引言

　　20世紀(jì)以來，隨著無線業(yè)務(wù)呈幾何級數(shù)的增長，頻譜短缺已成為制約無線電通信系統(tǒng)建設(shè)和發(fā)展的瓶頸 。然而現(xiàn)有無線系統(tǒng)基于靜態(tài)的頻譜分配政策，導(dǎo)致了寶貴頻譜資源的嚴(yán)重浪費(fèi) 。為了解決無線通信服務(wù)需求與頻譜資源緊張之間的矛盾，提高頻譜利用率，需要一種更智能的技術(shù)認(rèn)知無線電技術(shù)（cognitive radio, CR）。

　　認(rèn)知無線電的概念是由Mitola在1999 年提出的，他的基本思想是通過依靠人工智能技術(shù)的支持，使得認(rèn)知無線電通過感知無線通信環(huán)境，根據(jù)一定的學(xué)習(xí)和決策算法，實(shí)時(shí)自適應(yīng)地改變系統(tǒng)工作參數(shù)，動(dòng)態(tài)地檢測和有效地利用空閑頻譜，在時(shí)間、頻率以及空間上實(shí)現(xiàn)多維的頻譜復(fù)用。具備智能是認(rèn)知無線電的標(biāo)志，也是實(shí)現(xiàn)認(rèn)知無線電的技術(shù)難點(diǎn)。人工智能技術(shù)（artificial intelligence, AI）的蓬勃發(fā)展使得認(rèn)知無線電智能的實(shí)現(xiàn)成為可能。人工智能是一門包含廣泛的學(xué)科，它由不同的領(lǐng)域組成，如知識表示、自動(dòng)推理和搜索方法、機(jī)器學(xué)習(xí)和知識獲取以及智能優(yōu)化算法等。總的說來，人工智能研究的一個(gè)主要目標(biāo)是使機(jī)器能夠勝任一些通常需要人類智能才能完成的復(fù)雜工作。

　　1  認(rèn)知循環(huán)與認(rèn)知引擎

　　認(rèn)知無線電從對環(huán)境的感知和分析到做出相應(yīng)的智能決策和行動(dòng)的認(rèn)知過程可以用一個(gè)完整的OOPDAL 認(rèn)知環(huán)路來表示，如圖1 所示。

　　圖1 認(rèn)知環(huán)路其中貫穿了2個(gè)過程： 一個(gè)是決策環(huán)路（外環(huán)），另一個(gè)是學(xué)習(xí)環(huán)路（內(nèi)環(huán)）。在外環(huán)中推理的效能對于做出正確的決策起到至關(guān)重要的作用，而學(xué)習(xí)則是實(shí)現(xiàn)知識積累、提高推理效能、連接內(nèi)環(huán)和外環(huán)的關(guān)鍵，推理和學(xué)習(xí)是體現(xiàn)CR 智能行為的2 個(gè)主要特征。

　　認(rèn)知引擎（cognitive engine, CE）就是在可重配置的無線電硬件平臺基礎(chǔ)上，實(shí)現(xiàn)基于人工智能技術(shù)的推理與學(xué)習(xí)，并做出優(yōu)化決策的智能主體，是實(shí)現(xiàn)CR 智能的功能模塊。認(rèn)知引擎要成為CR 的智能主體需要具備3 個(gè)基本功能：

　　觀察： 收集關(guān)于運(yùn)行環(huán)境，無線電自身能力和特征的信息；

　　認(rèn)知： 理解環(huán)境和無線電的能力，能夠做出相應(yīng)的決策行動(dòng)，并學(xué)習(xí)這些行動(dòng)對無線電性能及網(wǎng)絡(luò)性能的影響；

　　重配置： 改變無線電的運(yùn)行參數(shù)。

　　認(rèn)知引擎的工作過程如下： 根據(jù)外界無線環(huán)境、CR 自身狀態(tài)和用戶需求等輸入信息（觀察），對情況進(jìn)行分析，做出合適的反應(yīng)（認(rèn)知），將決策輸出（重配置）。認(rèn)知引擎的工作過程正是認(rèn)知環(huán)路的一個(gè)循環(huán)過程，因而，可以說認(rèn)知引擎是推動(dòng)認(rèn)知環(huán)路運(yùn)行的源動(dòng)力。雖然認(rèn)知引擎的共同目標(biāo)都是推動(dòng)整個(gè)認(rèn)知環(huán)路的循環(huán)反復(fù)，但應(yīng)用不同的人工智能技術(shù)決定了各種CR 系統(tǒng)中認(rèn)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(shù)

　　體現(xiàn)認(rèn)知無線電智能的過程包括推理、學(xué)習(xí)和智能優(yōu)化的過程。推理是根據(jù)知識庫中已有的知識和當(dāng)前計(jì)劃進(jìn)行決策的過程，而學(xué)習(xí)是一個(gè)長期的過程，包括對過去行為及執(zhí)行結(jié)果的知識積累，學(xué)習(xí)使得知識庫不斷充實(shí)，以提高認(rèn)知無線電未來推理的效能。優(yōu)化能進(jìn)一步提高參數(shù)配置的性能，以使得用戶服務(wù)需求化。

　　2. 1 推理系統(tǒng)

　　常用于認(rèn)知無線電系統(tǒng)中的推理系統(tǒng)主要包括基于規(guī)則的推理和基于的推理。基于規(guī)則的推理在人工智能領(lǐng)域常被用來構(gòu)建系統(tǒng)，而基于的推理除了推理，還包括學(xué)習(xí)的過程，2 種推理系統(tǒng)各有其特點(diǎn)：

　　2. 1. 1 基于規(guī)則的推理

　　基于規(guī)則的推理（rulebased reasoning, RBR）系統(tǒng)包括知識庫和推理引擎2 部分，首先領(lǐng)域?qū)⒅R編寫為規(guī)則存入知識庫中，隨后推理引擎根據(jù)輸入和知識庫中的規(guī)則進(jìn)行推理，決定執(zhí)行的動(dòng)作。RBR 系統(tǒng)執(zhí)行簡單，只要正確全面地將領(lǐng)域知識編為規(guī)則，無線電就可以根據(jù)輸入快速地輸出動(dòng)作，但是其對規(guī)則的準(zhǔn)確性和完備性要求較高，如果領(lǐng)域知識沒有被很好地表達(dá)，就會得到錯(cuò)誤的推理結(jié)果，并且當(dāng)系統(tǒng)處理復(fù)雜問題時(shí)，規(guī)則之間容易發(fā)生沖突，影響系統(tǒng)正常運(yùn)行。此外，當(dāng)系統(tǒng)面對未知的新環(huán)境時(shí)缺乏學(xué)習(xí)的能力。因而，RBR 在認(rèn)知無線電中的應(yīng)用受限。

　　2. 1. 2 基于的推理

　　基于的推理（casebased reasoning, CBR）是根據(jù)已經(jīng)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(diǎn)在于它模仿人類的思維過程，當(dāng)遇到新問題時(shí)能夠根據(jù)以往的經(jīng)驗(yàn)得出解決方法，并將新存入知識庫，從而實(shí)現(xiàn)系統(tǒng)增量式的學(xué)習(xí)。應(yīng)用CBR 的認(rèn)知無線電系統(tǒng)可以不斷地學(xué)習(xí)和適應(yīng)新環(huán)境，無需領(lǐng)域知識，認(rèn)知無線電就能夠具備自學(xué)習(xí)的能力。

　　在實(shí)際系統(tǒng)中，人們通常還會將RBR 與CBR 的方法結(jié)合起來使用，當(dāng)知識庫中的規(guī)則可以解決當(dāng)前問題時(shí)，直接應(yīng)用推理即可，當(dāng)規(guī)則不足時(shí)，則通過學(xué)習(xí)豐富系統(tǒng)知識從而做出正確的推理決策。

　　2. 2 機(jī)器學(xué)習(xí)方法

　　機(jī)器學(xué)習(xí)是研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身性能的一門學(xué)科，是人工智能中很重要的一個(gè)領(lǐng)域。下面介紹幾種CR 中常用的學(xué)習(xí)方法。

　　2. 2. 1 人工神經(jīng)網(wǎng)絡(luò)

　　人工神經(jīng)網(wǎng)絡(luò)（artificial neural networks, ANN）是受到人類大腦神經(jīng)元的工作方式所啟發(fā)，發(fā)展出的一種信息處理系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)的能力，可以通過預(yù)先提供的一組輸入輸出數(shù)據(jù)，分析掌握二者之間潛在的規(guī)律，根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來推算輸出結(jié)果。ANN 因其動(dòng)態(tài)自適應(yīng)性，可用來學(xué)習(xí)非線性系統(tǒng)的復(fù)雜模式及屬性，已被用來解決認(rèn)知無線電中頻譜感知，信號分類以及自適應(yīng)配置參數(shù)等問題。

　　2. 2. 2 強(qiáng)化學(xué)習(xí)

　　強(qiáng)化學(xué)習(xí)是用來解決能夠感知環(huán)境的系統(tǒng)通過學(xué)習(xí)選擇能夠達(dá)到其目標(biāo)的動(dòng)作的問題。當(dāng)系統(tǒng)在環(huán)境中做出每個(gè)動(dòng)作后，通過設(shè)定相應(yīng)的獎(jiǎng)懲機(jī)制，使系統(tǒng)能夠從這個(gè)非直接的回報(bào)中學(xué)習(xí)，以便后續(xù)動(dòng)作產(chǎn)生的累積回報(bào)。強(qiáng)化學(xué)習(xí)可以在沒有訓(xùn)練序列的情況下應(yīng)用，其目標(biāo)是使長期的在線性能化，因此它適用于認(rèn)知無線網(wǎng)絡(luò)的學(xué)習(xí)，如未授權(quán)用戶通過用強(qiáng)化學(xué)習(xí)的方法探索可能的傳輸策略同時(shí)發(fā)掘相關(guān)知識，通過調(diào)整傳輸參數(shù)，達(dá)到限定條件下（如干擾溫度受限）的目標(biāo)（如化吞吐量）。

　　2. 2. 3 貝葉斯學(xué)習(xí)

　　貝葉斯學(xué)習(xí)利用樣本信息的后驗(yàn)概率和參數(shù)的先驗(yàn)概率求總體，是一種直接利用概率實(shí)現(xiàn)學(xué)習(xí)和推理的方法。貝葉斯學(xué)習(xí)可以根據(jù)過去的經(jīng)驗(yàn)提高未來的決策能力，在通信系統(tǒng)中可用于問題的抽取、收集和存儲。

　　其他學(xué)習(xí)方法還包括決策樹、模糊邏輯、博弈論和聚類等，在實(shí)際的認(rèn)知無線電系統(tǒng)設(shè)計(jì)中，需要根據(jù)應(yīng)用場景和目標(biāo)的不同，選擇不同的機(jī)器學(xué)習(xí)方法。

　　2. 3 智能優(yōu)化算法

　　根據(jù)環(huán)境變化和用戶需求智能調(diào)整無線電參數(shù)是認(rèn)知無線電的基本功能，參數(shù)調(diào)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(rèn)知無線電要能在多個(gè)目標(biāo)函數(shù)間進(jìn)行權(quán)衡，并給出一種符合多條件限制的折衷參數(shù)配置方案。智能優(yōu)化算法模擬生物或自然界的現(xiàn)象，適用于CR 的參數(shù)配置問題。下面簡單介紹幾種常用的智能優(yōu)化算法。

　　2. 3. 1 遺傳算法

　　遺傳算法借鑒生物進(jìn)化的原理，通過自然選擇、遺傳和變異等操作，模擬自然進(jìn)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(gè)生物系統(tǒng)，將無線電的特征定義為一個(gè)染色體，染色體的每個(gè)基因?qū)?yīng)電臺一個(gè)可變的參量，通過遺傳算法的進(jìn)化得到滿足用戶服務(wù)質(zhì)量要求的系統(tǒng)配置，但其有效性更多依賴于合適的參數(shù)選擇。

　　2. 3. 2 模擬退火算法

　　這種算法模擬熱力學(xué)中退火過程，通過模擬的降溫過程按玻耳茲曼方程計(jì)算狀態(tài)間的轉(zhuǎn)移概率來引導(dǎo)搜索，以一定的概率選擇鄰域中目標(biāo)值相對較小的狀態(tài)，避免陷入局優(yōu)，使算法具有很好的全局搜索能力。該算法執(zhí)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(fù)進(jìn)入，禁忌表模擬人類的記憶功能，能夠大大提高尋優(yōu)過程的搜索效率。

　　其他優(yōu)化算法還包括粒子群優(yōu)化算法和蟻群優(yōu)化算法等。智能優(yōu)化算法不僅可以用來推理或通過目標(biāo)函數(shù)尋找解，還可以通過訓(xùn)練樣例來學(xué)習(xí)搜索空間中能夠達(dá)到目標(biāo)的一些規(guī)則。盡管各種算法有不同的特點(diǎn)，但共同的應(yīng)用目的都是通過學(xué)習(xí)廣泛的樣例，形成對目標(biāo)的解決方案。

　　3 人工智能技術(shù)的CR 應(yīng)用實(shí)例

　　Newman等人研究的基于CBR的認(rèn)知引擎已經(jīng)應(yīng)用在IEEE 802. 22 的無線區(qū)域網(wǎng)（WRAN）中，這個(gè)CE的架構(gòu)如圖2 所示。

　　圖2IEEE 802. 22 的無線區(qū)域網(wǎng)認(rèn)知引擎模型：其中，無線環(huán)境圖（REM）是由分布的無線網(wǎng)絡(luò)節(jié)點(diǎn)和網(wǎng)絡(luò)設(shè)施具備的信息數(shù)據(jù)庫，包括地理信息、服務(wù)和網(wǎng)絡(luò)信息、政策信息、無線電設(shè)備的配置能力及過去的經(jīng)驗(yàn)。REM 中的信息通過不斷觀察CR 節(jié)點(diǎn)的狀態(tài)進(jìn)行更新，并在CR網(wǎng)絡(luò)中傳播。REM通過提取無線環(huán)境的特征，為CE的工作做準(zhǔn)備，該認(rèn)知引擎結(jié)合了基于知識的學(xué)習(xí)和基于的學(xué)習(xí)方法，可以大大減少認(rèn)知無線電的執(zhí)行功率和自適應(yīng)時(shí)間。

　　J.H. Reed 等人開發(fā)的認(rèn)知無線電測試平臺CoRTekS 基于ANN 技術(shù)。無線電可以改變調(diào)制類型、傳輸功率、設(shè)置頻率和帶寬，同時(shí)化3個(gè)目標(biāo)：用戶服務(wù)質(zhì)量、化吞吐量以及化傳輸功率。系統(tǒng)通過周期訓(xùn)練ANN, 并觀察相應(yīng)的結(jié)果，使CE 逐漸學(xué)到了在某個(gè)場景下，無線電參數(shù)設(shè)置與系統(tǒng)性能間的映射關(guān)系，從而在給定的信道狀態(tài)和用戶需求下，CE 能夠選擇使目標(biāo)函數(shù)的設(shè)置。

　　美國維吉尼亞工學(xué)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(rèn)知引擎模型：BioCR。其功能和執(zhí)行流程如圖3所示。

　　該模型包括無線系統(tǒng)遺傳算法模塊（WSGA），無線信道遺傳算法模塊（WCGA）和認(rèn)知系統(tǒng)檢測器模塊（CSM），系統(tǒng)對當(dāng)前環(huán)境下運(yùn)行的無線電給出一種參數(shù)配置的方法，該配置可被修正多次，直到其真正滿足目標(biāo)需求。

　　4 結(jié)束語

　　人工智能技術(shù)是實(shí)現(xiàn)認(rèn)知無線電的，該文回顧了一些在認(rèn)知引擎設(shè)計(jì)中普遍應(yīng)用的人工智能技術(shù)，并介紹了幾種典型的應(yīng)用不同人工智能技術(shù)的認(rèn)知引擎。經(jīng)驗(yàn)證明要設(shè)計(jì)出性能完備的認(rèn)知引擎，往往需要將多種人工智能技術(shù)結(jié)合起來，選擇什么樣的人工智能技術(shù)取決于認(rèn)知無線電的應(yīng)用需求，需要設(shè)計(jì)者在系統(tǒng)的反應(yīng)時(shí)間、執(zhí)行的復(fù)雜程度、可提供的訓(xùn)練樣例和系統(tǒng)魯棒性等因素間進(jìn)行權(quán)衡。隨著人工智能技術(shù)的不斷發(fā)展，認(rèn)知引擎必將變得更加智能，認(rèn)知無線電也會迎來更加廣泛的應(yīng)用前景。