摘要：用户数量的增加和用户对服务质量（QoS）要求的持续提高，利用有限的频谱资源处理大量的数据给5G通信网络带来了巨大挑战。现有接入方案在多用户通信场景中没有充分利用信道传输能力，为此提出了语义特征多址接入（SFDMA）方案。该方案将多用户信息编码为近似正交的语义特
【语义通信与语义信息论
基础理论与关键技术】专题
语义特征多址接入技术
111112 ，石光明2,3（1.中国矿业大学，江苏 徐州 221116；
2.鹏城实验室，广东 深圳 518066；
3.西安电子科技大学，陕西 西安 710071）
【摘 要】用户数量的增加和用户对服务质量（QoS）要求的持续提高，利用有限的频谱资源处理大量的数据给5G通信网络带来了巨大挑战。现有接入方案在多用户通信场景中没有充分利用信道传输能力，为此提出了语义特征多址接入（SFDMA）方案。该方案将多用户信息编码为近似正交的语义特征，以支持面向重构的广播语义通信，从而有效减少多用户间干扰。此外，设计了基于Swin-Transformer的SFDMA广播模型，并进一步设计了SFDMA硬件平台，验证了其性能。实验结果证明所提出的SFDMA方案在图像重建任务中展现出优越重构质量与隐私保护性，为多用户干扰网络中的信息处理提供了新思路。
【关键词】广播语义通信；语义特征多址接入；图像重构
doi:10.3969/j.issn.1006-1010.20250526-0001
中图分类号：TN911.4 文献标志码：A
文章编号：1006-1010(2025)07-0048-07
引用格式：孙志烨,李兰英,施守涵,等. 语义特征多址接入技术[J]. 移动通信, 2025,49(7): 48-54.
SUN Zhiye, LI Lanying, SHI Shouhan, et al. Semantic Feature Domain Multiple Access[J]. Mobile Communications, 2025,49(7): 48-54.
0 引言
多用户广播通信是无线通信网络中最常见的场景之一，随着通信技术的不断发展，对多用户间干扰抑制的研究也日趋深入。OMA技术通过为单个用户分配唯一的无线资源，有效解决了多用户间的干扰问题。例如，频分多址（FDMA, Frequency Division Multiple Access）将频谱划分为互不重叠的频率带，每个用户独占一个频率带进行数据传输，实现了多用户间的并行通信。时分多址（TDMA, Time Division Multiple Access）则通过划分时间间隔，使每个用户在特定时段内进行数据传输，确保了多用户通信的并行性。而码分多址（CDMA, Code Division Multiple Access）则利用不同的伪随机码对用户数据进行编码，使各用户能在相同频率带上同时传输而不相互干扰。正交频分多址（OFDMA, Orthogonal Frequency Division Multiple Access）则通过划分正交子载波，使多个用户能共享相同频率资源，提高了频谱效率和系统容量。空分多址（SDMA, Space Division Multiple Access）技术则利用天线阵列和信号处理技术，实现发射和接收信号的方向性控制，从而在相同频率和时间上实现不同用户数据的传输。通过调整天线阵列的方向性，确保每个用户的信号仅被对应的接收天线接收，进而实现用户间的并行通信。SDMA不仅提高了系统容量和频谱效率，还有效降低了多径干扰，广泛应用于MIMO技术和Wi-Fi系统等无线通信领域。
然而，正交资源的分配限制，OMA方案支持的用户数量有限，频谱效率相对较低，难以满足6G通信的大规模连接需求。为此，NOMA和速率分割多址接入（RSMA, Rate Splitting Multiple Access）等新型接入技术应运而生。NOMA通过叠加编码（SC, Superposition Coding）和SCI在相同时/频资源上叠加用户信号，提高了频谱利用率[1]，RSMA则将用户消息分为私有和公共部分，通过基站进行叠加编码，并由用户端使用串行干扰消除（SIC, Successive Interference Cancellation）进行解码，进一步提升了系统性能。为避免SIC的高复杂度，同一时/频资源中叠加的用户数量通常受限，且可实现的速率也需受到一定限制。值得注意的是，从1G到5G，传统通信研究主要聚焦于通过增加物理资源消耗来实现比特的准确传输，如时域、频域、码域、空域或功率域等[2-6]。面对6G时代的高频谱效率和大规模连接需求，必须探索新的用户多路复用自由度，以突破现有技术的局限，推动通信技术的持续发展。因此多用户语义广播网络将成为典型应用。与点对点语义通信中单用户语义传输不同，多用户语义广播网络不仅要处理语义压缩，还要处理多用户干扰。针对无线图像多播任务，Zhang等人[7]设计了一种SNR自适应的JSCC方案，将同一张图片自适应于不同的信道，稳健地传输到多个用户。针对不同用户接收的不同模态数据的传输任务，采用长短期记忆网络（LSTM, Long Short TermMemory）处理文本和卷积神经网络处理图片，其中用户接收机采用迫零检测器进行多用户干扰消除。在此基础上，Hu等人[8]提出了基于Transformer的语义广播通信系统，其中用户接收机采用线性最小均方误差（L-MMSE, Linear Minimum Mean-Squared Error）检测器抑制多用户干扰。为了提升多用户广播的容量，需要将多址接入技术于语义通信技术相结合，通过正交分配时域、频域、空域、功率域等物理资源来区分多用户。现有的多用户语义广播通信主要采用传统的正交多用户接入，频谱利用率低，非正交多址技术实现的复杂性也使得多用户通信发展面临困境。
因此，为了破解制约语义广播网络容量瓶颈难题，本文拟提出一种挖掘信源-信道-信宿联合特征域的新型多址接入技术：特征多址接入技术。特征多址接入技术利用深度学习提取信源数据的语义特征，进行多用户联合信源-信道-信宿编码，将特征域分离为多个正交语义特征子空间，实现多用户语义信息在分离特征子空间编码传输，从而实现多用户特征多址接入，并显著提升通信网络容量。同时，本课题深入研究了特征多址接入技术的创新应用，提出了一种创新的多用户语义广播特征多址接入技术——SFDMA（Semantic Feature Domain Multiple Access），并基于Swin-Transformer模型，开发了用于多用户干扰网络中图像重建任务的集中式和分布式协调SFDMA。对比了模拟通信和离散通信的特点，所提出的语义编码器将每个用户的语义信息编码为可区分的语义子空间，提取的语义特征近似正交，显著减少了多用户的干扰。更重要的是，SFDMA可以保护用户的语义信息的隐私，其中语义信息只能被相应的语义接收器解码，而不能被其他接收器解码。仿真结果表明相较于现有的通信网络模型，本文提出的面向重构的SFDMA通信网络在重构质量和隐私保护方面有很大提升。
1 系统建模
2 语义特征多址接入
2.1 面向重构任务的SFDMA网络
2.2 训练算法
3 实验结果与分析
3.1 仿真实验
3.2 外场测试
为探索并测试SFDMA在实际通信环境中的有效性，本节设计了基于USRP（Universal Software Radio Peripheral）的SFDMA硬件平台，该方案在硬件上采用USRP设备，在软件上使用GNU Radio实现，其架构如图6所示。
该通信系统首先在GNU Radio中利用Python模块生成比特数据，并加入CRC32校验码。随后，为数据包添加包含13位Barker码和帧长度信息的帧头。接着，数据经过BPSK差分调制和USRP的数字上变频至中频，再通过AD9146 DAC模块转换为模拟射频信号，并经功率放大器调整信号功率。
接收端则先通过低噪声放大器放大接收信号，再由OSC-96MHZ-724821-01晶振将射频信号下变频至中频，并由ADS62P48 ADC模块转换为数字信号。之后，信号经过数字下变频、时钟同步和线性均衡处理。最后，进行BPSK差分解调，并通过匹配帧头的Barker码来识别帧长度和负载数据，负载数据在CRC校验后写入本地文件。
外场测试收发设备如图7所示，其中左图为发射端，中图与右图分别为两个接收端。测试场景中收发端距离约100 m，两个接收端之间距离约60 m，信号频率设置为29 MHz，为缓解远距离传输的衰减，在发射端添加了一个功率放大模块。
如表3所示，与传统语法通信对比，SFDMA重构数据在图像结构性指标如MS-SSIM上，优于语法通信，且处理时延及数据量显著低于语法通信，此外，基于SFDMA可实现多用户数据的同时同频传输。
图8所示为SFDMA方案下图片的接收效果，由于基于Swin-transformer的模型的性能保证了较高的MS-SSIM，因此人脸关键部位的重构得到了保证，如图8（b）所示。与之相对地，传统语法通信缺乏消除噪声干扰的能力，如图8（d）所示，在信道条件较差的情况下，接收效果会出现大量噪点，严重影响图片质量，在极端情况下甚至会导致人脸关键信息丢失。
4 结束语
本文针对5G及未来通信中多用户干扰和频谱效率的挑战，提出了一种语义特征多址接入（SFDMA）方案。该方案将多用户信息编码为近似正交的语义特征，结合Swin-Transformer模型，有效减少了用户间干扰。实验结果表明，SFDMA在图像重建任务中展现出优越的重构质量与隐私保护性，并通过硬件平台初步验证了其在实际环境中降低处理时延和数据量的潜力。SFDMA为多用户干扰网络的信息处理提供了新思路，在提升通信容量与效率方面具有重要前景。未来可进一步优化算法并拓展其在多样化场景中的应用。
[1] Han B, Braud T, Di Francesco M, et al. Guest Editorial: Networking Challenges and Opportunities for Multi-UserXR and the Metaverse[J]. IEEE Network, 2023,37(4): 10-11.
[2] Huang D, Gao F, Tao X, et al. Toward semantic communications: Deep learning-based image semantic coding[J]. IEEE Journal on Selected Areas in Communications, 2022,41(1): 55-71.
[3] Ballé J, Minnen D, Singh S, et al. Variational image compression with a scale hyperprior[J]. IEEE Journal on Selected Areas in Communications, 2022,41(1): 55-71.
[4] Jiang P, Wen C, Jin S, et al. Deep Source-Channel Coding for Sentence Semantic Transmission With HARQ[J]. IEEE Transactions on Communications, 2022,70(8): 5225-5240.
[5] Han B, Braud T, Di Francesco M, et al. Guest Editorial: Networking Challenges and Opportunities for Multi-UserXR and the Metaverse[J]. IEEE Network, 2023,37(4): 10-11.
[6] Saad W, Bennis M, Chen M. A vision of 6G wireless systems: Applications, trends, technologies, and open research problems[J]. IEEE network, 2019,34(3): 134-142.
[7] Zhang G, Hu Q, Qin Z, et al. A Unified Multi-Task Semantic Communication System with Domain Adaptation[Z]. Ithaca: Cornell University Library, arXiv.org, 2022.
[8] Hu Q, Zhang G, Qin Z, et al. Robust semantic communications with masked VQ-VAE enabled codebook[J]. IEEE Transactions on Wireless Communications, 2023,22(12): 8707-8722.
[9] Li L, Tanone R. Disease Identification in Potato Leaves using Swin Transformer[C]//2023 17th International Conference on Ubiquitous Information Management and Communication (IMCOM). 2023: 1-5.
[10] Pan S, Liu Y, Halek S, et al. Multi-dimension unified Swin Transformer for 3D Lesion Segmentation in Multiple Anatomical Locations[C]//2023 IEEE 20th International Symposium on Biomedical Imaging (ISBI). 2023: 1-5.
[11] Xing W, Egiazarian K. Residual Swin Transformer Channel Attention Network for Image Demosaicing[C]//2022 10th European Workshop on Visual Information Processing (EUVIP). 2022: 1-6.
[12] Piao Z, Gu Y H, Yoo S J, et al. Segmentation of Cerebral Hemorrhage CT Images using Swin Tra0nsformer and HarDNet[C]//2023 International Conference on Information Networking (ICOIN). 2023: 522-525.
[13] Liu Y, Hu C, Xu L, et al. Swin Transformer based Unsupervised Network for Low-Light Image Enhancement[C]//2022 China Automation Congress (CAC). 2022: 1838-1843. ★
★原文刊发于《移动通信》2025年第7期★
作者简介孙志烨：中国矿业大学信息与控制工程学院信息与通信工程专业在读硕士研究生，主要研究方向为语义通信和无线通信。
李兰英：
施守涵：
★往期推荐★【6G卫星互联网】2025年第6期专题论文汇总（19篇）
《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
