指標(biāo)存在明顯差異。這種差異主要表現(xiàn)在取值范圍與物理意義方面。

綜上所述，對于語義通信系統(tǒng)的評價(jià)指標(biāo)，一方面，應(yīng)在選取應(yīng)用任務(wù)導(dǎo)向的準(zhǔn)確性指標(biāo)的同時(shí)，引入時(shí)效性指標(biāo)以進(jìn)行制約；另一方面，應(yīng)篩選物理意義相似的指標(biāo)以組成指標(biāo)集合，并設(shè)計(jì)指標(biāo)的標(biāo)準(zhǔn)化邏輯統(tǒng)一取值范圍，使在不同任務(wù)場景下構(gòu)建的語義通信系統(tǒng)之間能夠進(jìn)行橫向性能對比。對于包含不同通信意圖的語義通信系統(tǒng)，它們的具體實(shí)現(xiàn)需要與場景、應(yīng)用緊密結(jié)合。從整體視角進(jìn)行直接的性能評估，有助于系統(tǒng)之間橫向貫通，促進(jìn)系統(tǒng)的迭代演進(jìn)。

3 語義通信性能評估新角度

為解決現(xiàn)有語義通信性能評估指標(biāo)存在的問題，我們提出語義通信效率指標(biāo)Esc與語義通信效用指標(biāo)Usc，并以語義圖像重建與語音重建任務(wù)為例，搭建端到端語義通信仿真系統(tǒng)，基于所提指標(biāo)對仿真系統(tǒng)性能進(jìn)行評估。

3.1 新評估指標(biāo)定義

其中，γ表示給定的通信資源條件，包含信噪比（SNR）與帶 寬 等 參 數(shù) ； ACC ∈{g(BLEU,MS ?SSIM,TOP ?n ACCURACY,mAP,…)}、TIM ∈{ f(計(jì)算時(shí)延,傳輸時(shí)延,端到端時(shí)延,…) }分別為語義任務(wù)相關(guān)的準(zhǔn)確性與時(shí)效性評價(jià)指標(biāo)，g(?)與f(?)分別為相應(yīng)的變換函數(shù)；ACCmin與ACCth分別為特定語義任務(wù)的準(zhǔn)確性下界與優(yōu)化邊界，TIMth為特定語義任務(wù)時(shí)效性優(yōu)化邊界。這里，超越邊界的準(zhǔn)確性或時(shí)效性指標(biāo)的取值不存在或不具備進(jìn)一步優(yōu)化的需求。

標(biāo)準(zhǔn)化操作旨在規(guī)范不同評估指標(biāo)的取值尺度，剔除語義任務(wù)難易度差異對語義通信系統(tǒng)性能評估產(chǎn)生的影響。進(jìn)一步地，基于上述標(biāo)準(zhǔn)化指標(biāo)，我們定義語義通信效率指標(biāo)Esc：

語義通信效率指標(biāo)Esc∈[0, 1]旨在衡量通信系統(tǒng)在給定通信資源下、在單位時(shí)間開銷內(nèi)的任務(wù)完成準(zhǔn)確性。當(dāng)通信系統(tǒng)的準(zhǔn)確性指標(biāo)增大或時(shí)效性指標(biāo)減小時(shí)，Esc會(huì)增大，即Esc越接近1，系統(tǒng)的語義通信效率越高。

語義通信效用指標(biāo)Usc為：

其中，λ表示加權(quán)因子，用于權(quán)衡準(zhǔn)確性需求和時(shí)效性需求的比重。語義通信效用指標(biāo)Usc∈[0, 1]旨在衡量通信系統(tǒng)在給定通信資源下，對于任務(wù)性能上限的接近程度。當(dāng)系統(tǒng)側(cè)重于任務(wù)完成準(zhǔn)確性或時(shí)效性時(shí)，Usc的前項(xiàng)或后項(xiàng)會(huì)增大，但另一項(xiàng)會(huì)相應(yīng)減小。Usc越接近1，系統(tǒng)在準(zhǔn)確性與時(shí)效性兩方面的綜合效用表現(xiàn)越高。

3.2 新性能指標(biāo)分析與評估

本文首先以圖像重建任務(wù)為例，選取車聯(lián)網(wǎng)領(lǐng)域的傳感器擴(kuò)展應(yīng)用作為具體驗(yàn)證場景，基于上述評估指標(biāo)進(jìn)行仿真分析。傳感器擴(kuò)展應(yīng)用要求車輛、行人、交通設(shè)施等通信節(jié)點(diǎn)之間能夠?qū)崿F(xiàn)傳感器所采集的圖像/視頻信息的實(shí)時(shí)交互，對數(shù)據(jù)傳輸?shù)臏?zhǔn)確性、時(shí)效性均有較高要求。

針對上述應(yīng)用場景，準(zhǔn)確性指標(biāo)ACC 轉(zhuǎn)換為對數(shù)形式MS ?SSIM，時(shí)效性指標(biāo)TIM 為傳輸時(shí)延，變換函數(shù)g(?)與f(?)均選取恒等函數(shù)，即：

根據(jù)第3代合作伙伴計(jì)劃（3GPP）制定的《5G NR Rel-16 V2X車聯(lián)網(wǎng)標(biāo)準(zhǔn)》，準(zhǔn)確性邊界、時(shí)效性邊界與通信參數(shù)如表3所示。

▼表3 通信模型仿真參數(shù)

進(jìn)一步地，我們搭建包含圖像壓縮重建、信道編碼與調(diào)制模塊在內(nèi)的端到端通信仿真模型，基于選定指標(biāo)進(jìn)行驗(yàn)證。圖像壓縮重建模塊基于文獻(xiàn)[19]的網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)，并分別采用ImageNet數(shù)據(jù)集、Cityscapes數(shù)據(jù)集進(jìn)行訓(xùn)練和驗(yàn)證。圖像壓縮重建模塊在訓(xùn)練過程中采用了4組不同的率失真參數(shù)α ={256, 512, 1 024, 2 048}。采用更高的α 參數(shù)訓(xùn)練的模型會(huì)更傾向于降低圖像壓縮比以換取更高的重建質(zhì)量。模型采用低密度奇偶校驗(yàn)碼（LDPC）進(jìn)行信道編碼，并根據(jù)信噪比條件將LDPC 碼率控制在1/5～8/9 之間。調(diào)制方式采用二進(jìn)制相移鍵控（BPSK）。

圖1 給出了語義通信效率Esc與通信系統(tǒng)信噪比的關(guān)系曲線。隨著信噪比的上升，包含不同參數(shù)的語義任務(wù)模型均表現(xiàn)出更高的語義通信效率。此外，采用高α參數(shù)訓(xùn)練的模型對信噪比的變化更為敏感，在低信噪比條件下表現(xiàn)出明顯的性能劣化，同時(shí)在高信噪比條件下具有更高的性能上限。這是由于此類模型在低信噪比條件下產(chǎn)生了過多的編碼開銷以保護(hù)信息不被噪聲破壞，從而無法滿足任務(wù)的時(shí)效性需求；在高信噪比條件下，通信所需的編碼冗余顯著減少。此類模型能夠在時(shí)效性不超出閾值的前提下，實(shí)現(xiàn)更高的任務(wù)準(zhǔn)確性。

▲圖1 圖像重建任務(wù)語義通信效率Esc與信噪比的關(guān)系曲線

圖2給出了λ = 5條件下語義通信效用Usc與通信系統(tǒng)信噪比的關(guān)系曲線?？紤]到實(shí)際語義任務(wù)場景中存在對準(zhǔn)確性或時(shí)效性更為側(cè)重的情況，參數(shù)λ使效用指標(biāo)更為真實(shí)地反映語義任務(wù)需求。本部分以準(zhǔn)確性需求導(dǎo)向的任務(wù)為例。隨著信噪比的上升，4組模型的語義通信效用均表現(xiàn)出與直覺吻合的上升趨勢。即使在低信噪比條件下，高α參數(shù)模型表現(xiàn)出較高的準(zhǔn)確性與較低的時(shí)效性，其語義通信效率劣于低α參數(shù)模型。但由于任務(wù)對于準(zhǔn)確性需求的側(cè)重，高α參數(shù)模型具有更高的語義通信效用。圖3與表4分別展示了典型圖像經(jīng)語義圖像重構(gòu)模型仿真?zhèn)鬏敽蟮目梢暬Y(jié)果與具體性能參數(shù)。高α參數(shù)模型表現(xiàn)為更出色的圖像重建質(zhì)量（紅綠燈的色彩更準(zhǔn)確，建筑物、地磚的細(xì)節(jié)更清晰）與更高的圖像傳輸時(shí)延開銷，在較好的信道條件下，其傳輸時(shí)延未超出閾值，故高α參數(shù)模型具有更高的語義通信效率與語義通信效用。

▲圖2 圖像重建任務(wù)語義通信效用Usc與信噪比的關(guān)系曲線（λ = 5）

▲圖3 通信模型可視化結(jié)果

▼表4 通信模型性能參數(shù)

接著我們以語音信息重建任務(wù)為例，構(gòu)建應(yīng)用自適應(yīng)多速率寬帶（AMR ?WB）語音編碼的高清語音通信模型，并基于上述評估指標(biāo)進(jìn)行仿真分析。準(zhǔn)確性指標(biāo)ACC轉(zhuǎn)換為寬帶語音質(zhì)量感知評估（WB ?PESQ），時(shí)效性指標(biāo)TIM 為傳輸時(shí)延，變換函數(shù)g(?)與f(?)均選取恒等函數(shù)，即：

同時(shí)，準(zhǔn)確性邊界、時(shí)效性邊界與通信參數(shù)如表3所示。

本文采用日本電報(bào)電話公司（NTT）寬帶語音數(shù)據(jù)集[20]的美式英語子集進(jìn)行驗(yàn)證，同時(shí)為AMR ?WB編碼設(shè)定4組不同的速率參數(shù)α ={12.65,15.85,19.85,23.85 (kbit/s)}。采用更高碼率的模型會(huì)更傾向于降低壓縮比以獲得更高的重建質(zhì)量。模型同樣采用LDPC 信道編碼與BPSK 調(diào)制方式，并根據(jù)信噪比條件將LDPC的碼率控制在1/5～8/9之間。

圖4給出了λ = 1/5條件下語義通信效率Esc與效用Usc隨通信系統(tǒng)信噪比的變化趨勢曲線。與面向圖像重建任務(wù)的語義通信系統(tǒng)相似，隨著信噪比的上升，效率與效用指標(biāo)均表現(xiàn)出上升趨勢。同時(shí)，在語義效用Usc方面，低速率編碼方案具有更顯著的優(yōu)勢，能夠反映出系統(tǒng)對時(shí)效性需求的側(cè)重。在上述面向圖像與語音重建任務(wù)的通信模型仿真中，除帶寬之外的通信參數(shù)都是一致的。語義通信效率指標(biāo)與效用指標(biāo)的評估結(jié)果表現(xiàn)出統(tǒng)一性，為兩者的橫向性能對比提供指導(dǎo)。帶寬參數(shù)的設(shè)定與信息模態(tài)相關(guān)，它所產(chǎn)生的影響可通過對變換函數(shù)進(jìn)一步設(shè)計(jì)來消除。

▲圖4 語音重建任務(wù)語義通信效率Esc與效用Usc隨信噪比的關(guān)系曲線（λ = 1/5）

4 結(jié)束語

通過融合人工智能與通信技術(shù)，充分利用語義層面信息的高度抽象、智能簡約等特性，語義通信有望形成突破經(jīng)典通信系統(tǒng)傳輸瓶頸的智能新型通信體系。由于語義通信尚處于研究初期，統(tǒng)一且具泛化價(jià)值的性能評估體系的缺失，阻礙了關(guān)鍵性成果間的橫向貫通與對比。本文通過分析語義通信評估痛點(diǎn)，提出語義通信效率指標(biāo)Esc與語義通信效用指標(biāo)Usc。該指標(biāo)具有更好的泛用性，且為不同任務(wù)場景、模態(tài)信息下的語義通信模型的橫向性能對比提供指導(dǎo)，進(jìn)而促進(jìn)語義通信的快速發(fā)展。