Deep Joint Semantic Coding and Beamforming for Near-Space Airship-Borne Massive MIMO Network

本文提出了一种深度联合语义编码和波束赋形（JSCBF）方案，用于空中飞艇基于大规模多输入多输出（MIMO）图像传输网络。在这种方案中，源和信道的语义信息被融合起来，共同设计语义编码和物理层波束赋形，以提高传输效率和容量。首先，我们设计了两个语义提取网络，分别从图像源和信道状态信息中提取语义。然后，我们提出了一个语义融合网络，可以将这些语义融合成复杂的语义特征，用于后续的物理层传输。为了在物理层有效地传输融合的语义特征，我们提出了混合数据和模型驱动的语义感知波束赋形网络。在接收端，设计了一个语义解码网络，用于重构传输的图像。最后，我们进行端到端的深度学习，使用接收端的图像重构质量作为度量标准来联合训练所有模块。该JSCBF方案充分结合了语义通信的高效源压缩性和强大的纠错能力与大规模MIMO的高频谱效率，实现了比现有方法更显著的性能提升。由于空中飞艇可以长期停留在平流层高度，因此近空间飞艇载通信网络被认为是未来综合地面-空中-空间网络中不可或缺的组成部分，但它迫切需要可靠和高效的飞艇到X的链接。

如何在空中实现可靠高效的空中舰载通信网络？

将语义通信与大规模MIMO技术相结合，提出了深度联合语义编码和波束成形（JSCBF）方案，通过将源和信道的语义融合来联合设计语义编码和物理层波束成形，从而实现了空中舰载通信网络的高效传输。

论文设计了两个语义提取网络来从图像源和信道状态信息中提取语义，然后提出了一个语义融合网络，将这些语义融合成复数值语义特征进行后续的物理层传输。为了在物理层高效传输融合的语义特征，论文提出了混合数据和模型驱动的语义感知波束成形网络。最后，论文进行了端到端的深度学习，使用接收端的图像重建质量作为指标来联合训练所有模块。

近期相关研究包括：1. 'Airship-based Communication Networks: A Survey'；2. 'Deep Learning for Massive MIMO CSI Feedback: A Survey'；3. 'Joint Semantic and Channel Coding for Airborne Visible Light Communication Systems'。