节借鉴残差神经网络的思想，采用了一种将信道状态信息注入残余状态的方法。尽管模型在 序列处理中会逐步遗忘信道状态，但在一定的序列长度内仍能保持对信道状态的有效记忆。 因此，本节在所有状态中按一定间隔采样部分残余状态，并将信道状态信息注入这些残余状 前文介绍了设计的 Two GSSM withCSI-ReST模块，其能够高效结合信道状态信息以线 性复杂度和动态权重的方式处理全局特征。VSSM-CA以这个模块为核心，首先将输入特征 进行层级归一化，而后将其输入到两个分支中，第二个分支使用全链接层和 SiLU激活函数 将其映射为门控权重。第一个分支将特征使用卷积和 SiLU函数处理，而后从如核心Two GSSM with CSI-ReST 模块处理，并与原始输入进行残差相加。最终输出结构与第二个分支 结果相乘，最终经过全链接层，层级归一化和多层感知机（Multi-Layer Perceptron,MLP)， 形成最后输出。MambaJSCC采用多阶段编解码，每阶段包含一个特征处理模块和数个 VSSM-CA 模块，构成了完整的MambaJSCC联合信源信道编码策略。 5.2.17.2性能评估与仿真结果分析 使用Torch OperationCounter 库统计所需加乘操作次数（MACs），使用Torch 库统计参数量， 并在桌面 GPURTX4090，计算GPUA40 和边缘设备 JETSON AGXORIN上实测计算时延。 中可以看出，在所有数据集和所有指标上，MambaJSCC的性能均超于所有基线方法。例如 在 DIV2K 数据集上，SNR=1dB 时，MambaJSCC 对比 SwinJSCC 增益为 0.36dB。而对比 ADJSCC，MambaJSCC 的增益普遍在1dB 以上。因此，MambaJSCC 具有目前更优秀的定 长编码性能。 5.2.17.3小结 本节简单讨论基于Mamba 模型的新型联合信源信道编码方案可能产生的标准化影响。 其作为骨干模型，具备高性能，轻量化，低时延，易部署等优点，能够被直接应用于JSCC 方案，并有希望与各种场景下先进的 AI技术相结合，推动6G 智慧内生发展。