引言

　　20世紀(jì)以來(lái)，隨著無(wú)線業(yè)務(wù)呈幾何級(jí)數(shù)的增長(zhǎng)，頻譜短缺已成為制約無(wú)線電通信系統(tǒng)建設(shè)和發(fā)展的瓶頸 。然而現(xiàn)有無(wú)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(wú)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(wú)線電技術(shù)（cognitive radio, CR）。

　　認(rèn)知無(wú)線電的概念是由Mitola在1999 年提出的，他的基本思想是通過(guò)依靠人工智能技術(shù)的支持，使得認(rèn)知無(wú)線電通過(guò)感知無(wú)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(cè)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(wú)線電的標(biāo)志，也是實(shí)現(xiàn)認(rèn)知無(wú)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(wú)線電智能的實(shí)現(xiàn)成為可能。人工智能是一門(mén)包含廣泛的學(xué)科，它由不同的領(lǐng)域組成，如知識(shí)表示、自動(dòng)推理和搜索方法、機(jī)器學(xué)習(xí)和知識(shí)獲取以及智能優(yōu)化算法等。總的說(shuō)來(lái)，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(lèi)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(wú)線電從對(duì)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(guò)程可以用一個(gè)完整的OOPDAL 認(rèn)知環(huán)路來(lái)表示，如圖1 所示。

　　圖1 認(rèn)知環(huán)路其中貫穿了2個(gè)過(guò)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(duì)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(shí)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(wú)線電硬件平臺(tái)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(wú)線電自身能力和特征的信息；

　　認(rèn)知： 理解環(huán)境和無(wú)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(duì)無(wú)線電性能及網(wǎng)絡(luò)性能的影響；

　　重配置： 改變無(wú)線電的運(yùn)行參數(shù)。

　　認(rèn)知引擎的工作過(guò)程如下： 根據(jù)外界無(wú)線環(huán)境、CR 自身狀態(tài)和用戶(hù)需求等輸入信息（觀察），對(duì)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(guò)程正是認(rèn)知環(huán)路的一個(gè)循環(huán)過(guò)程，因而，可以說(shuō)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(wú)線電智能的過(guò)程包括推理、學(xué)習(xí)和智能優(yōu)化的過(guò)程。推理是根據(jù)知識(shí)庫(kù)中已有的知識(shí)和當(dāng)前計(jì)劃進(jìn)行決策的過(guò)程，而學(xué)習(xí)是一個(gè)長(zhǎng)期的過(guò)程，包括對(duì)過(guò)去行為及執(zhí)行結(jié)果的知識(shí)積累，學(xué)習(xí)使得知識(shí)庫(kù)不斷充實(shí)，以提高認(rèn)知無(wú)線電未來(lái)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(hù)服務(wù)需求化。

　　2. 1 推理系統(tǒng)

　　常用于認(rèn)知無(wú)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?；谝?guī)則的推理在人工智能領(lǐng)域常被用來(lái)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(guò)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(shí)庫(kù)和推理引擎2 部分，首先領(lǐng)域?qū)⒅R(shí)編寫(xiě)為規(guī)則存入知識(shí)庫(kù)中，隨后推理引擎根據(jù)輸入和知識(shí)庫(kù)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(jiǎn)單，只要正確全面地將領(lǐng)域知識(shí)編為規(guī)則，無(wú)線電就可以根據(jù)輸入快速地輸出動(dòng)作，但是其對(duì)規(guī)則的準(zhǔn)確性和完備性要求較高，如果領(lǐng)域知識(shí)沒(méi)有被很好地表達(dá)，就會(huì)得到錯(cuò)誤的推理結(jié)果，并且當(dāng)系統(tǒng)處理復(fù)雜問(wèn)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(duì)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(wú)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(wèn)題的解決方法來(lái)獲取相似的新問(wèn)題的解決方法。CBR 的特點(diǎn)在于它模仿人類(lèi)的思維過(guò)程，當(dāng)遇到新問(wèn)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(shí)庫(kù)，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(wú)線電系統(tǒng)可以不斷地學(xué)習(xí)和適應(yīng)新環(huán)境，無(wú)需領(lǐng)域知識(shí)，認(rèn)知無(wú)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(huì)將RBR 與CBR 的方法結(jié)合起來(lái)使用，當(dāng)知識(shí)庫(kù)中的規(guī)則可以解決當(dāng)前問(wèn)題時(shí)，直接應(yīng)用推理即可，當(dāng)規(guī)則不足時(shí)，則通過(guò)學(xué)習(xí)豐富系統(tǒng)知識(shí)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(lèi)的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身性能的一門(mén)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(lèi)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(guò)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(lái)推算輸出結(jié)果。ANN 因其動(dòng)態(tài)自適應(yīng)性，可用來(lái)學(xué)習(xí)非線性系統(tǒng)的復(fù)雜模式及屬性，已被用來(lái)解決認(rèn)知無(wú)線電中頻譜感知，信號(hào)分類(lèi)以及自適應(yīng)配置參數(shù)等問(wèn)題。

　　2. 2. 2 強(qiáng)化學(xué)習(xí)

　　強(qiáng)化學(xué)習(xí)是用來(lái)解決能夠感知環(huán)境的系統(tǒng)通過(guò)學(xué)習(xí)選擇能夠達(dá)到其目標(biāo)的動(dòng)作的問(wèn)題。當(dāng)系統(tǒng)在環(huán)境中做出每個(gè)動(dòng)作后，通過(guò)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(méi)有訓(xùn)練序列的情況下應(yīng)用，其目標(biāo)是使長(zhǎng)期的在線性能化，因此它適用于認(rèn)知無(wú)線網(wǎng)絡(luò)的學(xué)習(xí)，如未授權(quán)用戶(hù)通過(guò)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(shí)，通過(guò)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(guò)去的經(jīng)驗(yàn)提高未來(lái)的決策能力，在通信系統(tǒng)中可用于問(wèn)題的抽取、收集和存儲(chǔ)。

　　其他學(xué)習(xí)方法還包括決策樹(shù)、模糊邏輯、博弈論和聚類(lèi)等，在實(shí)際的認(rèn)知無(wú)線電系統(tǒng)設(shè)計(jì)中，需要根據(jù)應(yīng)用場(chǎng)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(hù)需求智能調(diào)整無(wú)線電參數(shù)是認(rèn)知無(wú)線電的基本功能，參數(shù)調(diào)整需滿(mǎn)足信道條件、用戶(hù)需求和制度限定等多方面的要求，因此，認(rèn)知無(wú)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(wèn)題。下面簡(jiǎn)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(guò)自然選擇、遺傳和變異等操作，模擬自然進(jìn)化過(guò)程來(lái)尋找所求問(wèn)題的答案。它在CR 中的基本思想是把無(wú)線電類(lèi)比為一個(gè)生物系統(tǒng)，將無(wú)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(tái)一個(gè)可變的參量，通過(guò)遺傳算法的進(jìn)化得到滿(mǎn)足用戶(hù)服務(wù)質(zhì)量要求的系統(tǒng)配置，但其有效性更多依賴(lài)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(guò)程，通過(guò)模擬的降溫過(guò)程按玻耳茲曼方程計(jì)算狀態(tài)間的轉(zhuǎn)移概率來(lái)引導(dǎo)搜索，以一定的概率選擇鄰域中目標(biāo)值相對(duì)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(guò)程中將近期的搜索過(guò)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(lèi)的記憶功能，能夠大大提高尋優(yōu)過(guò)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(lái)推理或通過(guò)目標(biāo)函數(shù)尋找解，還可以通過(guò)訓(xùn)練樣例來(lái)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(guò)學(xué)習(xí)廣泛的樣例，形成對(duì)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(wú)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(wú)線區(qū)域網(wǎng)認(rèn)知引擎模型：其中，無(wú)線環(huán)境圖（REM）是由分布的無(wú)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(kù)，包括地理信息、服務(wù)和網(wǎng)絡(luò)信息、政策信息、無(wú)線電設(shè)備的配置能力及過(guò)去的經(jīng)驗(yàn)。REM 中的信息通過(guò)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(guò)提取無(wú)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(shí)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(wú)線電的執(zhí)行功率和自適應(yīng)時(shí)間。

　　J.H. Reed 等人開(kāi)發(fā)的認(rèn)知無(wú)線電測(cè)試平臺(tái)CoRTekS 基于ANN 技術(shù)。無(wú)線電可以改變調(diào)制類(lèi)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(hù)服務(wù)質(zhì)量、化吞吐量以及化傳輸功率。系統(tǒng)通過(guò)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(chǎng)景下，無(wú)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(hù)需求下，CE 能夠選擇使目標(biāo)函數(shù)的設(shè)置。

　　美國(guó)維吉尼亞工學(xué)院的無(wú)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(wú)線系統(tǒng)遺傳算法模塊（WSGA），無(wú)線信道遺傳算法模塊（WCGA）和認(rèn)知系統(tǒng)檢測(cè)器模塊（CSM），系統(tǒng)對(duì)當(dāng)前環(huán)境下運(yùn)行的無(wú)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(mǎn)足目標(biāo)需求。

　　4 結(jié)束語(yǔ)

　　人工智能技術(shù)是實(shí)現(xiàn)認(rèn)知無(wú)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(lái)，選擇什么樣的人工智能技術(shù)取決于認(rèn)知無(wú)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(wú)線電也會(huì)迎來(lái)更加廣泛的應(yīng)用前景。