人工智能技術在認知無線電中的應用詳解

　　1 認知循環與認知引擎

　　認知無線電從對環境的感知和分析到做出相應的智能決策和行動的認知過程可以用一個完整的OOPDAL 認知環路來表示，如圖1 所示。

　　圖1 認知環路其中貫穿了2個過程： 一個是決策環路（外環），另一個是學習環路（內環）。在外環中推理的效能對于做出正確的決策起到至關重要的作用，而學習則是實現知識積累、提高推理效能、連接內環和外環的關鍵，推理和學習是體現CR 智能行為的2 個主要特征。

　　認知引擎（cognitive engine， CE）就是在可重配置的無線電硬件平臺基礎上，實現基于人工智能技術的推理與學習，并做出優化決策的智能主體，是實現CR 智能的核心功能模塊。認知引擎要成為CR 的智能主體需要具備3 個基本功能：

　　觀察： 收集關于運行環境，無線電自身能力和特征的信息；

　　認知： 理解環境和無線電的能力，能夠做出相應的決策行動，并學習這些行動對無線電性能及網絡性能的影響；

　　重配置： 改變無線電的運行參數。

　　認知引擎的工作過程如下： 根據外界無線環境、CR 自身狀態和用戶需求等輸入信息（觀察），對情況進行分析，做出合適的反應（認知），最后將決策輸出（重配置）。認知引擎的工作過程正是認知環路的一個循環 過程，因而，可以說認知引擎是推動認知環路運行的源動力。雖然認知引擎的共同目標都是推動整個認知環路的循環反復，但應用不同的人工智能技術決定了各種 CR 系統中認知引擎的不同工作方式和功能。

　　2 CR 中常用的人工智能技術

　　體現認知無線電智能的過程包括推理、學習和智能優化的過程。推理是根據知識庫中已有的知識和當前計劃進行決 策的過程，而學習是一個長期的過程，包括對過去行為及執行結果的知識積累，學習使得知識庫不斷充實，以提高認知無線電未來推理的效能。優化能進一步提高參 數配置的性能，以使得用戶服務需求最大化。

　　2. 1 推理系統

　　常用于認知無線電系統中的推理系統主要包括基于規則的推理和基于案例的推理。基于規則的推理在人工智能領域常被用來構建專家系統，而基于案例的推理除了推理，還包括學習的過程，2 種推理系統各有其特點：

　　2. 1. 1 基于規則的推理

　　基于規則的推理（rulebased reasONing， RBR）系統包括知識庫和推理引擎2 部分，首先領域專家將知識編寫為規則存入知識庫中，隨后推理引擎根據輸入和知識庫中的規則進行推理，最后決定執行的動作。RBR 系統執行簡單，只要正確全面地將領域知識編為規則，無線電就可以根據輸入快速地輸出動作，但是其對規則的準確性和完備性要求較高，如果領域知識沒有被很好 地表達，就會得到錯誤的推理結果，并且當系統處理復雜問題時，規則之間容易發生沖突，影響系統正常運行。此外，當系統面對未知的新環境時缺乏學習的能力。 因而，RBR 在認知無線電中的應用受限。

　　2. 1. 2 基于案例的推理

　　基于案例的推理（casebased reasoning， CBR）是根據已經掌握的一些問題的解決方法來獲取相似的新問題的解決方法。CBR 的特點在于它模仿人類的思維過程，當遇到新問題時能夠根據以往的經驗得出解決方法，并將新案例存入知識庫，從而實現系統增量式的學習。應用CBR 的認知無線電系統可以不斷地學習和適應新環境，無需領域知識，認知無線電就能夠具備自學習的能力。

　　在實際系統中，人們通常還會將RBR 與CBR 的方法結合起來使用，當知識庫中的規則可以解決當前問題時，直接應用推理即可，當規則不足時，則通過案例學習豐富系統知識從而做出正確的推理決策。

　　2. 2 機器學習方法

　　機器學習是研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身性能的一門學科，是人工智能中很重要的一個領域。下面介紹幾種CR 中常用的學習方法。

　　2. 2. 1 人工神經網絡

　　人工神經網絡（artificial neural networks， ANN）是受到人類大腦神經元的工作方式所啟發，發展出的一種信息處理系統。人工神經網絡具有自學習和自適應的能力，可以通過預先提供的一組輸入輸出數 據，分析掌握二者之間潛在的規律，根據這些規律，用新的輸入數據來推算輸出結果。ANN 因其動態自適應性，可用來學習非線性系統的復雜模式及屬性，已被用來解決認知無線電中頻譜感知，信號分類以及自適應配置參數等問題。

　　2. 2. 2 強化學習

　　強化學習是用來解決能夠感知環境的系統通過學習選擇能夠達到其目標的最優動作的問題。當系統在環境中做出每個動作后，通過設定相應的獎懲機制， 使系統能夠從這個非直接的回報中學習，以便后續動作產生最大的累積回報。強化學習可以在沒有訓練序列的情況下應用，其目標是使長期的在線性能最大化，因此 它適用于認知無線網絡的學習，如未授權用戶通過用強化學習的方法探索可能的傳輸策略同時發掘相關知識，通過調整傳輸參數，達到限定條件下（如干擾溫度受 限）的目標（如最大化吞吐量）。

　　2. 2. 3 貝葉斯學習

　　貝葉斯學習利用樣本信息的后驗概率和參數的先驗概率求總體，是一種直接利用概率實現學習和推理的方法。貝葉斯學習可以根據過去的經驗提高未來的決策能力，在通信系統中可用于問題的抽取、收集和存儲。

　　其他學習方法還包括決策樹、模糊邏輯、博弈論和聚類等，在實際的認知無線電系統設計中，需要根據應用場景和目標的不同，選擇不同的機器學習方法。

　　2. 3 智能優化算法

　　根據環境變化和用戶需求智能調整無線電參數是認知無線電的基本功能，參數調整需滿足信道條件、用戶需求和制度限定等多方面的要求，因此，認知無 線電要能在多個目標函數間進行權衡，并給出一種符合多條件限制的折衷參數配置方案。智能優化算法模擬生物或自然界的現象，適用于CR 的參數配置問題。下面簡單介紹幾種常用的智能優化算法。

　　2. 3. 1 遺傳算法

　　遺傳算法借鑒生物進化的原理，通過自然選擇、遺傳和變異等操作，模擬自然進化過程來尋找所求問題的答案。它在CR 中的基本思想是把無線電類比為一個生物系統，將無線電的特征定義為一個染色體，染色體的每個基因對應電臺一個可變的參量，通過遺傳算法的進化得到滿足用戶 服務質量要求的系統配置，但其有效性更多依賴于合適的參數選擇。

　　2. 3. 2 模擬退火算法

　　這種算法模擬熱力學中退火過程，通過模擬的降溫過程按玻耳茲曼方程計算狀態間的轉移概率來引導搜索，以一定的概率選擇鄰域中目標值相對較小的狀態，避免陷入局優，使算法具有很好的全局搜索能力。該算法執行容易，但收斂速率較慢。

　　2. 3. 3 禁忌搜索算法

　　這種方法的基本思想是在搜索過程中將近期的搜索過程存放在禁忌表中，阻止算法重復進入，禁忌表模擬人類的記憶功能，能夠大大提高尋優過程的搜索效率。

　　其他優化算法還包括粒子群優化算法和蟻群優化算法等。智能優化算法不僅可以用來推理或通過目標函數尋找最優解，還可以通過訓練樣例來學習搜索空間中能夠達到目標的一些規則。盡管各種算法有不同的特點，但共同的應用目的都是通過學習廣泛的樣例，形成對目標的解決方案。

　　3 人工智能技術的CR 應用實例

　　Newman等人研究的基于CBR的認知引擎已經應用在IEEE 802. 22 的無線區域網（WRAN）中，這個CE的架構如圖2 所示。

　　圖2IEEE 802. 22 的無線區域網認知引擎模型：其中，無線環境圖（REM）是由分布的無線網絡節點和網絡設施具備的信息數據庫，包括地理信息、服務和網絡信息、政策信息、無 線電設備的配置能力及過去的經驗。REM 中的信息通過不斷觀察CR 節點的狀態進行更新，并在CR網絡中傳播。REM通過提取無線環境的特征，為CE的工作做準備，該認知引擎結合了基于知識的學習和基于案例的學習方法，可 以大大減少認知無線電的執行功率和自適應時間。

　　J.H. Reed 等人開發的認知無線電測試平 臺CoRTekS 基于ANN 技術。無線電可以改變調制類型、傳輸功率、設置頻率和帶寬，同時最優化3個目標：用戶服務質量、最大化吞吐量以及最小化傳輸功率。系統通過周期訓練 ANN， 并觀察相應的結果，使CE 逐漸學到了在某個場景下，無線電參數設置與系統性能間的映射關系，從而在給定的信道狀態和用戶需求下，CE 能夠選擇使目標函數最大的設置。

　　美國維吉尼亞工學院的無線通信中心的研究人員Rieser等人提出了一種基于遺傳算法的認知引擎模型：BioCR。其功能和執行流程如圖3所示。

　　該模型包括無線系統遺傳算法模塊（WSGA），無線信道遺傳算法模塊（WCGA）和認知系統檢測器模塊（CSM），系統對當前環境下運行的無線電給出一種參數配置的方法，該配置可被修正多次，直到其真正滿足目標需求。

　　4 結束語

　　人工智能技術是實現認知無線電的核心，該文回顧了一些在認知引擎設計中普遍應用的人工智能技術，并介紹了幾種典型的應用不同人工智能技術的認知 引擎。經驗證明要設計出性能完備的認知引擎，往往需要將多種人工智能技術結合起來，選擇什么樣的人工智能技術取決于認知無線電的應用需求，需要設計者在系 統的反應時間、執行的復雜程度、可提供的訓練樣例和系統魯棒性等因素間進行權衡。隨著人工智能技術的不斷發展，認知引擎必將變得更加智能，認知無線電也會 迎來更加廣泛的應用前景。