认知无线电中的人工智能技术

认知无线电中的人工智能技术
作者：赤伟葛利嘉陈世娥张玉
来源：《移动通信》2010年第02期
【摘要】文章归纳了目前认知无线电研究中涉及的人工智能技术,以认知引擎思想架构为基础,针对感知与信息存储、学习与推理、决策与调整等认知过程的重要阶段,介绍了无线电知识表示和专家系统在环境感知和信息存储上的应用,讨论了用遗传算法、神经网络和模糊逻辑实现认知学习与推理的方法,分析了用博弈论进行无线电决策的过程,最后指出了利用人工智能研究认知无线电的发展方向。

【关键词】认知无线电人工智能认知引擎遗传算法
1 引言
频谱资源理论上是无限的,但天线尺寸、电磁波特性、设备性能和功率的限制,使实际可用的频谱非常有限,这些频谱已经基本划分完毕,再可被利用的频谱就显得无比珍贵。

美国联邦通信委员会(FCC)研究发现,大量已经分配的频谱资源存在着不同程度的闲置,这造成了频谱资源日趋紧张与现有资源利用率很低的矛盾局面。

为解决该问题,1999年Mitola提出了认知无线电(CR,Cognitive Radio)的概念[1],其主要思想是:终端具有足够的智能和认知能力,能够自动感知周围环境和检测可用频谱,结合已知信息,经过学习、推理进行决策,通过调整设备参数来占用频谱,实现频谱的充分利用[2]。

认知无线电的核心思想是使无线电设备像人一样具有“智能”,能够进行感知、推理、学习、决策和执行等“认知”行为,这与人工智能的思想在某种程度上是吻合的。

因此,将人工智能的理论和方法引进通信网络决策系统中,实现通信系统的“认知”智能化,对发展认知无线电具有重要的科学意义和迫切的现实意义。

人工智能即用人工的方法在机器上实现智能,研究领域主要有专家系统、机器学习、模式识别、自然语言理解、自动定理证明、自动程序设计、机器人学、博弈论、智能决策支持系统和人工神经网络等。

它用知识表示和专家系统的理论将感知的信息合理地表示和存储,用神经网路、遗传算法等方法实现认知过程中的学习、推理,用博弈论在频谱分配共享和功率控制中进行决策,等等。

人工智能在认知无线电中有广泛的应用,是现阶段研究的热点。

2 认知引擎
认知无线电的功能和目的决定了认知循环过程包括感知、推理、学习、决策和执行等内容,这是一个循环往复的动态过程。

认知无线电设备必须具备实现上述功能所必需的各种技术[3]。

认知系统可由分别实现上述功能的单元组成,实际的认知处理过程,也必然涉及到不同单元间大量的信息传递和交换。

由不同单元组成的系统架构,一种是采取全互通式连接,即每个单元间都互联互通,但会造成连接网络规模庞大,运行资源消耗较大,一旦某个环节出现问题,检查处理会比较困难;另一种是设立一个中间控制单元作为核心,集中控制各功能单元和彼此间的信息传递,减少资源消耗,提高效率和可控性。

认知无线电现有的主要设计思想是构造一个认知核心并集合部分功能,作为信息处理和功能控制的中间节点。

基于遗传算法,Rondeau T W等首先提出了“认知引擎”的概念[4],其目的是通过认知引擎分析物理层的链接状况、用户需求和调整机制,在多个目标和限制条件下寻求最优解,以此在整个自适应的无线电过程中提供智能控制。

Rondeau T W在其博士论文中系统阐述了该认知引擎结构,如图1所示[5]:
认知引擎的关键是一个认知控制器,作为系统的核心和调度中心,控制输入/输出和其它与之相连的单元。

这些单元包括:感知器(感知无线电和环境信息),优化器(在确定目标和环境条件下,给出优化波形),决策器(挖掘信息,判断如何优化和行动),策略引擎(即策略校验器,加强对调整过程的控制),无线电架构(负责与无线电平台通信以确保优化方案能够得到执行,为感知器提供信息),用户接口(提供控制和监视认知引擎的端口);每一个单元都可作为一个独立的模块启动。

在执行中,各单元通过普通的接口(比如插槽)连接和交换信息。

Rondeau T W的认知引擎结构有两个重要特点:一是允许单独开发、测试和启动每一个结构单元,不同的单元依靠不同的处理器或者主机,能够执行分布式过程;二是允许用不同类型的算法和过程实现不同的单元,譬如,针对不同情况开发的感知器都可以应用在该结构中,或者是不同的优化函数都可以被应用和比较。

遗传算法是基于变化的参数构成基因,从而通过进化达到最优
解,而对于某些恒定参数(如用户资费长时间内保持不变)作用的研究,该结构还没有考虑,但它对用户是否使用认知无线电有决定性影响。

Clancy C等的认知引擎模型较为简单,即在软件无线电的平台上,增加一个由知识库、推理引擎和学习引擎模块组成的认知引擎,如图2所示[6]。

知识库存储感知信息的逻辑描述、正确的预测和可以采取的行动策略集;推理引擎负责根据目标函数确定从知识库中提取的可直接采取的行动方案;学习引擎的主要目标是判断哪个输入状态将使目标函数最佳,完成特殊情况的处理,提供新的行动方案,并丰富知识库。

根据应用的需要,学习引擎不仅可以从初始化开始就保持运行,也可以在认知无线电系统需要的时候阶段性运行。

此外,Nolan K E等认为,认知需要一个高度可重构的核心,即一个具有推理、学习、知识表示和重新配置功能的认知封装,这类似于认知引擎的思想[7]。

文献[8]给出了不受任何特殊软件无线电硬件和软件结构约束的认知引擎例子,文献[9]给出了认知引擎设计的基本考虑和特殊应用的细节研究。

3 人工智能的应用
认知无线电的“智能化”体现在整个认知过程中,包括用户和环境信息的检测、辨识,获取信息的推理、学习,最终决策的制定、执行,新的认知过程实现等。

认知引擎作为认知无线电的核心,是利用人工智能的最佳平台,它集合多种人工智能技术来实现无线电的认知智能。

人工智能在认知无线电中的应用如图3所示[10],主要分为环境感知、信息存储阶段的应用,认知学习、推理阶段的应用和无线电决策、调整阶段的应用。

3.1环境感知、信息存储阶段的应用
(1)知识表示
知识表示就是将知识信息描述为一种便于机器识别的数据结构,它是认知的信息基础,直接影响知识库的构建和知识检索的难易程度、检索效率等,并决定认知无线电的实际可用性。

以前和现在的无线电状态、可用的频谱资源、内部和外部的观察信息等都是认知过程中的重要资料,这些信息的表达形式直接影响它们的使用价值。

此外,可用的行动序列和对行动的评价也是必备的重要数据。

从源实体得到的信息一般都有某种严格的描述规则,为了更好地解释这些信息,认知设备必须遵循一个通用的语法协议。

Mitola提出一种称为“无线电知识描述语言”(RKRL)的知识表示方法来表达无线规则、系统配置、软件模块、网络传送、用户需求和应用环境等知识[1]; Rondeau T W提出用XML(eXtensible Markup Language)来描述感知的信息[5];Nolan K E等提出使用OWL(Web Ontology Language)[7]。

不同的知识表示方法各有优劣,RKRL是一种并行对象语言,可动态定义认知无线电系统突发的数据变换,通过相关协议操作来更好地满足用户的需求,增强了系统的灵活性;XML是一种简便的信息表示法,可以由软件处理并以人类思维的形式呈现;OWL提供了一种说明场景的语义学方法,由不同的语法平台来传达和解释。

(2)专家系统
专家系统内部含有大量的某个领域专家水平的知识和经验,能够利用人类专家的知识和解决问题的方法来处理该领域问题。

它一般解决的是没有算法解的问题,并且经常在不完全、不精确或不确定的信息基础上做出结论。

在认知引擎中可以构建一个专门的知识库来存储频谱分配案例,当感知到非授权用户信息和环境数据后,可先在专家系统进行检索,若有相同案例,立即采
用同样的行动方案进行通信,保证通信的简单性、实时性。

专家系统的知识规模、知识库中知识的更新问题等是制约其应用的关键。

3.2认知学习、推理阶段的应用
(1)遗传算法
遗传算法是借鉴自然界自然选择和进化机制发展起来的高度并行、随机、自适应搜索算法。

它使用了群体搜索技术,用种群代表一组问题解,如数据速率最大化、功率消耗最小化、干扰最小化、频谱效率改善等。

通过对当前种群的选择、交叉和变异等一系列遗传操作,从而产生新一代种群,并逐步使种群进化到包含近似最优解的状态。

遗传算法用向量表示无线电系统的给定条件或输入激励和行为,根据采取行为的成功程度来修正输入向量。

基因的比特序列由两部分组成:一部分是用于匹配给定条件的模式,包括功率、带宽、中心频率、调制方式、信号速率等;另一部分是用于匹配后所采取行为的比特模式,如功率调整、中心频率调整、速率调整等。

基因模型如图4所示:
在执行输入部分匹配并采取相应行为后,对基因进行两种调整:一种是强化对成功行为有贡献的基因(对没有贡献的基因进行弱化),提高有益基因的存活率,使无益基因灭亡(从比特序列中删除);另一种是比特序列的随机突变,提供比特序列间产生新的解的机制。

基因不仅以自然选择的方式存活或者死亡,还可以引入全新的种类,可能会得到更高效的推理。

文献[11]给出了遗传算法在认知无线电中应用的初步研究。

遗传算法的主要研究方向是:明确构成染色体的信息参量组成和数目的规则;调整构成染色体的所有无线电参量的权重;改进算法,避免陷入局部最优解而得到一个非最佳行动方案,实现拟解决问题的最优化[12];优化算法的计算量和效率,以满足对实时性要求高的应用,等等。

(2)神经网络
神经网络是模拟人脑信息处理机制的并行处理网络系统,它不但具有处理数值数据的一般计算能力,而且具有处理知识的思维、学习和记忆能力。

一个神经网络由多个互联的神经元组成。

神经网络已经发展成为有多种网络模型的理论体系。

利用神经网络构建学习单元,通过设
定节点的激活门限,来决定感知到的或输入的信息(带宽、信号速率、空闲时间、BER、FER等)会产生怎样的响应,将获得的结果和预测结果进行比较。

如果匹配,则到达该输出点的路径通过反向传播跟踪来强化中间节点和路径。

强化可以通过增加输入到正确输出的传播中涉及的节点权重来实现。

神经链路的强化提高了相同的环境信息输入得到相同的正确输出的概率,与期望输出值不匹配的认知决策被削弱,降低了相同条件下再次采用这些方案的可能性。

文献[13]通过多层前馈神经网络进行通信性能实时特征评价,文献[14]研究了用神经网络进行最佳决策评估和学习的方法。

神经网络研究中以下问题还有待深入:网络训练的数据样本的获取和确定,大规模认知网络的模拟分析(现在的神经网络只能模拟单个或多个认知设备组成的认知网络),等等。

(3)模糊逻辑
很多事情都表现为一定的不确定性,模糊理论通过模糊描述构建模糊集合,确定隶属函数,利用信息本身的不确定性来处理问题。

认知无线电的学习、推理阶段,要进行各种信息的传输和交换,包括层间的信息传递,这涉及到网络的跨层设计和优化问题。

Balodo N等提出用模糊逻辑的语言来表达网络所需的跨层信息,以模糊逻辑控制器作为认知跨层的引擎,如图5所示[15]。

该方法的优点是网络结构的构建复杂度降低,改善了信息解释(精确测量的结果可以用一个不精确的知识表示解决);存在的问题是跨层网络中各层间通信的跨层信息要求必须是连续可用的,而它的标准化工作还未解决。

3.3 无线电决策、调整阶段的应用
博弈论是研究决策者在相互依存、相互影响的情况下如何进行战略决策的分析工具。

稳定状态在博弈论中体现为博弈过程的Nash平衡(NE,Nash Equilibrium)。

在空白频谱的占用竞争机制中引入博弈论的方法实现分布式频谱资源策略的研究,已经成为关注的方向。

静态博弈模型的分析,假设所有参与者同时进行,该模型简单,但使用范围有限。

这是因为用户决策都是从自身的角度出发使自己的收益最大化,这样得到的NE往往与系统最优解之间存在
较大差距。

动态决策过程强调决策过程和决策顺序对决策行为和结果的影响,可以出现合作等静态博弈过程不会有的结果,系统的稳定性能要优于静态博弈结果[16]。

功率控制的目标是在不干扰授权用户的前提下尽可能增加认知用户的发射功率。

对于存在合作和竞争的多址认知无线电系统,发送功率受干扰温度和可用频谱数量的限制,可以用博弈论来解决其功率控制问题。

4 结束语
认知无线电的优势体现在它的高度智能化和对频谱资源的充分利用,许多专家学者都在研究如何将人工智能的诸多方法用于认知无线电。

神经网络、博弈论和遗传算法等运用到用户和环境信息的检测、频谱的分配共享机制,数据挖掘、贝叶斯逻辑、机器学习和博弈论等在认知学习、推理中的应用,决策树理论在认知行动决策中的应用,都是研究的方向。

对于用户和环境信息感知技术的研究,国内外进行的比较多,也形成了相对成熟的理论和方法;对于认知循环中推理、学习和决策阶段的研究尚处在起步阶段,这也是认知无线电的核心问题。

统一高效的知识表示规则、认知无线电系统的安全保密策略以及认知网络的跨层设计等网络层面的研究,也是实际应用中必需要解决的问题。

在这些问题的研究中,人工智能的思想和算法是大有可为的,必将成为认知无线电今后的研究热点和方向。

参考文献
[1]Mitola J, Maquire G J. Cognitive Radio: Making Software Radios More Personal[J]. IEEE Personal Communications, 1999,6(4): 13-18.
[2]Haykin S. Cognitive Radio: Brain--Empowered Wireless Communications[J]. IEEE JSAC, 2005,23(2): 201-220.
[3]Mody A N, Blatt S R, Mills D G, et al. Recent Advances in Cognitive Communications[J]. IEEE Communication Magazine, 2007(10).
[4]Rondeau T W, Le B, Rieser C J, et al. Cognitive Radios with Genetic Algorithms: Intelligent Control of Software Defined Radios[C]. Software Defined Radio Forum Technical Conference, Phoenix, AZ., 2004: C 3-8.
[5]Thomas W Rondeau. Application of Artificial Intelligence to Wireless Communications[D]. PhD. Blacksburg: Virginia Polytechnic Institute and State University, 2007: 11-12.
[6]Clancy C, Stuntebeck E. Applications of Machine Learning to Cognitive Radio Networks[J]. IEEE Wireless Communications, 2007(8).
[7]Nolan K E, Sutton P, Doyle L E. An Encapsulation for Reasoning, Learning, Knowledge Representation and Reconfiguration Cognitive Radio Elements[C]. Cognitive Radio Oriented Wireless Networks and Communications, 2006.
[8]Feng Ge, Qinqin Chen, Ying Wang, et al. Cognitive Radio: From Spectrum Sharing to Adaptive Learning and Reconfiguration[C]. Aerospace Conference, 2008 IEEE.1-8 March 2008: 1-10.
[9]Thomas W Rondeau, Bin Le, David Maldonado, et al. Optimization, Learning, and Decision Making in a Cognitive Engine[C]. Proceeding of the SDR 06 Technical and Product Exposition, 2006.
[10]Joseph Gaeddert, Kyouwoong Kim, Rekha Menon, et al. Applying Artificial Intelligence to the Development of a cognitive Radio Engine[J/OL]. (2006-11-06)
/archives/download/ApplyingArtificialIntelligence.pdf.
[11]Rondeau T W, Le B, David Maldonado, et al. Cognitive Radio Formulation and Implementation[C]. 1st International Conference on Cognitive Radio Oriented Wireless Networks and Communications, 2006. 8-10 June 2006: 1-10.
[12]Daniel H Friend, Mustafa Y ElNainay, Yongsheng Shi, et al. Architecture and Performance of an Island Genetic Algorithm-based Cognitive Network[C]. IEEE CCNC 2008.
[13]Baldo N, Zorzi M. Learning and Adaptation in Cognitive Radios using Neural Networks[C]. Consumer Communications and Networking Conference, 2008.
[14]Zhenyu Zhang, Xiaoyao Xie. Intelligent Cognitive Radio: Research on Learning and Evaluation of CR Based on Neural Network[C]. ITI 5th International Conference on Information and Communications Technology, 2007.
[15]Balodo N, Zorzi M. Fuzzy Logic for Cross-layer Optimization in Cognitive Radio Networks[J]. IEEE Communications Magazine, 2008(4).
[16]Varian H R. Microeconomic analysis[M]. New York, USA: W. W. Norton & Company, 1992.★
【作者简介】
赤伟:重庆大学通信与信息系统专业硕士研究生,主要从事认知无线电的研究。

葛利嘉:博士,重庆大学教授,硕士生导师,主要从事阵列信号处理、超宽带无线电、认知无线电以及高速无线传输理论与实时信号处理技术的研究。

陈世娥:重庆大学通信与信息系统专业硕士研究生,主要从事软件无线电的研究。