四点让你认知无线电（Cognitive Radio）的主要组成部分

我们所有人都知道无线电（Wifi 2.4 GHz，Wifi 5 GHz，GSM 2G，3G，LTE 4G，蓝牙，RFID等）。所有这些都提供了一种彼此沟通的方式，包括实时分享信息，娱乐等。问题是无线电需要一个介质和资源来共享这些信息，并将其从一个地方传送到另一个地方，简单的说它们具有频率，空间和时间特性。我们来看看我们最宝贵的频谱资源。我们有很多这样的频谱可以使用吗？

图1、可用的频谱资源是人类的宝贵财富

其实答案是的，我们受这些可用的频谱资源的限制。但是实际上目前有一些应用在使用30 GHz和300 GHz之间的毫米波（mmWave）频谱资源，这些频谱资源可用于高速无线通信，如最新的802.11ad Wi-Fi标准（工作在60 GHz频段）以及使用的WirelessHD标准（也称为UltraGig）来传输高分辨率的流媒体。但问题是毫米波经历了非常大的损失，一般而言它只支持视距（LOS，Line of Sight）通信，因此它可以被用于室内，但不适用于或者难以用于户外移动宽带应用。

修复错误

所以我们需要按照最佳的方式来处理我们现有的频谱资源，并尝试修复当前的缺陷来优化和增强现有频谱资源，首先我们来看一下射频频谱（RF-Spectrum）的分布和应用。

如前所述RF频谱被用于诸如卫星，GPS系统，移动通信（2G，3G和4G），FM收音机，WIFI，蓝牙等各种类型的服务中。其中一些是获得许可的，有些不是许可的，这意味着要在某个频段上运行，您必须付钱，例如移动运营商像Vodafone，Verizon，Orange等的移动服务，需要付出很多钱才能获得在预定频段中分享其服务和应用。有些频段如WI-FI和蓝牙，我们不用花钱就可以使用它们。每个国家都有一个组织来管理频谱的分配过程， 下图是一个频谱分配图的例子。

图2、某个国家的频谱分配图

为什么要引入认知无线电？

可用的频谱资源很少，但是它们并没有被完全利用，下面的图片是电视频谱的一个快照，它显示了频段的一些部分被大量使用，而有些使用较少，而有些则根本没有使用。

图3、电视白频谱的使用情况

认知无线电是SDR（软件定义无线电）和MIND（人工智能）的组合。我们可以想像无线电赋予人类的某种功能，例如他们需要传感器来观察外界，就像人耳可以提取声波既空气分子的振动模式，并将它们转化为电信号，这些信号被携带到大脑中来分析和理解它们，类似地，对于无线电设备，天线是主要的无源组件［如电阻，电感，电容这类的无源器件］的组合的射频前端传感器，它需要电磁波并将这些波转换成电信号，该电信号由其它硬件来处理：如放大，滤波和模数转换（ADC），并且在经过模拟部件去噪处理之后，它们被映射到软件，以便以智能方式分析它们。

因此，认知无线电可以被理解为获得对周围环境的认知并相应调整其行为的无线电。例如，认知无线电可以在跳转到另一个未使用的频带之前确定未使用的频带，并将其用于传输。认知无线电术语是由约瑟夫·米多拉创造的，指的是能够感知外部环境的智能无线电，能够从历史中学习，并根据当前的环境情况做出智能决策来调整其传输参数。

软件定义无线电（SDR，Software Defined Radio）

SDR是基于软件定义的无线通信协议而不是硬连线实现的无线电通信技术。换句话说，可以通过软件下载和更新来升级频段，空中接口协议和功能，而不用完全替代硬件。SDR为构建多模，多频和多功能无线通信设备说遇到的问题提供了一种高效安全的解决方案。SDR使用可编程DSP和硬件支持在数字域中执行大部分信号处理，但是在模拟域（例如RF和IF电路）中仍然进行一些信号处理。天线直接连接到A-D / D-A转换器的所有终端设备，所有的信号处理都是使用完全可编程的高速DSP来数字地完成的。所有功能，模式，应用等都可以通过软件重新配置。在那里它是灵活的，并将模拟和数字世界带来在一起。软件定义无线电（SDR）技术带来了灵活性，成本效率和功能，推动了通信向前发展，服务提供商和产品开发人员通过终端用户实现了广泛连接的优势。

机器与深度学习技术

图4、人工智能在5G网络中的应用

图5、3GPP研究的通信用人工智能算法

现在为了理解如何以智能方式分析实际信号，我们需要一台由机器或深度学习算法驱动的认知引擎来观察，分析，预测并做出决策。但首先我们需要明白，机器学习与深度学习的主要区别是机器学习中的特征工程，学习模型决定根据固定的特征集（观察/测量参数）来对情况进行分类的，但是在深度学习，算法必须确定哪些特征适合这种情况，以便进行分类，从而学习过程基于特征选择和类别来进行的。

图6、认知无线电中的学习过程

让我们看看一个非常简单而又有效的称为监督学习的过程，这简单地意味着每个集合数据样本的答案都是已知的（就像我们监督实际答案已知的培训过程）。在这里，我们馈送神经网络，这是一种流行的学习算法- 大量的训练数据，由人类图片示例标记/标记，使得神经网络本质上可以在其学习中进行自我检查。图像是数据; “人”是标签，但取决于图像。

图7、认知无线电的认知周期

当图像进入时，网络将它们分解为最基本的组件（特征），即边缘，纹理和形状。当图像通过网络传播时，这些基本组件被组合以形成更抽象的概念，即，曲线和不同的颜色，当进一步组合时。在这个过程的最后，网络试图对图像中的内容进行预测。首先，这些预测将显示为随机猜测，因为没有真正的学习已经发生。如果输入图像是“人”，但是预测“狗”，则需要对网络的内层进行调整。调整是通过称为反向传播的过程进行的，以增加下一次为同一图像预测“人”的可能性。一旦发生这种情况，直到预测优化在实现错误的全局最小值时，它会变得更准确。因此，误差仅仅是实际的输出- 所需的输出，并且可以以许多不同的方式在数学上计算出来。

图8、机器学习方法

这种学习过程可以在无线电中发挥创造一种具有“脑功能”的无线电（认知无线电），所以我们可以将其视为优化资源，以最大限度地利用无线电频谱资源的方法。

图9、机器学习例子

认知周期

图10、简化的认知周期

上图包括简化的认知周期，我们使用一些感测技术来感知无线电环境，例如进行快速傅里叶变换，以便检测频谱带中的信号强度级别，然后将检测的数据映射到学习模型中，以找出对应解决方案之后，无线电被动态地重新配置为相应的参数，如发射功率，采样率，中心频率或波形。如果基于一个新的问题有绝对的新的解决方案，那么它将被存储在数据库中，这个过程允许我们通过经验学习来构建我们的系统内存。