人工智能技术在认知无线电中的应用

摘要： 认知无线电技术为无线通信的发展提供了新的机遇和挑战。认知无线电的一个重要特征就是智能，人工智能技术是实现其智能性的关键所在。本文首先提出了自己的认知无线电研究框架，然后对多种人工智能技术在认知无线电中的应用进行了概述，最后详细介绍了人工神经网络在认知无线电中的应用，并进行了仿真验证。

Abstract: Cognitive radio technology provides new opportunities and challenges for the development of wireless communication. Intelligence is an important characteristic for cognitive radio, and application of artificial intelligence techniques is key to implement this characteristic. This paper will first provide our own research framework on cognitive radio, second give an overview of application of artificial intelligence to cognitive radio, and last introduce and simulate the application of neural network to cognitive radio.

关键词： 人工智能；认知无线电；神经网络

基金项目：国家重点基础研究发展规划（“973”计划）项目（2009CB320403）；国家自然科学基金资助项目（60832008，60832006）；国家科技重大专项课题（2009ZX03007-004）。

作者简介：柴新代（1964-），男，北京人，本科，高级工程师，研究方向为通信系统工程；董旭（1979-），男，河北景县人，博士研究生，讲师，研究方向为认知无线电。

1 概述

无线通信技术的飞速发展，正在越来越深刻地影响着人们的生活。与此同时，无线通信技术的发展也面临着严峻的考验，一方面频谱资源的固定分配模式和利用率不均衡制约着无线通信宽带化的发展，另一方面多种空中接口和网络协议并存的局面为无线网络的融合提出了挑战。1999年Mitola博士提出的“认知无线电（Cognitive Radio）”[1]为解决无线通信所面临的问题提供了新的机遇。因此，认知无线电技术迅速成为业界研究的热点。

认知是人类获取运用知识解决问题的一种抽象，将认知运用到无线电技术，会提高无线电系统的智能性，这也是认知无线电技术区别于普通软件无线电的最大特点。认知无线电技术通过实时的获取外部环境信息，并对这些信息进行分析、学习和判断，得到无线电知识，然后根据这些知识智能地调整各种通信参数，从而最终实现可靠的通信，并达到最佳的频谱利用效率。人工智能技术为实现认知无线电的智能性提供了可能，本文将主要围绕多种人工智能技术在认知无线电中的应用进行论述，下面将首先介绍认知无线电智能化的基础框架――认知环路和认知引擎，然后对几种人工智能技术在认知无线电中的应用进行简要介绍，最后将详细介绍神经网络在人工智能中的应用，并通过仿真给出一个具体的示例。

2 相关工作

2.1 认知环路 Mitola博士在提出认知无线电概念的同时提出了OOPDAL（观察-判断-计划-决策-行动-学习）认知环路[1]，用以支持其认知无线电架构。此外，学术界还提出了多种认知环路模型[2,3]，比较著名的有军事战略家Boyd提出的OODA（观察-判断-决策-行动）环路、IBM为自主计算提出的MAPE（监测-分析-计划-执行）环路、Motorola为自主网络提出的FOCALE（基础-观察-比较-行动-学习-擦除）环路等等。OOPDAL环路具有完整认知功能和清晰的认知过程，是设计认知无线电最为理想的环路模型。本文对OOPDAL环路各环节进行了重新定义，丰富了环路模型的内涵与外延，并在原环路模型基础上增加“知识库”，明确表达了知识获取与运用的过程。

如图1所示，经改进的OOPDAL认知环路由外环和内环组成，外环也称决策环。认知无线电首先“感知”无线域、网络域、用户域、政策域中的数据，并对其建模以明确自身所处态势；“判断”是对数据的精炼，也即对感知数据进行清理、集成和选择，提取出其中对决策有贡献的信息；“计划”根据用户需求与当前环境生成优化目标；“决策”根据优化目标执行优化；“行动”将决策结果付诸实施，使内部状态和外界环境发生变化，这些变化又被重新“感知”，进入下一轮循环。内环又称学习环，用于从外环运行的历史经验中提取知识，并存放入知识库以指导决策环运行。

OOPDAL环路对知识的运用过程充分体现了认知无线电的智能性，其中计划、学习、决策等环节更是智能性得以实现的关键所在，具体的实现方法则需要借助于人工智能技术。

2.2 认知引擎 认知引擎是实现认知环路功能的技术手段。但很多认知引擎的设计是针对特定方法实现特定任务的，本文希望设计一种通用的认知引擎架构，以适应认知无线电所面临的各种应用。通用认知引擎结构由认知核与接口部分组成。认知核提供各种丰富的工具，包括知识表示工具、各种推理机、学习机、优化算法库等，为完成认知循环的各环节功能提供支持。接口部分包括感知器接口与用户接口。感知器接口收集各种感知数据，并通过建模系统以机器可理解的方式表示；用户接口部分允许用户调用认知核中各种工具并对其进行流程编排和建模完成专用认知引擎的构建。另外，可配置无线网络具备动态可配置波形与协议，以执行认知引擎的决策。

认知核是认知引擎的核心，包括多种人工智能工具，如专家系统，案例推理，神经网络，遗传算法等，每种人工智能的工具不但可以实现相应的认知功能，还可通过多种不同工具的编排组合实现认知无线电的各种应用，即实现认知引擎的通用性。

3 人工智能技术概述

如果说认知核是认知引擎的核心，那么人工智能技术就是认知核的核心。人工智能技术已有比较成熟的理论体系[4]，但将其应用到认知无线电还处于探索阶段。下面先简要介绍几种人工智能技术在认知无线电中的应用。

3.1 专家系统 专家系统在人工智能技术领域有着非常成功的应用[5]，并能够很好的与其他人工智能技术结合使用，如遗传算法，人工神经网络等。专家系统是运用知识和推理过程来解决只有专家才能解决的复杂问题，也就是说专家系统是一种模拟专家决策能力的计算机系统。专家系统主要包括两个部分：知识库和推理机。知识库用来存储专家知识，推理机则依据专家知识对已有事实进行推理和决策。认知无线电可以借助专家系统完成推理决策功能。认知无线电可以通过主动学习或“人在环中”的方式获取无线电知识并存储到知识库中，然后根据外部无线环境和用户需求的变化，到知识库中查询相应的先验知识，并通过推理机进行决策，从而调整无线电的工作参数以适应环境和需求的变化。CLIPS是目前比较成熟的专家系统工具，已有学者将基于CLIPS的专家系统应用到认知无线电的研究中[6]。

3.2 案例推理 案例推理作为一种人工智能技术致力于从以往的经历或者案例当中得到新问题的解决方案。基于案例的系统通过在案例库查找与需要解决的问题相似度最大的案例来找到问题的解决的方法，并将找到的案例与当前的场景进行匹配，这种匹配实际上就是一种最优化的过程。而最初找到的案例是为了节省优化的时间，通过优化的新的解决方案，将被作为新的案例存储到案例库中。认知无线电可以根据无线环境的变化调整工作参数，不同的环境和工作参数可以作为案例存储到案例库中[7]。当环境发生变化，认知无线电可以在案例库中查找与当前环境最为相似的一个案例，然后用该案例与当前环境进行匹配，优化工作的参数，并把当前环境和优化的参数作为新的案例存储到案例库中。Soar作为一种人工智能系统的开发工具，可以实现案例推理功能，并可以基于案例进行学习，国内已有学者基于Soar和GUN Radio软件无线电平台开发出认知无线电原型系统。

3.3 遗传算法 遗传算法借鉴生物进化和遗传的生物学原理，可用于解决目标优化问题，即找到一组参数（基因）使得目标函数最大化。其基本原理是根据求解问题的目标构造适值函数，使初始种群通过杂交和变异不断选择好的适值进行繁殖，并最终得到最优解。遗传算法同样可以作为认知无线电的决策方法[6,8]：可以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无线电一个可变的参量，比如发射功率、频率、带宽、纠错编码方法、调制算法和帧结构等等，这样就可以通过遗传算法的进化来得到满足用户需求和适应环境变化的系统配置参数。

4 神经网络在认知无线电中的应用

对于人工神经网络的研究源于对人类大脑思维过程的模拟，在很多领域，神经网络已经有了广泛的应用。下面将详细介绍神经网络在认知无线电中的应用。

4.1 神经网络简介 1943年神经物理学家W.McCulloch和逻辑学家W.Pits在对人脑的研究中提出了人工神经网络。目前人工神经网络作为一种人工智能技术主要基于统计评估、优化和控制理论。人工神经网络由用以模拟生物神经元的大量相连的人工神经元组成，主要用于解决人工智能领域的一些复杂问题，比如机器学习。根据网络结果和训练方法的不同，人工神经网络可以分为多种类型，以适应多种的应用需求[7]。多层线性感知器网络（MLPN）：MLPN由多层神经元构成，每一个神经元都是上一层神经元输出的线性组合。一般这种线性组合的权值在训练前是随机生成的，并且可以随着训练不断的更新。更新的方法有多种，如后向传播（BP）、遗传算法等。其训练方法的性能将由其网络规模和应用场景决定。非线性感知器网络（NPN）：NPN是利用对每个神经元的输入平方或两两相乘的方法将非线性引入神经网络使其可以对动态变化的训练数据进行更好的拟合。但NPN的网络结构需要根据训练数据进行调整，另外如果采用BP方法进行训练会使网络收敛缓慢而导致处理时间过长。径向基函数网络（RBFN）：RBFN和NPN类似，不同的只是其非线性的引入是在隐含层利用径向基函数实现非线性映射，这可以防止网络收敛到局部最小值。

4.2 应用举例 由于神经网络可以动态的自适应和实时的训练，因此可以对系统的各种模式、参数、属性等进行“学习”，并“记住”这些事实，当系统有了新的输入和输出时，可以进行实时的训练来记忆新的事实。这正符合了认知无线电认知功能的需求，因此神经网络在认知无线电中有着广泛的应用前景。下面就列举一些神经网络在认知无线电中的应用[9-12]。神经网络可以用于认知无线电的频谱感知，例如利用基于神经网络的分类器可以根据信号的循环平稳特性或者频谱特性等对信号进行分类。神经网络还可用于无线电参数的自适应决策和调整，神经网络可以根据当前信道质量和用户需求等所确定的优化目标选择无线电参数。另外神经网络还可以对无线电系统的各种性能进行预测，神经网络可以记忆不同无线环境不同无线参数所达到的系统性能，比如误码率、吞吐量、时延等等，从而对未来可能产生的系统性能进行预测，进而对各种无线参数进行优化。

5 仿真及分析

由于无线环境的开放性，无线系统大都是非线性系统，因此神经网络用于认知无线电也应采用非线性模型。非线性感知器网络（NPN）可以完成认知无线电的学习功能，从而对各种系统性能进行预测，下面就通过一个具体例子来仿真基于NPN的误码率性能预测。

5.1 仿真模型 NPN由三层节点构成：输入层、隐含层和输出层。隐含层通常只有一层神经元，本文在此基础上扩展了隐含层的层数，从而扩大了神经网络的规模，使其具有更好的学习效果。具体的网络结构如图2所示，每个节点都与下一层的所有节点唯一相连，除了输入层节点，其他各层节点称为神经元，具有一个非线性的激活函数，以实现对非线性系统的拟合。本文将采用最为常用的非线性激活函数――S函数，即：f

神经网络的训练将采用BP方法，具体算法如下：

③根据RMS误差决定是否调整权值，直到RMS误差或者迭代次数达到停止要求。

5.2 仿真场景 仿真场景的设置将根据上面提出通用认知引擎架构进行编排。首先认知引擎要收集各种数据。WiMax可以根据信道质量调整其调制编码模式等无线电参数，因此将作为通用认知引擎架构中的可重配置的无线电平台将系统的误码率性能实时上报给认知引擎；信噪比作为无线环境的表征可通过感知器进行收集；编码速率作为用户对业务的需求可通过用户接口上报给认知引擎。然后认知引擎内基于NPN的学习机就可以对这些数据进行训练了，训练的方法如上节所述。最后训练好的神经网络就可以根据无线环境和用户需求对系统的误码率进行实时的预测，从而调整认知无线电的各种操作参数。

5.3 仿真结果及分析 由于对神经网络模型的隐含层进行了扩展，首先验证一下改进的模型性能是否有所提升。仿真结果如图3所示，分别仿真了具有2层、3层和4层神经元的NPN的收敛性能。其中2层模型是没有经过改进的，其收敛速度最快，但RMS误差较三层模型差；3层模型虽然收敛速度稍慢，但收敛的RMS误差最低；4层模型的网络规模最大，因此收敛速度最慢，但其RMS误差收敛的并不是最低，这是由于神经网络的规模应该与训练数据的规模相适应，过大的网络规模反而不会得到很好的收敛性能。折中考虑，在后续误码率预测仿真中，将采用3层神经元模型的NPN对数据进行训练。

如图4所示，利用3层神经元模型分别对WiMax场景下的64QAM、16QAM、QPSK和BPSK的误码率性能进行了预测。从预测结果和实际的仿真结果的比较可以显示，随着调制模式的升高，预测的性能将越来越好。

6 结束语

本文主要介绍了人工智能技术在认知无线电中的应用，并通过人工神经网络进行举例，从仿真的结果可以看出神经网络在认知无线电中应用的可能性。人工智能技术在认知无线电领域的应用还有着广阔的研究前景，应该积极探索更多的人工智能技术在认知无线电中应用。但也并非所有的人工智能技术都适用于认知无线电的开发和应用，应在研究中有所选择把握方向。不同的应用场景也对人工智能技术提出了不同的需求，找到适用于相应场景的人工智能技术也很重要。未来的工作应更多的考虑一些实际的应用，让无线通信系统可以真正的像人一样思考。

参考文献：

[1]J.Mitola Ⅲ."Cognitive radio: Making software radios more personal"，IEEE Personal Communications，vol.6，no.4，pp.13-18，1999.

[2]S.Haykin."Cognitive radio：Brain-empowered wireless communications"，IEEE Journal on Selected Areas in Communications，vol.23，no.2，pp.201-220，2005.

[3]T.W.Rondeau，C.W.Bostian，D.Maldonado，A.Ferguson，S.Ball，B.Le，and S.Midki，“Cognitive radios in public safety and spectrum management”，Telecommunications Policy and Research Conference，vol.33，2005.

[4]George F.Luger，“Artificial Intelligence Structures and Strategies for Complex Problem Solving Fifth Edition”，Pearson Education Limited，2005.

[5]Joseph C.Giarratano, Gary D.Riley，“Expert System Principles and Programming Fourth Edition”，Thomson learning，2006.

[6]Timothy R.Newman，“Multiple Objective Fitness Functions for Cognitive Radio Adaptation”，Doctor Thesis，2008.

[7]A.He，K.K.Bae，T.R.Newman，J.Gaeddert，K.Kim，R.Menon，L.M.Tirado，J.Neel，Y.Zhao，J.H.Reed，and W.H.Tranter，“A survey of artificial intelligence for cognitive radios”，IEEE Transactiongs on Vehicular Technology，vol.59，no.4，pp.1578-1592，2010.

[8]Thomas W.Rondeau，“Application of Artificial Intelligence to Wireless Communication”，Doctor Thesis，2007.

[9]N.Baldo，B.R.Tamma，B.S.Manoj，R.Rao，and M.Zorzi，“A neural network based cognitive controller for dynamic channel selection”，in Proceedings of IEEE International Conference on Communications（ICC），pp.1-5，2009.

[10]X.Zhu，Y.Liu，W.Weng，and D.Yuan，“Channel sensing algorithm based on neural network for cognitive wireless mesh network”，in Proceedings of IEEE International Conference on Wireless Communications（WiCom），pp.1-4，2008.

[11]V.K.Tumuluru，P.Wang，and D.Niyato，“A neural network based spectrum prediction for cognitive radio”，in Proceedings of IEEE International Conference on Communications（ICC），pp.1-5，2010.

[12]N.Baldo，and M.Zorzi，“Learning and adaptation in cognitive radios using neural networks”，in Proceedings of IEEE Consumer Communications and Networking Conference，（CCNC），pp.998-1003，2008.