認知無線電（Cognitive Radio，CR）的學習能力是使它從概念走向實際應用的真正原因。有了足夠的人工智能，它就可能通過吸取過去的經驗來對實際的情況進行實時響應，過去的經驗包括對死區、干擾和使用模式等的了解。這樣，CR有可能賦予無線電設備根據頻帶可用性、位置和過去的經驗來自主確定采用哪個頻帶的功能。隨著許多CR相關研究的展開，對CR技術存在多種不同的認識。最典型的一類是圍繞Mitola博士提出的基于機器學習和模式推理的認知循環模型來展開研究，他們強調軟件定義無線電（Software Defined Radio，SDR）是CR實現的理想平臺。

　　認知無線電的應用有哪些_民用領域

　　1、在WRAN中的應用

　　IEEE已于2004年10月正式成立IEEE 802.22工作組——無線區域網絡（WRAN）工作組，2007年下半年完成標準化工作。IEEE 802.22的核心技術就是CR技術，其目的是研究基于認知無線電的物理層、媒體訪問控制（MAC）層和空中接口，以無干擾的方式使用已分配給電視廣播的頻段，將分配給電視廣播的甚高頻/超高頻頻帶（北美54～862 MHz）的頻率用作寬帶接入頻段。依據IEEE 802.22功能需求標準，WRAN空中接口面臨的主要挑戰是靈活性和自適應性。此外，相比別的IEEE標準，IEEE 802.22空中接口的共存問題也很關鍵，如偵聽門限、響應時間等多種機制還需要做大量的研究。

　　2、 在Ad Hoc網絡中的應用

　　當認知無線電技術應用于低功耗多跳Ad Hoc網絡中時，需要新的MAC協議和路由協議支持分布式頻率共享系統的實現。一般的多跳Ad Hoc網絡在發送數據包時需要預先確定通信路由，采用CR技術后，因來自周圍無線系統的干擾波動較大，需要不斷地更改路由。因此，用于Ad Hoc網絡中的傳統路由技術不再適用。針對這種情況，有研究者提出了采用空時塊碼（Space Time Block Code， STBC）分布式自動重傳請求（Automatic Repeat request， ARQ）技術，利用包的重傳來代替路由技術，該方法可根據周圍的環境，避開干擾區域自適應選擇路由。

　　此外，由于網絡路由協議的最優選擇很大程度上依賴于物理層環境（如移動性、傳播路徑等）的變化和應用的需求（如QoS）等，而在Ad Hoc認知無線電網絡中，多種業務的QoS需求的變化要比網絡拓撲的變化還要快。因此，有必要研究次優化路由協議，以保證長期的網絡性能優化。

　　3、在UWB中的應用

　　最初將CR技術應用于UWB系統中，即認知UWB無線電技術的提出是為了實現直接序列超寬帶（Direct Sequence UWB， DS-UWB）和多頻帶正交頻分復用（Multiband Orthogonal Frequency Division Multiplexing， MB-OFDM）兩種UWB標準的互通，以及解決IEEE 802.15.3a物理層DS-UWB和MB-OFDM兩種可選技術標準競爭陷入僵局的問題。

　　由于UWB系統與傳統窄帶系統之間存在著不可避免的干擾，將CR技術與UWB技術相結合以解決干擾問題，已成為近幾年研究的熱點，尤其是對UWB系統中基于CR的合作共存算法的研究較多。一個有效的方法是考慮將CR機制嵌入到UWB系統中。如以跳時-脈沖位置調制（Time Hopping-pulse Position Modulation， TH-PPM）為例，通過預先檢測到的干擾頻率，并相應選擇合適的跳時序列，可將UWB系統與傳統窄帶系統間的干擾減至最小。

　　4、在WLAN中的應用

　　具有認知功能的無線局域網（WLAN）可通過接入點對頻譜的不間斷掃描，從而識別出可能的干擾信號，并結合對其它信道通信環境和質量的認知，自適應地選擇最佳的通信信道。另外，具有認知功能的接入點，在不間斷進行正常通信業務的同時，通過認知模塊對其工作的頻段以及更寬的頻段進行掃描分析，從而可盡快地發現非法惡意攻擊終端。這樣的技術應用在其它類型的寬帶無線通信網絡中也會進一步提高系統的性能和安全性。

　　但是，盡管認知無線電的智能性得到很多的認可，實際上還是存在很多否定意見。

　　5、在網狀（Mesh）網中的應用

　　認知Mesh網絡是近幾年出現的全新的網絡結構，它具有無線多跳的網絡拓撲結構，通過中繼的方式有效地擴展網絡覆蓋范圍。由于微波頻段受限于視距傳輸，基于認知無線電技術的Mesh網絡將有利于在微波頻段實現頻譜的開放接入。

　　6、在多入多出（MIMO）系統中的應用

　　在無線通信許多新的研究熱點中，都有認知無線電可應用的場合。認知MIMO技術可顯著地提高無線通信系統的頻譜效率，這是認知無線電技術的主要目標，故將MIMO技術引入到認知無線電系統中，將能提供載波頻率和復用增益的雙重靈活性。

　　值得關注的是，認知無線電技術不但引起了學術界的相當關注，工業界對如何將其應用于實際通信系統也產生了濃厚的興趣。墨爾本的Adapt4LLC公司在2006年2月宣布已開發出是世界最早的商用CR系統XG1，該系統取得美國FCC的認證，可以在一些授權頻段未使用的情況下使用該頻段進行通信。關于認知無線電在未來多媒體移動通信中的應用，文獻從多個方面進行了詳細的分析與論述，在此不再贅述。

　　認知無線電的應用有哪些_軍事領域

　　1、認知無線電在軍事領域發揮的作用

　　（1）提高通信系統容量

　　無線頻譜資源短缺的問題，不僅在民用領域比較突出，在軍用領域也是如此。尤其是在現代戰爭條件下，多種電子設備在有限的地域內密集開設，將使得頻譜資源異常緊張。而且，隨著民用無線電設備的更新換代和用戶數量的急劇增加，對頻譜的需求也越來越多。有一些國家的一些組織已經申請將部分軍用頻譜劃歸民用。這一動向無疑將更進一步加劇了軍用無線電頻譜資源短缺的問題。而CR能夠動態利用頻譜資源，理論上可使頻譜利用率提高數十倍。因此，即使是部分采用CR，也能較大幅度提高整個通信系統的容量。

　　（2）提高頻譜管理效率

　　戰場頻譜管理是一個非常重要的課題，各國軍方都非常重視這一問題的研究。然而，目前基本都采用固定頻率分配的形式進行戰場頻譜分配。從實戰情況來看，這種方案是不完全成功的。一方面，這種分配方案不但導致頻譜資源利用率較低，而且容易導致系統內部或者友軍之間互相產生電磁干擾；另一方面，這種分配方案需要在戰斗開始前花費大量的時間進行頻譜規劃；此外，通信頻率一旦確定，在戰斗狀態下，無論發生什么情況都無法更改。因此，在戰場形勢瞬息萬變的現代戰爭中，固定頻譜分配方案容易貽誤戰機。CR能夠對所處區域的戰場電磁環境進行感知，對所需帶寬和頻譜的有效性進行自動檢測。因此，借助CR可以快速完成頻譜資源的分配，在通信過程中還可以自動調整通信頻率。不僅提高了組網的速度，而且提高了整個通信系統的電磁兼容能力。

　　（3）提供電子對抗能力

　　電子對抗的傳統做法是首先通過戰場無線電檢測，偵察戰場電子環境，然后將偵察到的情況通過戰役通信網傳達給電子對抗部隊，由擔任電子對抗任務的部隊實施干擾。這種方式不僅需要大量的人力物力，而且需要擔任電磁環境偵察和電子對抗的部隊密切配合。因此，從偵察到實施干擾的周期較長，容易貽誤戰機。CR通過感知戰場電磁頻譜特性，能夠快速、準確地進行敵我識別。可以一邊進行電磁頻譜偵察，一邊快速釋放或躲避干擾，實現傳統無線電所不具備的電子對抗能力。

　　（4）增強系統互聯互通能力

　　目前，各軍兵種裝備了數量眾多、型號各異的電臺。這些電臺工作頻率、發射功率、調制方式等各不相同，無法實現互聯互通，已成為制約三軍聯合作戰的一個重要因素。CR能夠覆蓋很寬的頻段，并且用軟件來實現信號的基帶處理、中頻調制以及產生射頻信號波形。通過自主加載不同的軟件就可以使得一部CR技能與短波電臺通信，也能與超短波電臺通信，甚至能夠與衛星通信。正是因為CR能夠自主學習網絡的通信協議和服務，從而能從根本上提高系統的互操作性和互聯互通能力。

　　除了以上功能和優點外，CR還提供定位及環境感知功能，具有不易受民用無線電干擾、組網快捷等優點，這些都是傳統無線電無法替代的優勢所在。

　　2、認知無線電在軍事領域的應用

　　基于在軍事領域具有的功能和優點，認知無線電在軍事領域有著廣泛的應用前景，最重要的兩項軍事應用領域是頻譜管理和抗干擾通信。

　　（1）頻譜管理

　　美國聯邦通信委員會把它看成是可能對頻譜沖突產生重大影響的少數幾種技術之一，而美國軍方則因為它們在頻譜規范方面面臨著巨大的難題，所以也對認知無線電十分感興趣。無論是進行軍事演習和聯合作戰，或是在國內進行培訓，軍方都遇到有關頻率分配的巨大問題。有了認知無線電技術，軍方將不再局限于一個動態的頻率規劃，而是可以從根本上適應需求的變化。

　　為此，美國國防部提出下一代無線通信（XG）項目，初期投資1700萬美元。該項目將研制和開放頻譜捷變無線電（Spectrum Agile Radio），這些無線電臺在使用法規的范圍內，可以動態自適應變化的無線環境。XG項目的承包商雷聲公司稱，在不干擾其它無線電臺正常工作的前提下，該項目可使目前的頻譜利用率提高10～20倍。雷聲公司在該研究中采用的就是認知無線電技術。目前正計劃在實際環境中對其進行驗證，并為XG技術向軍事和潛在的商業應用移植作準備。 　　靜態的、集中的頻譜分配策略已不能滿足靈活多變的現代戰爭的要求。未來通信的頻譜管理應該是動態的、集中與分布相結合的，每一部電臺都將具有無線電信號感知功能（偵察功能）。軍用認知無線電如能將通信與偵察集成到一部電臺里，那么組成的通信網絡就具有很多的感知節點和通信節點。軍用認知無線電臺還可以使軍方根據頻譜管理中心分配的頻率資源與感知的頻率環境來確定通信策略，而頻譜管理中心還可以從軍用認知無線電臺獲取各地區的頻譜利用及受擾信息。這樣就形成了集中與分布式相結合的動態頻譜管理模式，使得部署更加方便。

　　（2）高抗干擾通信

　　在未來的戰場環境中，抗干擾將是軍事通信的一個重要課題。軍用認知無線電臺將大大提升電臺的抗干擾水平。應根據頻譜感知、干擾信號特征以及通信業務的需求選取合適的抗干擾通信策略。比如，進行短報文通信時，可以采用在安靜頻率上進行突發通信的方式；當敵方采用跟蹤式干擾時，可采用變速調頻等干擾策略。

　　人工智能技術在認知無線電中的應用詳解

　　1 認知循環與認知引擎

　　認知無線電從對環境的感知和分析到做出相應的智能決策和行動的認知過程可以用一個完整的OOPDAL 認知環路來表示，如圖1 所示。

　　圖1 認知環路其中貫穿了2個過程： 一個是決策環路（外環），另一個是學習環路（內環）。在外環中推理的效能對于做出正確的決策起到至關重要的作用，而學習則是實現知識積累、提高推理效能、連接內環和外環的關鍵，推理和學習是體現CR 智能行為的2 個主要特征。

　　認知引擎（cognitive engine， CE）就是在可重配置的無線電硬件平臺基礎上，實現基于人工智能技術的推理與學習，并做出優化決策的智能主體，是實現CR 智能的核心功能模塊。認知引擎要成為CR 的智能主體需要具備3 個基本功能：

　　觀察： 收集關于運行環境，無線電自身能力和特征的信息；

　　認知： 理解環境和無線電的能力，能夠做出相應的決策行動，并學習這些行動對無線電性能及網絡性能的影響；

　　重配置： 改變無線電的運行參數。

　　認知引擎的工作過程如下： 根據外界無線環境、CR 自身狀態和用戶需求等輸入信息（觀察），對情況進行分析，做出合適的反應（認知），最后將決策輸出（重配置）。認知引擎的工作過程正是認知環路的一個循環 過程，因而，可以說認知引擎是推動認知環路運行的源動力。雖然認知引擎的共同目標都是推動整個認知環路的循環反復，但應用不同的人工智能技術決定了各種 CR 系統中認知引擎的不同工作方式和功能。

　　2 CR 中常用的人工智能技術

　　體現認知無線電智能的過程包括推理、學習和智能優化的過程。推理是根據知識庫中已有的知識和當前計劃進行決 策的過程，而學習是一個長期的過程，包括對過去行為及執行結果的知識積累，學習使得知識庫不斷充實，以提高認知無線電未來推理的效能。優化能進一步提高參 數配置的性能，以使得用戶服務需求最大化。

　　2. 1 推理系統

　　常用于認知無線電系統中的推理系統主要包括基于規則的推理和基于案例的推理。基于規則的推理在人工智能領域常被用來構建專家系統，而基于案例的推理除了推理，還包括學習的過程，2 種推理系統各有其特點：

　　2. 1. 1 基于規則的推理

　　基于規則的推理（rulebased reasONing， RBR）系統包括知識庫和推理引擎2 部分，首先領域專家將知識編寫為規則存入知識庫中，隨后推理引擎根據輸入和知識庫中的規則進行推理，最后決定執行的動作。RBR 系統執行簡單，只要正確全面地將領域知識編為規則，無線電就可以根據輸入快速地輸出動作，但是其對規則的準確性和完備性要求較高，如果領域知識沒有被很好 地表達，就會得到錯誤的推理結果，并且當系統處理復雜問題時，規則之間容易發生沖突，影響系統正常運行。此外，當系統面對未知的新環境時缺乏學習的能力。 因而，RBR 在認知無線電中的應用受限。

　　2. 1. 2 基于案例的推理

　　基于案例的推理（casebased reasoning， CBR）是根據已經掌握的一些問題的解決方法來獲取相似的新問題的解決方法。CBR 的特點在于它模仿人類的思維過程，當遇到新問題時能夠根據以往的經驗得出解決方法，并將新案例存入知識庫，從而實現系統增量式的學習。應用CBR 的認知無線電系統可以不斷地學習和適應新環境，無需領域知識，認知無線電就能夠具備自學習的能力。

　　在實際系統中，人們通常還會將RBR 與CBR 的方法結合起來使用，當知識庫中的規則可以解決當前問題時，直接應用推理即可，當規則不足時，則通過案例學習豐富系統知識從而做出正確的推理決策。

　　2. 2 機器學習方法

　　機器學習是研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身性能的一門學科，是人工智能中很重要的一個領域。下面介紹幾種CR 中常用的學習方法。

　　2. 2. 1 人工神經網絡

　　人工神經網絡（artificial neural networks， ANN）是受到人類大腦神經元的工作方式所啟發，發展出的一種信息處理系統。人工神經網絡具有自學習和自適應的能力，可以通過預先提供的一組輸入輸出數 據，分析掌握二者之間潛在的規律，根據這些規律，用新的輸入數據來推算輸出結果。ANN 因其動態自適應性，可用來學習非線性系統的復雜模式及屬性，已被用來解決認知無線電中頻譜感知，信號分類以及自適應配置參數等問題。

　　2. 2. 2 強化學習

　　強化學習是用來解決能夠感知環境的系統通過學習選擇能夠達到其目標的最優動作的問題。當系統在環境中做出每個動作后，通過設定相應的獎懲機制， 使系統能夠從這個非直接的回報中學習，以便后續動作產生最大的累積回報。強化學習可以在沒有訓練序列的情況下應用，其目標是使長期的在線性能最大化，因此 它適用于認知無線網絡的學習，如未授權用戶通過用強化學習的方法探索可能的傳輸策略同時發掘相關知識，通過調整傳輸參數，達到限定條件下（如干擾溫度受 限）的目標（如最大化吞吐量）。

　　2. 2. 3 貝葉斯學習

　　貝葉斯學習利用樣本信息的后驗概率和參數的先驗概率求總體，是一種直接利用概率實現學習和推理的方法。貝葉斯學習可以根據過去的經驗提高未來的決策能力，在通信系統中可用于問題的抽取、收集和存儲。

　　其他學習方法還包括決策樹、模糊邏輯、博弈論和聚類等，在實際的認知無線電系統設計中，需要根據應用場景和目標的不同，選擇不同的機器學習方法。

　　2. 3 智能優化算法

　　根據環境變化和用戶需求智能調整無線電參數是認知無線電的基本功能，參數調整需滿足信道條件、用戶需求和制度限定等多方面的要求，因此，認知無 線電要能在多個目標函數間進行權衡，并給出一種符合多條件限制的折衷參數配置方案。智能優化算法模擬生物或自然界的現象，適用于CR 的參數配置問題。下面簡單介紹幾種常用的智能優化算法。

　　2. 3. 1 遺傳算法

　　遺傳算法借鑒生物進化的原理，通過自然選擇、遺傳和變異等操作，模擬自然進化過程來尋找所求問題的答案。它在CR 中的基本思想是把無線電類比為一個生物系統，將無線電的特征定義為一個染色體，染色體的每個基因對應電臺一個可變的參量，通過遺傳算法的進化得到滿足用戶 服務質量要求的系統配置，但其有效性更多依賴于合適的參數選擇。

　　2. 3. 2 模擬退火算法

　　這種算法模擬熱力學中退火過程，通過模擬的降溫過程按玻耳茲曼方程計算狀態間的轉移概率來引導搜索，以一定的概率選擇鄰域中目標值相對較小的狀態，避免陷入局優，使算法具有很好的全局搜索能力。該算法執行容易，但收斂速率較慢。

　　2. 3. 3 禁忌搜索算法

　　這種方法的基本思想是在搜索過程中將近期的搜索過程存放在禁忌表中，阻止算法重復進入，禁忌表模擬人類的記憶功能，能夠大大提高尋優過程的搜索效率。

　　其他優化算法還包括粒子群優化算法和蟻群優化算法等。智能優化算法不僅可以用來推理或通過目標函數尋找最優解，還可以通過訓練樣例來學習搜索空間中能夠達到目標的一些規則。盡管各種算法有不同的特點，但共同的應用目的都是通過學習廣泛的樣例，形成對目標的解決方案。

　　3 人工智能技術的CR 應用實例

　　Newman等人研究的基于CBR的認知引擎已經應用在IEEE 802. 22 的無線區域網（WRAN）中，這個CE的架構如圖2 所示。

　　圖2IEEE 802. 22 的無線區域網認知引擎模型：其中，無線環境圖（REM）是由分布的無線網絡節點和網絡設施具備的信息數據庫，包括地理信息、服務和網絡信息、政策信息、無 線電設備的配置能力及過去的經驗。REM 中的信息通過不斷觀察CR 節點的狀態進行更新，并在CR網絡中傳播。REM通過提取無線環境的特征，為CE的工作做準備，該認知引擎結合了基于知識的學習和基于案例的學習方法，可 以大大減少認知無線電的執行功率和自適應時間。

　　J.H. Reed 等人開發的認知無線電測試平 臺CoRTekS 基于ANN 技術。無線電可以改變調制類型、傳輸功率、設置頻率和帶寬，同時最優化3個目標：用戶服務質量、最大化吞吐量以及最小化傳輸功率。系統通過周期訓練 ANN， 并觀察相應的結果，使CE 逐漸學到了在某個場景下，無線電參數設置與系統性能間的映射關系，從而在給定的信道狀態和用戶需求下，CE 能夠選擇使目標函數最大的設置。

　　美國維吉尼亞工學院的無線通信中心的研究人員Rieser等人提出了一種基于遺傳算法的認知引擎模型：BioCR。其功能和執行流程如圖3所示。

　　該模型包括無線系統遺傳算法模塊（WSGA），無線信道遺傳算法模塊（WCGA）和認知系統檢測器模塊（CSM），系統對當前環境下運行的無線電給出一種參數配置的方法，該配置可被修正多次，直到其真正滿足目標需求。

　　4 結束語

　　人工智能技術是實現認知無線電的核心，該文回顧了一些在認知引擎設計中普遍應用的人工智能技術，并介紹了幾種典型的應用不同人工智能技術的認知 引擎。經驗證明要設計出性能完備的認知引擎，往往需要將多種人工智能技術結合起來，選擇什么樣的人工智能技術取決于認知無線電的應用需求，需要設計者在系 統的反應時間、執行的復雜程度、可提供的訓練樣例和系統魯棒性等因素間進行權衡。隨著人工智能技術的不斷發展，認知引擎必將變得更加智能，認知無線電也會 迎來更加廣泛的應用前景。