(解放軍電子工程學(xué)院，合肥 230037)

1 引 言

認(rèn)知無(wú)線電(Cognitive Radio,CR)是未來(lái)無(wú)線電技術(shù)的發(fā)展方向，近年來(lái)受到了廣泛關(guān)注。一般認(rèn)為，CR終端具有足夠的認(rèn)知能力，能夠自動(dòng)感知周?chē)h(huán)境并檢測(cè)可用頻譜，結(jié)合已知信息，經(jīng)過(guò)學(xué)習(xí)、推理進(jìn)行智能決策，實(shí)現(xiàn)空閑頻譜的機(jī)會(huì)接入[1]。

認(rèn)知無(wú)線電的關(guān)鍵技術(shù)包括頻譜感知技術(shù)[2-3]、動(dòng)態(tài)頻譜共享技術(shù)[4]和認(rèn)知引擎(Cognitive Engine, CE)技術(shù)[5]等，相對(duì)而言，目前對(duì)認(rèn)知引擎技術(shù)的研究還不多。認(rèn)知引擎是認(rèn)知無(wú)線電的智能核心，如何設(shè)計(jì)和實(shí)現(xiàn)認(rèn)知引擎，值得深入研究。

弗吉尼亞工學(xué)院的認(rèn)知無(wú)線電工作組提出應(yīng)用人工智能(Artificial Intelligence, AI)技術(shù)來(lái)研究認(rèn)知引擎，包括人工智能技術(shù)在認(rèn)知無(wú)線電優(yōu)化、推理、學(xué)習(xí)和決策等任務(wù)中的應(yīng)用研究[6-7]。Rieser等人[8]構(gòu)建了基于標(biāo)準(zhǔn)遺傳算法(Standard Genetic Algorithm, SGA)的認(rèn)知引擎的模型，文獻(xiàn)[9]則討論了應(yīng)用遺傳算法的認(rèn)知無(wú)線電參數(shù)調(diào)整功能的實(shí)現(xiàn)問(wèn)題。為克服標(biāo)準(zhǔn)遺傳算法具有早熟收斂和爬山能力弱的缺點(diǎn)，文獻(xiàn)[10]提出了模擬退火(Simulated Annealing, SA)與遺傳算法相結(jié)合的認(rèn)知無(wú)線電參數(shù)調(diào)整方法，文獻(xiàn)[11]提出了基于量子遺傳算法(Quantum Genetic Algorithm, QGA)的認(rèn)知無(wú)線電決策引擎，QGA同時(shí)具有收斂速度快和收斂精度高的優(yōu)點(diǎn)，但實(shí)現(xiàn)復(fù)雜度較高。文獻(xiàn)[12]設(shè)計(jì)了一種基于免疫遺傳算法(Immune Genetic Algorithm, IGA)的認(rèn)知決策引擎，在算法有效性和復(fù)雜度之間取得了較好的平衡。

可見(jiàn)，目前人工智能技術(shù)應(yīng)用于認(rèn)知引擎的研究主要集中在遺傳算法多目標(biāo)優(yōu)化問(wèn)題上，但研究發(fā)現(xiàn)，單獨(dú)的某一項(xiàng)人工智能技術(shù)難以產(chǎn)生穩(wěn)健的認(rèn)知引擎。

本文設(shè)計(jì)了一種混合認(rèn)知引擎(Hybrid Cognitive Engine,HCE)，根據(jù)優(yōu)化任務(wù)和具體要求，綜合運(yùn)用多種人工智能技術(shù)來(lái)設(shè)計(jì)認(rèn)知引擎，以提高認(rèn)知引擎的能力。

2 認(rèn)知引擎與人工智能

2.1 典型認(rèn)知引擎模型

對(duì)于認(rèn)知引擎，目前尚沒(méi)有統(tǒng)一的描述方式。在現(xiàn)有的研究中，具有代表性的是美國(guó)弗吉尼亞工學(xué)院(Virginia Tech, VT)無(wú)線電信中心(Center for Wireless Telecommunications,CWT)提出的基于遺傳算法的認(rèn)知引擎和美國(guó)國(guó)防部(Department of Defense, DoD)電信科學(xué)實(shí)驗(yàn)室(Laboratory for Telecommunication Sciences, LTS)基于軟件無(wú)線電架構(gòu)開(kāi)發(fā)的認(rèn)知引擎。

VT-CWT的研究人員認(rèn)為，認(rèn)知無(wú)線電的參數(shù)重置過(guò)程是一個(gè)多目標(biāo)優(yōu)化的過(guò)程，而遺傳算法是解決多目標(biāo)優(yōu)化問(wèn)題的一個(gè)有效算法。

2004年，C. J. Rieser等人[8-9]構(gòu)建了基于遺傳算法的認(rèn)知引擎模型，圖1給出了該認(rèn)知引擎的系統(tǒng)級(jí)結(jié)構(gòu)框圖[8]，主要由無(wú)線信道遺傳算法(Wireless Channel Genetic Algorithm, WCGA)、無(wú)線系統(tǒng)遺傳算法(Wireless System Genetic Algorithm, WSGA)和認(rèn)知系統(tǒng)監(jiān)控模塊(Cognitive System Monitor, CSM)3部分組成。

2007年，T. W. Rondeau在其博士論文[6]中詳細(xì)描述了一種認(rèn)知引擎結(jié)構(gòu)，圖2給出了其簡(jiǎn)化形式。在該認(rèn)知引擎結(jié)構(gòu)中，認(rèn)知控制中心是其調(diào)度中心，控制著與之相連的各單元模塊。感知器的主要任務(wù)是感知無(wú)線電環(huán)境信息，屬于頻譜感知技術(shù)研究范疇。優(yōu)化器、決策器和政策驗(yàn)證器是認(rèn)知引擎的重點(diǎn)。用戶接口提供控制和監(jiān)視認(rèn)知引擎的端口，無(wú)線電架構(gòu)負(fù)責(zé)與無(wú)線電平臺(tái)通信以確保優(yōu)化方案能夠得到執(zhí)行，并為感知器提供信息。

圖1 Rieser的認(rèn)知引擎結(jié)構(gòu)

圖2 Rondeau的認(rèn)知引擎簡(jiǎn)化結(jié)構(gòu)

DoD-LTS的C. Clancy等人[13]認(rèn)為，認(rèn)知無(wú)線電就是增加了認(rèn)知引擎的軟件無(wú)線電，他們基于機(jī)器學(xué)習(xí)理論設(shè)計(jì)了能夠在各種信道條件下調(diào)整調(diào)制方式和編碼方式，實(shí)現(xiàn)信道容量最大化的認(rèn)知引擎。該認(rèn)知引擎主要由知識(shí)庫(kù)、推理引擎和學(xué)習(xí)引擎組成，目的是驅(qū)動(dòng)軟件無(wú)線電的參數(shù)重置，其結(jié)構(gòu)如圖3所示[13]。

圖3 DoD-LTS的認(rèn)知引擎結(jié)構(gòu)

2.2 人工智能應(yīng)用于認(rèn)知引擎

認(rèn)知無(wú)線電的基本思想是使無(wú)線電設(shè)備具有智能性，能夠自主進(jìn)行感知、推理、學(xué)習(xí)、優(yōu)化、決策和執(zhí)行等動(dòng)作。認(rèn)知引擎作為認(rèn)知無(wú)線電的智能核心，是應(yīng)用人工智能的最佳平臺(tái)。很多人工智能方法都可以應(yīng)用于認(rèn)知引擎中，它們有著各自的優(yōu)點(diǎn)和局限性，僅用某一種人工智能方法很難獲得靈活、穩(wěn)健、功能強(qiáng)大的認(rèn)知引擎。

表1對(duì)一些人工智能方法進(jìn)行了粗略比較，包括基于規(guī)則推理(Rule-Based Reasoning, RBR)、基于案例推理(Case-Based Reasoning, CBR)、基于本體論推理(Ontology-Based Reasoning, OBR)、遺傳算法(Genetic Algorithm, GA)、人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network, NN)、隱馬爾可夫模型(Hidden Markov Model, HMM)和決策樹(shù)(Decision Tree, DT)等。

表1 人工智能方法比較

3 混合認(rèn)知引擎

3.1 結(jié)構(gòu)組成

為了克服傳統(tǒng)認(rèn)知引擎的不足，我們綜合運(yùn)用多種人工智能算法，構(gòu)建了一種混合認(rèn)知引擎，其結(jié)構(gòu)如圖4所示。該混合認(rèn)知引擎主要由智能代理單元(IAU)、認(rèn)知監(jiān)控單元(CMU)、知識(shí)表示模塊(KCM)、知識(shí)庫(kù)(KB)和人工智能算法庫(kù)(AIAB)等部分組成。

其中，智能代理單元包括推理引擎、學(xué)習(xí)引擎、優(yōu)化器和決策引擎4個(gè)模塊，各模塊之間既可獨(dú)立工作，又是相互影響的。推理通過(guò)提供好的案例來(lái)提高學(xué)習(xí)效率，學(xué)習(xí)可以通過(guò)豐富更新知識(shí)庫(kù)來(lái)增強(qiáng)推理，推理和學(xué)習(xí)為優(yōu)化和決策提供保證。認(rèn)知監(jiān)控單元是混合認(rèn)知引擎的調(diào)度中心，控制著與之相連的各單元模塊。知識(shí)表示模塊將信息描述為一種便于機(jī)器識(shí)別的數(shù)據(jù)形式，直接影響知識(shí)庫(kù)的構(gòu)建和知識(shí)檢索的難度及效率。知識(shí)庫(kù)中包括短期知識(shí)庫(kù)和長(zhǎng)期知識(shí)庫(kù)，短期知識(shí)庫(kù)包含當(dāng)前外部環(huán)境狀態(tài)和系統(tǒng)內(nèi)部工作參數(shù)，長(zhǎng)期知識(shí)庫(kù)包括規(guī)則庫(kù)和案例庫(kù)。規(guī)則庫(kù)表示關(guān)于無(wú)線通信和無(wú)線電的一般性知識(shí)，用于推理過(guò)程；案例庫(kù)表征認(rèn)知無(wú)線電的歷史經(jīng)驗(yàn)，有利于認(rèn)知引擎快速得出優(yōu)化的決策結(jié)果。理論上，人工智能算法庫(kù)中包括所有可用于認(rèn)知引擎的人工智能算法或方法，如基于知識(shí)推理、基于規(guī)則推理、基于規(guī)則學(xué)習(xí)、基于案例推理、基于案例學(xué)習(xí)、基于本體論推理、神經(jīng)網(wǎng)絡(luò)、模糊邏輯、遺傳算法、免疫進(jìn)化算法、博弈論、決策樹(shù)和隱馬爾可夫模型等。

圖4 混合認(rèn)知引擎結(jié)構(gòu)框圖

3.2 工作機(jī)理

無(wú)線電知識(shí)表示對(duì)感知單元的輸出信息和用戶需求信息進(jìn)行處理，將其表示成一種機(jī)器能夠識(shí)別的形式，并送知識(shí)庫(kù)存儲(chǔ)。認(rèn)知監(jiān)控單元控制智能代理單元中的各模塊采用合適的人工智能算法對(duì)知識(shí)庫(kù)中的知識(shí)進(jìn)行處理。智能代理單元中的各模塊之間既可獨(dú)立工作，又是相互影響的。推理通過(guò)提供好的案例來(lái)提高學(xué)習(xí)效率，學(xué)習(xí)可以通過(guò)豐富更新知識(shí)庫(kù)來(lái)增強(qiáng)推理，推理和學(xué)習(xí)為優(yōu)化和決策提供保證。

在混合認(rèn)知引擎中，推理引擎主要是根據(jù)外部環(huán)境狀態(tài)參數(shù)和系統(tǒng)參數(shù)，對(duì)規(guī)則庫(kù)和案例庫(kù)的內(nèi)容進(jìn)行匹配和選擇。推理過(guò)程是一種系統(tǒng)將已有知識(shí)庫(kù)用于當(dāng)前情況，確定行為進(jìn)展的過(guò)程。RBR是從基于知識(shí)推理派生而來(lái)，用“if-then-else”的方式表達(dá)，表述簡(jiǎn)明，但適應(yīng)性較差，其精確性依賴于潛在規(guī)則庫(kù)的完整性和準(zhǔn)確性，將模糊邏輯引入RBR可改善其適應(yīng)性差的缺點(diǎn)。

學(xué)習(xí)引擎負(fù)責(zé)增加可用行為的列表長(zhǎng)度，使得無(wú)線電能夠適應(yīng)環(huán)境的變化?？捎糜趯W(xué)習(xí)引擎的人工智能算法很多，主要可分為監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)3類(lèi)。不同的學(xué)習(xí)算法適用于不同的場(chǎng)合[5]，混合認(rèn)知引擎應(yīng)根據(jù)學(xué)習(xí)內(nèi)容的不同，進(jìn)行適當(dāng)?shù)娜∩帷?/p>

總之，混合認(rèn)知引擎所要解決的核心問(wèn)題是：如何將多種人工智能算法合理組合，更好地完成知識(shí)表示、推理、學(xué)習(xí)、優(yōu)化和決策等功能，實(shí)現(xiàn)系統(tǒng)參數(shù)的智能調(diào)整，以適應(yīng)無(wú)線電環(huán)境變化和滿足用戶需求。

3.3 特點(diǎn)分析

混合認(rèn)知引擎的最大特點(diǎn)在于，綜合運(yùn)用多項(xiàng)人工智能技術(shù)代替一項(xiàng)人工智能技術(shù)實(shí)現(xiàn)各認(rèn)知功能模塊?；旌险J(rèn)知引擎具有很強(qiáng)的靈活性和穩(wěn)健性，對(duì)智能代理單元中的模塊及所選取的人工智能算法，可通過(guò)認(rèn)知監(jiān)控單元進(jìn)行必要的“裁剪”和“激活”。具體特點(diǎn)表現(xiàn)為：

(1)允許單獨(dú)開(kāi)發(fā)、測(cè)試和啟動(dòng)各個(gè)結(jié)構(gòu)單元；

(2)允許采用不同類(lèi)型的算法和過(guò)程實(shí)現(xiàn)不同的模塊；

(3)允許一個(gè)模塊采用多個(gè)算法。

4 一種簡(jiǎn)化的HCE

理想的混合認(rèn)知引擎，可以任意對(duì)所有可用的人工智能方法進(jìn)行合理組合使用，按需求對(duì)智能代理單元中的模塊進(jìn)行動(dòng)態(tài)的裁剪和激活。實(shí)際上，目前這樣的全智能混合認(rèn)知引擎很難實(shí)現(xiàn)，本節(jié)探討一種簡(jiǎn)化的混合認(rèn)知引擎。

人工智能算法庫(kù)中包含以下人工智能方法：模糊邏輯(FL)、基于規(guī)則推理(RBR)、基于規(guī)則學(xué)習(xí)(RBL)、基于案例推理(CBR)、基于案例學(xué)習(xí)(CBL)、決策樹(shù)(DT)和遺傳算法。

當(dāng)擁有大量領(lǐng)域知識(shí)時(shí)，認(rèn)知監(jiān)控單元選取FL、RBR、RBL和DT用于智能代理單元。

規(guī)則庫(kù)(Rule Base, RB)包含兩個(gè)基本的數(shù)據(jù)結(jié)構(gòu)：第一個(gè)是邏輯表達(dá)式，由表征環(huán)境和系統(tǒng)狀態(tài)的謂詞(predicate)組成，謂詞是一階邏輯表達(dá)式，評(píng)估結(jié)果為“真”或“假”；第二個(gè)數(shù)據(jù)集是行為(action)，行為定義推理引擎可執(zhí)行的操作以改變環(huán)境的狀態(tài)。行為包含前件(precondition)和后件(postcondition)，前件必須能夠從知識(shí)庫(kù)中推理得到，后件描述知識(shí)庫(kù)的修正狀態(tài)。

為了便于理解，考慮一個(gè)簡(jiǎn)單的例子，其目標(biāo)是隨著信噪比(SNR)的降低，做出降低調(diào)制階數(shù)的調(diào)整動(dòng)作。規(guī)則庫(kù)包含謂詞

predicates:ModRate(QPSK)∧SNR(4dB)

(1)

和行為

action:DecModRate

precond:ModRate(QPSK)∧SNR(<6dB)

postcond:-ModRate(QPSK)∧ModRate(BPSK)

(2)

我們可以從規(guī)則庫(kù)中成功地推斷出滿足前件，評(píng)估結(jié)果為“真”，執(zhí)行DecModRate行為并將后件應(yīng)用于規(guī)則庫(kù)，得到：

RB′=RB∧postcond=

(ModRate(QPSK)∧SNR(4dB))∧

(-ModRate(QPSK)∧ModRate(BPSK))=

ModRate(BPSK)∧SNR(4dB)

(3)

可以看到，當(dāng)SNR低于6 dB時(shí)，調(diào)制方式是如何從QPSK調(diào)整為BPSK的。選取合適的屬性，利用決策樹(shù)(DT)進(jìn)行決策。

在缺少領(lǐng)域知識(shí)的情況下，HCE將激活FL、CBR和CBL。當(dāng)缺少歷史經(jīng)驗(yàn)而又需要提供較精確的優(yōu)化調(diào)整方案時(shí)，可采用GA。圖5給出了基于案例和遺傳算法的優(yōu)化過(guò)程。

圖5 基于案例和遺傳算法的優(yōu)化過(guò)程

5 結(jié)束語(yǔ)

沒(méi)有一種單獨(dú)的人工智能方法能夠解決認(rèn)知無(wú)線電中認(rèn)知引擎所有的問(wèn)題，認(rèn)知引擎所表現(xiàn)出的智能級(jí)別是動(dòng)態(tài)可變的，取決于實(shí)現(xiàn)平臺(tái)、可用的計(jì)算資源及系統(tǒng)的特定任務(wù)等。綜合運(yùn)用多種人工智能方法設(shè)計(jì)混合認(rèn)知引擎有助于提高認(rèn)知引擎的靈活性和穩(wěn)健性，將是認(rèn)知無(wú)線電系統(tǒng)及認(rèn)知無(wú)線網(wǎng)絡(luò)中認(rèn)知引擎研究和發(fā)展的趨勢(shì)。

參考文獻(xiàn)：

[1] Haykin S. Cognitive radio:brain-empowered wireless communications[J].IEEE Journal of SAC,2005,23(2):201-220.

[2] Haykin S, Thomson J, Reed H. Spectrum sensing for cognitive radio[J].Proceedings of the IEEE,2009,97(5):849-877.

[3] Yücek T, Arslan H. A survey of spectrum sensing algorithms for cognitive radio applications[J]. IEEE Communications Surveys & Tutorials, 2009, 11(1):116-130.

[4] Akyildiz I F, Lee W Y, Vuran M C, et al. Next generation/dynamic spectrum access/cognitive radio wireless networks: A survey[J]. Computer Networks,2006,50(13):2127-2159.

[5] 汪李峰, 魏勝群. 認(rèn)知引擎技術(shù)[J]. 中興通訊技術(shù), 2009, 15(2):5-9.

WANG Li-feng,WEI Sheng-qun. Cognitive engine technology[J]. ZTE Communications,2009,15(2):5-9.(in Chinese)

[6] Rondeau T W. Application of artificial intelligence to wireless communications[D]. Blacksburg:Virginia Polytechnic Institute and State University，2007.

[7] Mackenzie A B, Reed J H, Athanas P, et al. Cognitive radio and networking research at Virginia Tech[J]. Proceedings of the IEEE, 2009, 97(4):660-688.

[8] Rieser C J. Biologically inspired cognitive radio engine model utilizing distributed genetic algorithms for secure and robust wireless communications and networking [D]. Blacksburg:Virginia Polytechnic Institute and State University, 2004.

[9] Rondeau T W, Rieser C J, Bostian C W. Cognitive radios with genetic algorithms: intelligent control of software defined radios[C]//Proceedings of Software Defined Radio Technology Conference.Phoenix, AZ:[s.n.],2004：1-6.

[10] 鄭仕鏈，趙知?jiǎng)?，尚俊娜，? 基于模擬退火遺傳算法的認(rèn)知無(wú)線電決策引擎[J]. 計(jì)算機(jī)仿真, 2008, 25(1):192-195.

ZHENG Shi-lian, ZHAO Zhi-jin, SHANG Jun-na, et al. Cognitive radio decision engine based on geneticalgorithm and simulated annealing[J]. Computer Simulation, 2008, 25(1):192-195. (in Chinese)

[11] 趙知?jiǎng)牛嵤随?，尚俊? 等. 基于量子遺傳算法的認(rèn)知無(wú)線電決策引擎研究[J]. 物理學(xué)報(bào), 2007, 56(11):6760-6766.

ZHAO Zhi-jin, ZHENG Shi-lian, SHANG Jun-na, et al.A study of cognitive radio decision engine based on quantum genetic algorithm[J]. Acta Physical Sinica, 2007, 56(11):6760-6766. (in Chinese)

[12] 焦傳海,王可人.一種基于免疫遺傳算法的認(rèn)知決策引擎[J]. 系統(tǒng)工程與電子技術(shù),2010,32(5):1084-1087.

JIAO Chuan-hai, WANG Ke-ren. Cognitive radio decision engine based on immune geneticalgorithm[J]. Systems Engineering and Electronics,2010,32(5):1084-1087.(in Chinese)

[13] Clancy C, Hecker J, Stuntebeck E, et al. Application of machine learning to cognitive radio networks[J]. IEEE Wireless Communications, 2007, 14(4):47-52.