認(rèn)知引擎技術(shù)

汪李峰　魏勝群

摘要：認(rèn)知無(wú)線電(CR)是一種智能的無(wú)線電通信系統(tǒng)，其智能主要來(lái)自于認(rèn)知引擎。認(rèn)知引擎基于軟件無(wú)線電平臺(tái)，引入人工智能領(lǐng)域的推理與學(xué)習(xí)方法，實(shí)現(xiàn)認(rèn)知環(huán)路，從而實(shí)現(xiàn)CR的感知、自適應(yīng)與學(xué)習(xí)能力。認(rèn)知引擎的要素包括建模系統(tǒng)、知識(shí)庫(kù)、推理機(jī)、學(xué)習(xí)機(jī)和各類(lèi)接口，涉及到知識(shí)表示、機(jī)器推理和機(jī)器學(xué)習(xí)等關(guān)鍵技術(shù)。

關(guān)鍵詞：認(rèn)知無(wú)線電；人工智能；認(rèn)知引擎

Abstract: Cognitive Radio (CR) is an intelligent wireless communication system, whose intelligence mostly comes from the cognitive engine. Based on the techniques of the software-defined radio, with the support of machine reasoning and learning in artificial intelligence, cognitive engine implements the cognitive loop in order to realize the abilities of sensing, adaptation and learning in CR. Cognitive engine consists of modeling system, knowledge base, reasoning engine, learning engine, and interfaces. The key techniques involve knowledge representation, machine reasoning, and machine learning.

Key words: cognitive radio; artificial intelligence; cognitive engine

認(rèn)知無(wú)線電(CR)是一種智能的無(wú)線電通信系統(tǒng)，它能夠感知周?chē)碾姶怒h(huán)境、無(wú)線信道特征以及用戶需求，并通過(guò)推理和對(duì)以往經(jīng)驗(yàn)的學(xué)習(xí)，自適應(yīng)地調(diào)整其內(nèi)部配置，優(yōu)化其系統(tǒng)性能，以適應(yīng)環(huán)境和需求的變化[1]。

從這個(gè)概念可以看出，CR不僅具備感知無(wú)線電的感知能力和自適應(yīng)無(wú)線電的自適應(yīng)能力，更重要的是具備了學(xué)習(xí)能力。學(xué)習(xí)能力是智能行為的一個(gè)非常重要的特征，也是CR區(qū)別于其他傳統(tǒng)無(wú)線電、感知無(wú)線電以及自適應(yīng)無(wú)線電的主要特征。學(xué)習(xí)是基本的認(rèn)知活動(dòng)，是經(jīng)驗(yàn)與知識(shí)的積累過(guò)程，也是CR對(duì)外部環(huán)境前后關(guān)聯(lián)地把握和理解的過(guò)程，能夠不斷改善無(wú)線電通信系統(tǒng)的性能。

軟件無(wú)線電技術(shù)的成熟為CR的實(shí)現(xiàn)提供了基礎(chǔ)，無(wú)線電模塊的軟件化可重配置使得CR的自適應(yīng)調(diào)整能力成為可能。同時(shí)，智能的學(xué)習(xí)能力則要依賴(lài)于人工智能技術(shù)。因此，Mitola在1999年提出CR的概念時(shí)就認(rèn)為，CR實(shí)質(zhì)上是軟件無(wú)線電平臺(tái)加人工智能技術(shù)[2]。

認(rèn)知引擎就是在軟件無(wú)線電平臺(tái)上實(shí)現(xiàn)基于人工智能技術(shù)的推理與學(xué)習(xí)，實(shí)現(xiàn)并驅(qū)動(dòng)整個(gè)認(rèn)知環(huán)路，是實(shí)現(xiàn)CR的核心部件?？梢哉f(shuō)，認(rèn)知引擎是CR的“大腦”，認(rèn)知引擎技術(shù)是實(shí)現(xiàn)CR的核心技術(shù)[2-4]。

1 現(xiàn)有的認(rèn)知引擎

對(duì)于CR技術(shù)的研究目前大多數(shù)還處在理論研究階段，對(duì)于認(rèn)知引擎的具體實(shí)現(xiàn)還不多，而且僅實(shí)現(xiàn)了物理層和鏈路層的認(rèn)知與優(yōu)化。在現(xiàn)有的認(rèn)知引擎中，比較典型的是美國(guó)弗吉尼亞工學(xué)院(VT)的無(wú)線通信中心(CWT)和美國(guó)國(guó)防部(DoD)通信科學(xué)實(shí)驗(yàn)室(LTS)研究開(kāi)發(fā)的認(rèn)知引擎。

1.1 VT-CWT的認(rèn)知引擎

弗吉尼亞工學(xué)院的CWT研究人員提出了一種通用CR架構(gòu)[5]。如圖1所示，認(rèn)知引擎被設(shè)計(jì)為獨(dú)立于傳統(tǒng)電臺(tái)的單獨(dú)模塊，通過(guò)對(duì)用戶域、無(wú)線域以及政策域信息的認(rèn)知，來(lái)優(yōu)化控制整個(gè)無(wú)線通信系統(tǒng)。

在這個(gè)通用架構(gòu)中，CR有3個(gè)輸入域。用戶域負(fù)責(zé)將應(yīng)用與服務(wù)的性能需求，比如時(shí)延、傳輸速率等QoS要求輸入認(rèn)知引擎；無(wú)線域是無(wú)線電臺(tái)發(fā)射與接收所涉及的外部傳播環(huán)境與射頻(RF)信道條件等，它對(duì)于決策優(yōu)化和波形選擇非常重要；政策域負(fù)責(zé)無(wú)線電所處環(huán)境的頻譜資源分配與市場(chǎng)準(zhǔn)入政策的輸入，是通過(guò)政策引擎的解釋與管理后輸入的。

CWT的研究人員認(rèn)為，CR為了適應(yīng)特定的頻譜環(huán)境，需要對(duì)波形的諸多參數(shù)進(jìn)行調(diào)整，比如頻率、功率、調(diào)制方式、星座大小、編碼方式、編碼速率等，因此，CR適應(yīng)無(wú)線環(huán)境的過(guò)程是一個(gè)多目標(biāo)優(yōu)化的過(guò)程，而遺傳算法是解決多目標(biāo)優(yōu)化問(wèn)題的有效算法?；谏鲜鐾ㄓ肅R架構(gòu)，CWT利用遺傳算法設(shè)計(jì)了如圖2所示的基于遺傳算法的認(rèn)知引擎[4-5]。

其中，無(wú)線信道遺傳算法模塊使用遺傳算法對(duì)無(wú)線信道和環(huán)境進(jìn)行建模，無(wú)線系統(tǒng)遺傳算法模塊則利用遺傳算法生成新的波形，認(rèn)知系統(tǒng)監(jiān)控模塊包含有知識(shí)庫(kù)，其中長(zhǎng)期知識(shí)是認(rèn)知引擎曾經(jīng)處理過(guò)的各種信道及相應(yīng)的無(wú)線系統(tǒng)遺傳算法模塊初始化參數(shù)，短期知識(shí)則是從長(zhǎng)期知識(shí)庫(kù)中搜索出的與當(dāng)前信道比較相近的案例。

為了避免在相同的信道條件下，多次執(zhí)行遺傳算法進(jìn)行優(yōu)化處理，在認(rèn)知系統(tǒng)監(jiān)控模塊中實(shí)現(xiàn)了基于案例的決策器(CBD)[6]，即如果知識(shí)庫(kù)中存在相同的案例則直接應(yīng)用以前優(yōu)化的結(jié)果，否則就執(zhí)行優(yōu)化過(guò)程。同時(shí)，認(rèn)知系統(tǒng)監(jiān)控模塊能夠提供并行分布式操作，具有學(xué)習(xí)分類(lèi)器以及交替遺傳算法功能，可以利用存儲(chǔ)在知識(shí)庫(kù)中的長(zhǎng)期知識(shí)來(lái)綜合匹配信道，也可以根據(jù)應(yīng)用需求對(duì)短期知識(shí)進(jìn)行操作。

該認(rèn)知引擎可以對(duì)波形的相關(guān)參數(shù)進(jìn)行調(diào)整，滿足誤比特率(BER)、信號(hào)帶寬、頻譜效率、功率、數(shù)據(jù)速率和干擾等多個(gè)指標(biāo)的要求。目前，該認(rèn)知引擎已通過(guò)Matlab仿真實(shí)驗(yàn)與弗吉尼亞工學(xué)院的CR測(cè)試平臺(tái)試驗(yàn)。

1.2 DoD-LTS的認(rèn)知引擎

Charles Clancy、Erich Stuntebeck等人在LTS工作時(shí)，對(duì)CR和認(rèn)知引擎進(jìn)行了研究，他們基于軟件通信體系架構(gòu)(SCA)開(kāi)發(fā)了開(kāi)源的認(rèn)知無(wú)線電(OSCR)[7]，設(shè)計(jì)了能夠在各種信道條件下調(diào)整調(diào)制和編碼方式，實(shí)現(xiàn)信道容量最大化的認(rèn)知引擎[8]。

Charles等人認(rèn)為，CR就是增加了認(rèn)知引擎的軟件無(wú)線電，在認(rèn)知引擎與軟件無(wú)線電平臺(tái)之間需要定義一個(gè)良好的應(yīng)用程序接口(API)。認(rèn)知引擎包括了知識(shí)庫(kù)、推理引擎與學(xué)習(xí)引擎，如圖3所示，目的是驅(qū)動(dòng)軟件無(wú)線電的重配置。

其中，知識(shí)庫(kù)一方面存儲(chǔ)外部環(huán)境(信噪比和BER)和軟件無(wú)線電(調(diào)制方式和編碼速率)當(dāng)前的狀態(tài)，另一方面存儲(chǔ)了一些規(guī)則，由條件和操作構(gòu)成，確定了什么狀態(tài)下選擇什么樣的波形能夠?qū)崿F(xiàn)信道容量最大化。由于OSCR中考慮的目標(biāo)單一，可調(diào)的波形參數(shù)也較少，因此不需要使用遺傳算法，只需要根據(jù)預(yù)置的規(guī)則進(jìn)行推理。

在OSCR的認(rèn)知引擎中，基于知識(shí)庫(kù)中的長(zhǎng)期知識(shí)來(lái)做出決策，這些決策是推理和學(xué)習(xí)所推斷出來(lái)的結(jié)果。推理引擎類(lèi)似與專(zhuān)家系統(tǒng)，利用知識(shí)庫(kù)進(jìn)行智能的決策；學(xué)習(xí)引擎則從經(jīng)驗(yàn)中獲取知識(shí)，更新知識(shí)庫(kù)。隨著不斷的學(xué)習(xí)，學(xué)習(xí)引擎存入知識(shí)庫(kù)中的知識(shí)又將作為推理引擎后續(xù)工作的基礎(chǔ)。

OSCR認(rèn)知引擎的學(xué)習(xí)功能是通過(guò)試錯(cuò)搜索的方法實(shí)現(xiàn)的。根據(jù)文獻(xiàn)[8]里面的論述，在加性高斯白噪聲(AWGN)信道中，信道容量可以根據(jù)香農(nóng)公式計(jì)算得到，波形的BER也可以通過(guò)理論公式計(jì)算得到，因此最佳的波形可以通過(guò)推理得到。

而在非AWGN信道中，由于信道容量無(wú)法獲知，而且各種波形的實(shí)際性能也無(wú)法得到，因此不能通過(guò)推理得出合適的波形，只能通過(guò)“學(xué)習(xí)”得到。

具體而言，信道容量是波形的調(diào)制階數(shù)、編碼速率和BER的凸函數(shù)，調(diào)制階數(shù)越高，信息速率越大，但BER也會(huì)增加，未必會(huì)帶來(lái)信道容量的提高；編碼速率越小，信息速率也越小，但BER會(huì)降低，可能會(huì)增加信道容量。BER通過(guò)接收端的反饋得到，然后就可以計(jì)算每種波形的實(shí)際信道容量，通過(guò)不斷地調(diào)整波形參數(shù)并進(jìn)行實(shí)際測(cè)試，認(rèn)知引擎能夠找到信道容量最大的波形。

2 認(rèn)知引擎功能模型

2.1 認(rèn)知環(huán)路

CR的認(rèn)知要素包括環(huán)境的感知、推理、學(xué)習(xí)流程以及狀態(tài)控制，構(gòu)成一個(gè)激勵(lì)—體驗(yàn)—響應(yīng)模式的過(guò)程，CR節(jié)點(diǎn)不斷進(jìn)行著從觀察到行動(dòng)的循環(huán)，其認(rèn)知信息的循環(huán)流動(dòng)形成一個(gè)完整的認(rèn)知環(huán)路。

為了實(shí)現(xiàn)理想認(rèn)知引擎的功能，Mitola定義了包括觀察、判斷、計(jì)劃、決策、執(zhí)行和學(xué)習(xí)等階段的認(rèn)知環(huán)路，可視為認(rèn)知引擎實(shí)現(xiàn)自身功能的響應(yīng)序列[8]。對(duì)于認(rèn)知環(huán)路中響應(yīng)序列的遍歷與轉(zhuǎn)換過(guò)程可以理解為有限狀態(tài)機(jī)的轉(zhuǎn)移過(guò)程。

如圖4所示，CR節(jié)點(diǎn)從對(duì)外部環(huán)境的觀察階段開(kāi)始到執(zhí)行階段結(jié)束，中間貫穿了兩個(gè)過(guò)程[5]：一個(gè)是觀察、判斷、計(jì)劃、決策、執(zhí)行的過(guò)程，可以稱(chēng)為決策和自適應(yīng)環(huán)路(外環(huán))，另一個(gè)是在這個(gè)過(guò)程中知識(shí)的發(fā)現(xiàn)、形成、使用和積累的過(guò)程，可以稱(chēng)為學(xué)習(xí)環(huán)路(內(nèi)環(huán))。

認(rèn)知環(huán)路只是定義了認(rèn)知引擎的行為過(guò)程和相應(yīng)的功能劃分，不涉及具體的實(shí)現(xiàn)。認(rèn)知引擎就是要根據(jù)具體的不同情況，驅(qū)動(dòng)不同的認(rèn)知環(huán)路的實(shí)現(xiàn)。因此，上述認(rèn)知引擎雖然因應(yīng)用環(huán)境的不同，在實(shí)現(xiàn)方式上有所不同，但所包含的基本認(rèn)知要素是相同的，都是推理與學(xué)習(xí)，并通過(guò)推理與學(xué)習(xí)驅(qū)動(dòng)著整個(gè)認(rèn)知環(huán)路的循環(huán)反復(fù)。

2.2 認(rèn)知引擎模型

綜合分析CR定義、認(rèn)知環(huán)路以及現(xiàn)有認(rèn)知引擎的功能，認(rèn)知引擎的功能模型主要包括以下幾個(gè)部分：

●建模系統(tǒng)。這是認(rèn)知引擎的輸入部分，對(duì)用戶域、無(wú)線(包括網(wǎng)絡(luò))域與政策域的感知信息進(jìn)行建模，即對(duì)輸入的感知信息和先驗(yàn)知識(shí)進(jìn)行識(shí)別、融合和抽象，形成機(jī)器可懂的模型，包括目標(biāo)建模、政策建模、業(yè)務(wù)環(huán)境建模、網(wǎng)絡(luò)狀態(tài)建模和無(wú)線環(huán)境建模等功能組件。它涉及到認(rèn)知環(huán)路的觀察階段，實(shí)現(xiàn)感知功能。

●知識(shí)庫(kù)。這是認(rèn)知引擎的核心部分，存儲(chǔ)內(nèi)容既有長(zhǎng)期的經(jīng)驗(yàn)知識(shí)，也有暫時(shí)的狀態(tài)和環(huán)境知識(shí)，是進(jìn)行推理與學(xué)習(xí)的基礎(chǔ)。這里的知識(shí)都是以一種機(jī)器能夠識(shí)別的表示形式存在。

●推理機(jī)。這是認(rèn)知引擎的“邏輯思維”部分，能夠利用知識(shí)庫(kù)的知識(shí)與感知到的信息進(jìn)行判斷、計(jì)劃、決策和執(zhí)行，實(shí)現(xiàn)決策和自適應(yīng)環(huán)路。這里需要人工智能的推理決策技術(shù)，實(shí)現(xiàn)自適應(yīng)能力。

●學(xué)習(xí)機(jī)。這是認(rèn)知引擎的“創(chuàng)造思維”部分，能夠根據(jù)行為結(jié)果的反饋等手段，進(jìn)行知識(shí)的發(fā)現(xiàn)、形成、使用與積累，實(shí)現(xiàn)學(xué)習(xí)環(huán)路，從而向知識(shí)庫(kù)輸入知識(shí)。這里需要人工智能的機(jī)器學(xué)習(xí)技術(shù)，實(shí)現(xiàn)學(xué)習(xí)能力。

各類(lèi)接口和資源監(jiān)控等模塊也是必備的功能要素，但其實(shí)現(xiàn)可以歸納到軟件無(wú)線電平臺(tái)中。

對(duì)于CR，頻譜管理是非常重要的應(yīng)用。這里，我們將政策引擎融入到認(rèn)知引擎中進(jìn)行了一體化考慮，其頻譜政策輸入與感知在建模系統(tǒng)中實(shí)現(xiàn)，動(dòng)態(tài)頻譜政策管理與應(yīng)用則可以分解到推理與學(xué)習(xí)模塊中。

3 認(rèn)知引擎關(guān)鍵技術(shù)

在CR中認(rèn)知引擎是可以與通信系統(tǒng)相分離的功能組件。實(shí)際上，兩者處理的問(wèn)題是不同的。通信系統(tǒng)處理的是不確定性問(wèn)題，其目的是準(zhǔn)確地傳輸或恢復(fù)波形中攜帶的信息，降低噪聲和干擾引起的不確定性。認(rèn)知引擎處理的是復(fù)雜性問(wèn)題，其目的是根據(jù)傳感器的結(jié)果了解用戶的需求和環(huán)境的狀態(tài)，并對(duì)通信系統(tǒng)進(jìn)行優(yōu)化來(lái)滿足需求和適應(yīng)環(huán)境。人工智能是解決復(fù)雜性問(wèn)題的策略和方法，因此，認(rèn)知引擎主要涉及人工智能領(lǐng)域的技術(shù)。在認(rèn)知引擎實(shí)現(xiàn)上主要涉及到下列關(guān)鍵技術(shù)。

3.1 知識(shí)表示技術(shù)

知識(shí)表示實(shí)際上就是對(duì)人類(lèi)知識(shí)的一種描述，把人類(lèi)知識(shí)表示成計(jì)算機(jī)能夠處理的數(shù)據(jù)結(jié)構(gòu)[9]。按照人們從不同角度進(jìn)行探索以及對(duì)問(wèn)題的不同理解，知識(shí)的表示方法可分為陳述性知識(shí)表示和過(guò)程性知識(shí)表示兩大類(lèi)。陳述性知識(shí)表示主要用來(lái)描述事實(shí)性知識(shí)，比如信道的信噪比，無(wú)線電當(dāng)前的工作參數(shù)等；過(guò)程性知識(shí)表示主要用來(lái)描述規(guī)則性知識(shí)和控制結(jié)構(gòu)知識(shí)，比如CR在特定環(huán)境中的波形參數(shù)配置規(guī)則等。

知識(shí)表示技術(shù)在認(rèn)知引擎中用于構(gòu)建知識(shí)庫(kù)，CR的知識(shí)庫(kù)包括短期知識(shí)和長(zhǎng)期知識(shí)。其中，短期知識(shí)表示當(dāng)前狀態(tài)，包括外部環(huán)境狀態(tài)和內(nèi)部工作參數(shù)；長(zhǎng)期知識(shí)可分為規(guī)則庫(kù)和案例庫(kù)，規(guī)則庫(kù)存儲(chǔ)關(guān)于無(wú)線通信和無(wú)線電的一般性知識(shí)，比如波形的信息速率、帶寬等參數(shù)的推導(dǎo)和誤比特率的估計(jì)等，用于推理過(guò)程。案例庫(kù)存儲(chǔ)CR的歷史經(jīng)驗(yàn)，一方面，案例庫(kù)存儲(chǔ)感知的外部環(huán)境的數(shù)據(jù)，包括本地電磁頻譜環(huán)境的狀態(tài)和信道的傳輸特性。這些數(shù)據(jù)是認(rèn)知引擎進(jìn)行學(xué)習(xí)的對(duì)象和實(shí)現(xiàn)學(xué)習(xí)行為的基礎(chǔ)，通過(guò)對(duì)這些數(shù)據(jù)的處理，認(rèn)知引擎可得出有益的經(jīng)驗(yàn)知識(shí)，比如關(guān)于本地頻譜使用情況的知識(shí)和關(guān)于可用信道的知識(shí)等。另一方面，案例庫(kù)還存儲(chǔ)每次業(yè)務(wù)通信過(guò)程中采取的各種操作及其結(jié)果、與技術(shù)人員經(jīng)常利用成功的經(jīng)驗(yàn)來(lái)解決相近的問(wèn)題，或者利用失敗的經(jīng)驗(yàn)來(lái)防止再次失誤類(lèi)似，案例庫(kù)有利于認(rèn)知引擎快速地得出優(yōu)化的決策結(jié)果。

目前，大多數(shù)無(wú)線電表示語(yǔ)言如規(guī)范描述語(yǔ)言(SDL)、統(tǒng)一建模語(yǔ)言(UML)、接口定義語(yǔ)言(IDL)以及可擴(kuò)展標(biāo)記語(yǔ)言(XML)等都是用于描述的計(jì)算機(jī)語(yǔ)言，但缺乏準(zhǔn)確性和靈活性。瑞典皇家科學(xué)院開(kāi)發(fā)的無(wú)線知識(shí)描述語(yǔ)言(RKRL)和基于本體(Ontology)的知識(shí)表示方法也都得到了深入的研究。

3.2 機(jī)器推理技術(shù)

所謂推理，是指從已知事實(shí)出發(fā)，運(yùn)用已掌握的知識(shí)，推導(dǎo)出其中蘊(yùn)涵的事實(shí)性結(jié)論或歸納出某些新的結(jié)論的過(guò)程[9]。在認(rèn)知引擎中，推理機(jī)根據(jù)短期知識(shí)庫(kù)的內(nèi)容，對(duì)規(guī)則庫(kù)和案例庫(kù)的內(nèi)容進(jìn)行匹配和選擇，產(chǎn)生的中間結(jié)果再存入短期知識(shí)庫(kù)，重新進(jìn)行規(guī)則和案例的匹配與選擇，反復(fù)進(jìn)行多次，直至得出最終的結(jié)果。

長(zhǎng)期知識(shí)、短期知識(shí)和推理機(jī)是現(xiàn)代基于規(guī)則的專(zhuān)家系統(tǒng)的基礎(chǔ)[10]，因此，認(rèn)知引擎首先是無(wú)線通信領(lǐng)域的專(zhuān)家系統(tǒng)。推理機(jī)利用知識(shí)庫(kù)的內(nèi)容可以進(jìn)行基于規(guī)則的推理，也可以進(jìn)行基于案例的推理。目前有許多通用的人工智能開(kāi)發(fā)環(huán)境，或?qū)＜蚁到y(tǒng)外殼，如C語(yǔ)言集成產(chǎn)生式系統(tǒng)(CLIPS)[10]和SOAR[11]，均提供了推理功能，開(kāi)發(fā)人員只需要根據(jù)其語(yǔ)法定義開(kāi)發(fā)專(zhuān)業(yè)知識(shí)庫(kù)即可構(gòu)成專(zhuān)業(yè)領(lǐng)域的專(zhuān)家系統(tǒng)，文獻(xiàn)[7]和文獻(xiàn)[8]的認(rèn)知引擎就是基于SOAR開(kāi)發(fā)的。

目前，可用于認(rèn)知引擎的機(jī)器推理人工智能算法主要有狀態(tài)空間模型及其查找、基于規(guī)則系統(tǒng)、基于案例推理、神經(jīng)網(wǎng)絡(luò)、模糊邏輯、遺傳算法以及基于知識(shí)推理等。

3.3 機(jī)器學(xué)習(xí)技術(shù)

機(jī)器學(xué)習(xí)是研究如何使用計(jì)算機(jī)來(lái)模擬人類(lèi)學(xué)習(xí)活動(dòng)的一門(mén)學(xué)科，更嚴(yán)格地說(shuō)，就是研究計(jì)算機(jī)獲取新知識(shí)和新技能、識(shí)別現(xiàn)有知識(shí)、不斷改善性能、實(shí)現(xiàn)自我完善的方法[9]。Herbert Simon將學(xué)習(xí)定義為：能夠讓系統(tǒng)在執(zhí)行同一任務(wù)或相同數(shù)量的另外一個(gè)任務(wù)時(shí)比前一次執(zhí)行得更好的任何改變。具備從經(jīng)驗(yàn)中學(xué)習(xí)提高的能力是CR區(qū)別于一般無(wú)線電的核心特色。

根據(jù)學(xué)習(xí)的內(nèi)容不同，認(rèn)知引擎中需要集成多種學(xué)習(xí)算法，主要有3類(lèi)。第一類(lèi)是監(jiān)督學(xué)習(xí)，用于對(duì)外部環(huán)境的學(xué)習(xí)，主要是利用實(shí)測(cè)的信息對(duì)估計(jì)器進(jìn)行訓(xùn)練。比如，在對(duì)信道認(rèn)知的情況下，CR在通信之前對(duì)信道的具體參數(shù)是不了解的，只有根據(jù)預(yù)測(cè)的信息進(jìn)行選取，但在完成一次通信之后，信道的相關(guān)參數(shù)就可以通過(guò)估計(jì)得到。認(rèn)知引擎就可以利用估計(jì)得到的參數(shù)對(duì)信道預(yù)測(cè)模型進(jìn)行訓(xùn)練，以更好地匹配當(dāng)前信道。第二類(lèi)是無(wú)監(jiān)督學(xué)習(xí)，用于對(duì)外部環(huán)境的學(xué)習(xí)，主要是提取外部環(huán)境相關(guān)參數(shù)的變化規(guī)律。比如，在對(duì)頻譜忙閑狀態(tài)的認(rèn)知中，需要根據(jù)案例庫(kù)獲得頻譜空洞在時(shí)間和頻率上的分布規(guī)律。第三類(lèi)是強(qiáng)化學(xué)習(xí)，用于對(duì)內(nèi)部規(guī)則或行為的學(xué)習(xí)，主要是通過(guò)獎(jiǎng)勵(lì)和懲罰機(jī)制突出適應(yīng)當(dāng)前環(huán)境的規(guī)則或行為，拋棄不適合當(dāng)前環(huán)境的規(guī)則或行為。比如可以通過(guò)強(qiáng)化學(xué)習(xí)從多種波形中選擇出適合當(dāng)前信道條件的波形。

目前，可以用于認(rèn)知引擎的機(jī)器學(xué)習(xí)人工智能算法主要有貝葉斯邏輯、決策樹(shù)、Q學(xué)習(xí)法、時(shí)間差分法、神經(jīng)網(wǎng)絡(luò)、博弈論以及遺傳算法等，不同的算法適用于不同的場(chǎng)合。

4 結(jié)束語(yǔ)

認(rèn)知引擎是CR的智能核心?；谲浖o(wú)線電平臺(tái)實(shí)現(xiàn)的具備人工智能的認(rèn)知引擎，通過(guò)良好的接口定義，可以支持CR的動(dòng)態(tài)頻譜共享、動(dòng)態(tài)波形重配置、協(xié)同與中繼傳輸、認(rèn)知網(wǎng)絡(luò)協(xié)議、異構(gòu)網(wǎng)絡(luò)融合等多種應(yīng)用。隨著研究的不斷深入，認(rèn)知引擎技術(shù)的不斷成熟，CR必將迎來(lái)廣闊的應(yīng)用前景。

5 參考文獻(xiàn)

[1] HYKIN S. Cognitive radio: brain-empowered wireless communications[J]. IEEE Journal on Selected Areas in Communications, 2005, 23(2): 201-220.

[2] MITOLA J III,MAGUIRE G Q JR. Cognitive radio: making software radios more personal[J]. IEEE Personal Communications, 1999, 6(4): 13-18.

[3] MAHMOUD Q S. Cognitive networks, towards self-aware networks[M]. New York, NY, USA: John Wiley & Sons, 2007.

[4] RIESER C J. Biologically inspired cognitive radio engine model utilizing distributed genetic algorithms for secure and robust wireless communications and networking[D]. Blacksburg, VA, USA: Virginia Polytechnic Institute and State University, 2004.

[5] RONDEAU T W. Application of artificial intelligence to wireless communications[D]. Blacksburg, VA, USA: Virginia Polytechnic Institute and State University, 2007.

[6] RONDEAU T W, RIESER C J, LE B, et al. Cognitive radios with genetic algorithms: intelligent control of software defined radios[C]//Proceedings of SDR Forum Technical Conference (SDR04), Nov 15-18, 2004, Phoenix, AZ, USA. 2004: C3-C8.

[7] STUNTBECK E, O'SHEA T, HECKER J, et al. Architecture for an open-source cognitive radio[C] //Proceedings of SDR Forum Technical Conference (SDR06), Nov 13-17, 2004, Orlando, FL. 2006.

[8] CLANCY C, HECKER, STUNTEBECK E, et al. Application of machine learning to cognitive radio networks[J].IEEE Wireless Communications, 2007,14(4): 47-52.

[9] 張仰森,黃改娟. 人工智能教程[M]. 北京: 高等教育出版社, 2008.

[10] GIARRATANO J, RILEY G. 專(zhuān)家系統(tǒng)原理與編程[M]. 印鑒,陳憶群,劉星成,譯. 北京: 機(jī)械工業(yè)出版社, 2006.

[11] LEHMAN J, LAIRD J, ROSENBLOOM P. A gentle introduction to SOAR, an architecture for human cognition: 2006 update[EB/OL]. http://ai.eecs.umich.edu/soar/sitemaker/ docs/misc/ GentleIntroduction-2006.pdf.

收稿日期：2009-01-08

汪李峰，博士，總參第六十一研究所高級(jí)工程師。畢業(yè)于解放軍理工大學(xué)，先后負(fù)責(zé)和參加大型通信系統(tǒng)研制項(xiàng)目、國(guó)家“973”計(jì)劃項(xiàng)目和國(guó)家自然科學(xué)基金項(xiàng)目近10項(xiàng)，獲得國(guó)家科技進(jìn)步一等獎(jiǎng)1項(xiàng)、軍隊(duì)科技進(jìn)步一等獎(jiǎng)1項(xiàng)及二等獎(jiǎng)1項(xiàng)。已發(fā)表論文20多篇，主要研究領(lǐng)域?yàn)橐苿?dòng)Ad Hoc網(wǎng)絡(luò)以及認(rèn)知無(wú)線網(wǎng)絡(luò)。

魏勝群，博士，總參第六十一研究所工程師。畢業(yè)于解放軍理工大學(xué)通信工程學(xué)院，參與過(guò)多項(xiàng)軍內(nèi)外科研項(xiàng)目。研究方向涉及擴(kuò)頻通信、自適應(yīng)均衡、Turbo均衡和認(rèn)知無(wú)線電技術(shù)，發(fā)表論文10余篇。