认知无线电的应用有哪些_人工智能技术在认知无线电中的应用详解

　　认知无线电（Cognitive Radio，CR）的学习能力是使它从概念走向实际应用的真正原因。有了足够的人工智能，它就可能通过吸取过去的经验来对实际的情况进行实时响应，过去的经验包括对死区、干扰和使用模式等的了解。这样，CR有可能赋予无线电设备根据频带可用性、位置和过去的经验来自主确定采用哪个频带的功能。随着许多CR相关研究的展开，对CR技术存在多种不同的认识。最典型的一类是围绕Mitola博士提出的基于机器学习和模式推理的认知循环模型来展开研究，他们强调软件定义无线电（Software Defined Radio，SDR）是CR实现的理想平台。

　　认知无线电的应用有哪些_民用领域

　　1、在WRAN中的应用

　　IEEE已于2004年10月正式成立IEEE 802.22工作组——无线区域网络（WRAN）工作组，2007年下半年完成标准化工作。IEEE 802.22的核心技术就是CR技术，其目的是研究基于认知无线电的物理层、媒体访问控制（MAC）层和空中接口，以无干扰的方式使用已分配给电视广播的频段，将分配给电视广播的甚高频/超高频频带（北美54～862 MHz）的频率用作宽带接入频段。依据IEEE 802.22功能需求标准，WRAN空中接口面临的主要挑战是灵活性和自适应性。此外，相比别的IEEE标准，IEEE 802.22空中接口的共存问题也很关键，如侦听门限、响应时间等多种机制还需要做大量的研究。

　　2、 在Ad Hoc网络中的应用

　　当认知无线电技术应用于低功耗多跳Ad Hoc网络中时，需要新的MAC协议和路由协议支持分布式频率共享系统的实现。一般的多跳Ad Hoc网络在发送数据包时需要预先确定通信路由，采用CR技术后，因来自周围无线系统的干扰波动较大，需要不断地更改路由。因此，用于Ad Hoc网络中的传统路由技术不再适用。针对这种情况，有研究者提出了采用空时块码（Space Time Block Code， STBC）分布式自动重传请求（Automatic Repeat request， ARQ）技术，利用包的重传来代替路由技术，该方法可根据周围的环境，避开干扰区域自适应选择路由。

　　此外，由于网络路由协议的最优选择很大程度上依赖于物理层环境（如移动性、传播路径等）的变化和应用的需求（如QoS）等，而在Ad Hoc认知无线电网络中，多种业务的QoS需求的变化要比网络拓扑的变化还要快。因此，有必要研究次优化路由协议，以保证长期的网络性能优化。

　　3、在UWB中的应用

　　最初将CR技术应用于UWB系统中，即认知UWB无线电技术的提出是为了实现直接序列超宽带（Direct Sequence UWB， DS-UWB）和多频带正交频分复用（Multiband Orthogonal Frequency Division Multiplexing， MB-OFDM）两种UWB标准的互通，以及解决IEEE 802.15.3a物理层DS-UWB和MB-OFDM两种可选技术标准竞争陷入僵局的问题。

　　由于UWB系统与传统窄带系统之间存在着不可避免的干扰，将CR技术与UWB技术相结合以解决干扰问题，已成为近几年研究的热点，尤其是对UWB系统中基于CR的合作共存算法的研究较多。一个有效的方法是考虑将CR机制嵌入到UWB系统中。如以跳时-脉冲位置调制（Time Hopping-pulse Position Modulation， TH-PPM）为例，通过预先检测到的干扰频率，并相应选择合适的跳时序列，可将UWB系统与传统窄带系统间的干扰减至最小。

　　4、在WLAN中的应用

　　具有认知功能的无线局域网（WLAN）可通过接入点对频谱的不间断扫描，从而识别出可能的干扰信号，并结合对其它信道通信环境和质量的认知，自适应地选择最佳的通信信道。另外，具有认知功能的接入点，在不间断进行正常通信业务的同时，通过认知模块对其工作的频段以及更宽的频段进行扫描分析，从而可尽快地发现非法恶意攻击终端。这样的技术应用在其它类型的宽带无线通信网络中也会进一步提高系统的性能和安全性。

　　但是，尽管认知无线电的智能性得到很多的认可，实际上还是存在很多否定意见。

　　5、在网状（Mesh）网中的应用

　　认知Mesh网络是近几年出现的全新的网络结构，它具有无线多跳的网络拓扑结构，通过中继的方式有效地扩展网络覆盖范围。由于微波频段受限于视距传输，基于认知无线电技术的Mesh网络将有利于在微波频段实现频谱的开放接入。

　　6、在多入多出（MIMO）系统中的应用

　　在无线通信许多新的研究热点中，都有认知无线电可应用的场合。认知MIMO技术可显著地提高无线通信系统的频谱效率，这是认知无线电技术的主要目标，故将MIMO技术引入到认知无线电系统中，将能提供载波频率和复用增益的双重灵活性。

　　值得关注的是，认知无线电技术不但引起了学术界的相当关注，工业界对如何将其应用于实际通信系统也产生了浓厚的兴趣。墨尔本的Adapt4LLC公司在2006年2月宣布已开发出是世界最早的商用CR系统XG1，该系统取得美国FCC的认证，可以在一些授权频段未使用的情况下使用该频段进行通信。关于认知无线电在未来多媒体移动通信中的应用，文献从多个方面进行了详细的分析与论述，在此不再赘述。

　　认知无线电的应用有哪些_军事领域

　　1、认知无线电在军事领域发挥的作用

　　（1）提高通信系统容量

　　无线频谱资源短缺的问题，不仅在民用领域比较突出，在军用领域也是如此。尤其是在现代战争条件下，多种电子设备在有限的地域内密集开设，将使得频谱资源异常紧张。而且，随着民用无线电设备的更新换代和用户数量的急剧增加，对频谱的需求也越来越多。有一些国家的一些组织已经申请将部分军用频谱划归民用。这一动向无疑将更进一步加剧了军用无线电频谱资源短缺的问题。而CR能够动态利用频谱资源，理论上可使频谱利用率提高数十倍。因此，即使是部分采用CR，也能较大幅度提高整个通信系统的容量。

　　（2）提高频谱管理效率

　　战场频谱管理是一个非常重要的课题，各国军方都非常重视这一问题的研究。然而，目前基本都采用固定频率分配的形式进行战场频谱分配。从实战情况来看，这种方案是不完全成功的。一方面，这种分配方案不但导致频谱资源利用率较低，而且容易导致系统内部或者友军之间互相产生电磁干扰；另一方面，这种分配方案需要在战斗开始前花费大量的时间进行频谱规划；此外，通信频率一旦确定，在战斗状态下，无论发生什么情况都无法更改。因此，在战场形势瞬息万变的现代战争中，固定频谱分配方案容易贻误战机。CR能够对所处区域的战场电磁环境进行感知，对所需带宽和频谱的有效性进行自动检测。因此，借助CR可以快速完成频谱资源的分配，在通信过程中还可以自动调整通信频率。不仅提高了组网的速度，而且提高了整个通信系统的电磁兼容能力。

　　（3）提供电子对抗能力

　　电子对抗的传统做法是首先通过战场无线电检测，侦察战场电子环境，然后将侦察到的情况通过战役通信网传达给电子对抗部队，由担任电子对抗任务的部队实施干扰。这种方式不仅需要大量的人力物力，而且需要担任电磁环境侦察和电子对抗的部队密切配合。因此，从侦察到实施干扰的周期较长，容易贻误战机。CR通过感知战场电磁频谱特性，能够快速、准确地进行敌我识别。可以一边进行电磁频谱侦察，一边快速释放或躲避干扰，实现传统无线电所不具备的电子对抗能力。

　　（4）增强系统互联互通能力

　　目前，各军兵种装备了数量众多、型号各异的电台。这些电台工作频率、发射功率、调制方式等各不相同，无法实现互联互通，已成为制约三军联合作战的一个重要因素。CR能够覆盖很宽的频段，并且用软件来实现信号的基带处理、中频调制以及产生射频信号波形。通过自主加载不同的软件就可以使得一部CR技能与短波电台通信，也能与超短波电台通信，甚至能够与卫星通信。正是因为CR能够自主学习网络的通信协议和服务，从而能从根本上提高系统的互操作性和互联互通能力。

　　除了以上功能和优点外，CR还提供定位及环境感知功能，具有不易受民用无线电干扰、组网快捷等优点，这些都是传统无线电无法替代的优势所在。

　　2、认知无线电在军事领域的应用

　　基于在军事领域具有的功能和优点，认知无线电在军事领域有着广泛的应用前景，最重要的两项军事应用领域是频谱管理和抗干扰通信。

　　（1）频谱管理

　　美国联邦通信委员会把它看成是可能对频谱冲突产生重大影响的少数几种技术之一，而美国军方则因为它们在频谱规范方面面临着巨大的难题，所以也对认知无线电十分感兴趣。无论是进行军事演习和联合作战，或是在国内进行培训，军方都遇到有关频率分配的巨大问题。有了认知无线电技术，军方将不再局限于一个动态的频率规划，而是可以从根本上适应需求的变化。

　　为此，美国国防部提出下一代无线通信（XG）项目，初期投资1700万美元。该项目将研制和开放频谱捷变无线电（Spectrum Agile Radio），这些无线电台在使用法规的范围内，可以动态自适应变化的无线环境。XG项目的承包商雷声公司称，在不干扰其它无线电台正常工作的前提下，该项目可使目前的频谱利用率提高10～20倍。雷声公司在该研究中采用的就是认知无线电技术。目前正计划在实际环境中对其进行验证，并为XG技术向军事和潜在的商业应用移植作准备。 　　静态的、集中的频谱分配策略已不能满足灵活多变的现代战争的要求。未来通信的频谱管理应该是动态的、集中与分布相结合的，每一部电台都将具有无线电信号感知功能（侦察功能）。军用认知无线电如能将通信与侦察集成到一部电台里，那么组成的通信网络就具有很多的感知节点和通信节点。军用认知无线电台还可以使军方根据频谱管理中心分配的频率资源与感知的频率环境来确定通信策略，而频谱管理中心还可以从军用认知无线电台获取各地区的频谱利用及受扰信息。这样就形成了集中与分布式相结合的动态频谱管理模式，使得部署更加方便。

　　（2）高抗干扰通信

　　在未来的战场环境中，抗干扰将是军事通信的一个重要课题。军用认知无线电台将大大提升电台的抗干扰水平。应根据频谱感知、干扰信号特征以及通信业务的需求选取合适的抗干扰通信策略。比如，进行短报文通信时，可以采用在安静频率上进行突发通信的方式；当敌方采用跟踪式干扰时，可采用变速调频等干扰策略。

　　人工智能技术在认知无线电中的应用详解

　　1 认知循环与认知引擎

　　认知无线电从对环境的感知和分析到做出相应的智能决策和行动的认知过程可以用一个完整的OOPDAL 认知环路来表示，如图1 所示。

　　

　　图1 认知环路其中贯穿了2个过程： 一个是决策环路（外环），另一个是学习环路（内环）。在外环中推理的效能对于做出正确的决策起到至关重要的作用，而学习则是实现知识积累、提高推理效能、连接内环和外环的关键，推理和学习是体现CR 智能行为的2 个主要特征。

　　认知引擎（cognitive engine， CE）就是在可重配置的无线电硬件平台基础上，实现基于人工智能技术的推理与学习，并做出优化决策的智能主体，是实现CR 智能的核心功能模块。认知引擎要成为CR 的智能主体需要具备3 个基本功能：

　　观察： 收集关于运行环境，无线电自身能力和特征的信息；

　　认知： 理解环境和无线电的能力，能够做出相应的决策行动，并学习这些行动对无线电性能及网络性能的影响；

　　重配置： 改变无线电的运行参数。

　　认知引擎的工作过程如下： 根据外界无线环境、CR 自身状态和用户需求等输入信息（观察），对情况进行分析，做出合适的反应（认知），最后将决策输出（重配置）。认知引擎的工作过程正是认知环路的一个循环 过程，因而，可以说认知引擎是推动认知环路运行的源动力。虽然认知引擎的共同目标都是推动整个认知环路的循环反复，但应用不同的人工智能技术决定了各种 CR 系统中认知引擎的不同工作方式和功能。

　　2 CR 中常用的人工智能技术

　　体现认知无线电智能的过程包括推理、学习和智能优化的过程。推理是根据知识库中已有的知识和当前计划进行决 策的过程，而学习是一个长期的过程，包括对过去行为及执行结果的知识积累，学习使得知识库不断充实，以提高认知无线电未来推理的效能。优化能进一步提高参 数配置的性能，以使得用户服务需求最大化。

　　2. 1 推理系统

　　常用于认知无线电系统中的推理系统主要包括基于规则的推理和基于案例的推理。基于规则的推理在人工智能领域常被用来构建专家系统，而基于案例的推理除了推理，还包括学习的过程，2 种推理系统各有其特点：

　　2. 1. 1 基于规则的推理

　　基于规则的推理（rulebased reasONing， RBR）系统包括知识库和推理引擎2 部分，首先领域专家将知识编写为规则存入知识库中，随后推理引擎根据输入和知识库中的规则进行推理，最后决定执行的动作。RBR 系统执行简单，只要正确全面地将领域知识编为规则，无线电就可以根据输入快速地输出动作，但是其对规则的准确性和完备性要求较高，如果领域知识没有被很好 地表达，就会得到错误的推理结果，并且当系统处理复杂问题时，规则之间容易发生冲突，影响系统正常运行。此外，当系统面对未知的新环境时缺乏学习的能力。 因而，RBR 在认知无线电中的应用受限。

　　2. 1. 2 基于案例的推理

　　基于案例的推理（casebased reasoning， CBR）是根据已经掌握的一些问题的解决方法来获取相似的新问题的解决方法。CBR 的特点在于它模仿人类的思维过程，当遇到新问题时能够根据以往的经验得出解决方法，并将新案例存入知识库，从而实现系统增量式的学习。应用CBR 的认知无线电系统可以不断地学习和适应新环境，无需领域知识，认知无线电就能够具备自学习的能力。

　　在实际系统中，人们通常还会将RBR 与CBR 的方法结合起来使用，当知识库中的规则可以解决当前问题时，直接应用推理即可，当规则不足时，则通过案例学习丰富系统知识从而做出正确的推理决策。

　　2. 2 机器学习方法

　　机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身性能的一门学科，是人工智能中很重要的一个领域。下面介绍几种CR 中常用的学习方法。

　　2. 2. 1 人工神经网络

　　人工神经网络（artificial neural networks， ANN）是受到人类大脑神经元的工作方式所启发，发展出的一种信息处理系统。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一组输入输出数 据，分析掌握二者之间潜在的规律，根据这些规律，用新的输入数据来推算输出结果。ANN 因其动态自适应性，可用来学习非线性系统的复杂模式及属性，已被用来解决认知无线电中频谱感知，信号分类以及自适应配置参数等问题。

　　2. 2. 2 强化学习

　　强化学习是用来解决能够感知环境的系统通过学习选择能够达到其目标的最优动作的问题。当系统在环境中做出每个动作后，通过设定相应的奖惩机制， 使系统能够从这个非直接的回报中学习，以便后续动作产生最大的累积回报。强化学习可以在没有训练序列的情况下应用，其目标是使长期的在线性能最大化，因此 它适用于认知无线网络的学习，如未授权用户通过用强化学习的方法探索可能的传输策略同时发掘相关知识，通过调整传输参数，达到限定条件下（如干扰温度受 限）的目标（如最大化吞吐量）。

　　2. 2. 3 贝叶斯学习

　　贝叶斯学习利用样本信息的后验概率和参数的先验概率求总体，是一种直接利用概率实现学习和推理的方法。贝叶斯学习可以根据过去的经验提高未来的决策能力，在通信系统中可用于问题的抽取、收集和存储。

　　其他学习方法还包括决策树、模糊逻辑、博弈论和聚类等，在实际的认知无线电系统设计中，需要根据应用场景和目标的不同，选择不同的机器学习方法。

　　2. 3 智能优化算法

　　根据环境变化和用户需求智能调整无线电参数是认知无线电的基本功能，参数调整需满足信道条件、用户需求和制度限定等多方面的要求，因此，认知无 线电要能在多个目标函数间进行权衡，并给出一种符合多条件限制的折衷参数配置方案。智能优化算法模拟生物或自然界的现象，适用于CR 的参数配置问题。下面简单介绍几种常用的智能优化算法。

　　2. 3. 1 遗传算法

　　遗传算法借鉴生物进化的原理，通过自然选择、遗传和变异等操作，模拟自然进化过程来寻找所求问题的答案。它在CR 中的基本思想是把无线电类比为一个生物系统，将无线电的特征定义为一个染色体，染色体的每个基因对应电台一个可变的参量，通过遗传算法的进化得到满足用户 服务质量要求的系统配置，但其有效性更多依赖于合适的参数选择。

　　2. 3. 2 模拟退火算法

　　这种算法模拟热力学中退火过程，通过模拟的降温过程按玻耳兹曼方程计算状态间的转移概率来引导搜索，以一定的概率选择邻域中目标值相对较小的状态，避免陷入局优，使算法具有很好的全局搜索能力。该算法执行容易，但收敛速率较慢。

　　2. 3. 3 禁忌搜索算法

　　这种方法的基本思想是在搜索过程中将近期的搜索过程存放在禁忌表中，阻止算法重复进入，禁忌表模拟人类的记忆功能，能够大大提高寻优过程的搜索效率。

　　其他优化算法还包括粒子群优化算法和蚁群优化算法等。智能优化算法不仅可以用来推理或通过目标函数寻找最优解，还可以通过训练样例来学习搜索空间中能够达到目标的一些规则。尽管各种算法有不同的特点，但共同的应用目的都是通过学习广泛的样例，形成对目标的解决方案。

　　3 人工智能技术的CR 应用实例

　　Newman等人研究的基于CBR的认知引擎已经应用在IEEE 802. 22 的无线区域网（WRAN）中，这个CE的架构如图2 所示。

　　

　　图2IEEE 802. 22 的无线区域网认知引擎模型：其中，无线环境图（REM）是由分布的无线网络节点和网络设施具备的信息数据库，包括地理信息、服务和网络信息、政策信息、无 线电设备的配置能力及过去的经验。REM 中的信息通过不断观察CR 节点的状态进行更新，并在CR网络中传播。REM通过提取无线环境的特征，为CE的工作做准备，该认知引擎结合了基于知识的学习和基于案例的学习方法，可 以大大减少认知无线电的执行功率和自适应时间。

　　J.H. Reed 等人开发的认知无线电测试平 台CoRTekS 基于ANN 技术。无线电可以改变调制类型、传输功率、设置频率和带宽，同时最优化3个目标：用户服务质量、最大化吞吐量以及最小化传输功率。系统通过周期训练 ANN， 并观察相应的结果，使CE 逐渐学到了在某个场景下，无线电参数设置与系统性能间的映射关系，从而在给定的信道状态和用户需求下，CE 能够选择使目标函数最大的设置。

　　美国维吉尼亚工学院的无线通信中心的研究人员Rieser等人提出了一种基于遗传算法的认知引擎模型：BioCR。其功能和执行流程如图3所示。

　　

　　该模型包括无线系统遗传算法模块（WSGA），无线信道遗传算法模块（WCGA）和认知系统检测器模块（CSM），系统对当前环境下运行的无线电给出一种参数配置的方法，该配置可被修正多次，直到其真正满足目标需求。

　　4 结束语

　　人工智能技术是实现认知无线电的核心，该文回顾了一些在认知引擎设计中普遍应用的人工智能技术，并介绍了几种典型的应用不同人工智能技术的认知 引擎。经验证明要设计出性能完备的认知引擎，往往需要将多种人工智能技术结合起来，选择什么样的人工智能技术取决于认知无线电的应用需求，需要设计者在系 统的反应时间、执行的复杂程度、可提供的训练样例和系统鲁棒性等因素间进行权衡。随着人工智能技术的不断发展，认知引擎必将变得更加智能，认知无线电也会 迎来更加广泛的应用前景。