谈无线电机器学习在认知无线电技术中运用

论文导读：
摘要：认知无线电（CR）是一种智能的无线电通信系统，其具备机器学习能力，这也是认知无线电技术区别于其他传统无线电以及自适应无线电的主要特征。首先介绍机器学习技术的概念以及发展历程，重点讲述了机器学习技术在认知无线电技术中的应用，并且对基于机器学习的算法性能进行仿真。仿真结果表明，认知无线电技术具备机器学习能力更好的提升了系统通信性能。
关键词：认知无线电 频谱资源分配 注水算法 正交频分复用
1007-9416（2013）05-0097-02
0 引言
“认知无线电（Cognitive Radio）”最早是由Joseph Mitola在1999年提出的。认知无线电不仅具备感知无线电的感知能力和自适应无线电的自适应能力，更重要的是具备了机器学习能力。学习能力是智能行为的一个非常重要的特征，也是认知无线电技术区别于其他传统无线电以及自适应无线电的主要特征。
1 机器学习
机器学习的核心是学习。关于学习，至今却没有一个精确的、能被公认的定义。这是因为，对机器学习的研究，来自不同的学科，并且，学习是一种多侧面、综合性的心理活动，难以把握学习的机理与实现。
机器学习是人工智能领域中较为年轻的分支，大致经历了四个阶段：
（1）20世纪50年代中期到60年代中期。研究集中在神经源于：硕士毕业论文www.7ctime.com
模拟和决策理论技术，学习系统在运行时还很少具有结构或知识。
（2）20世纪60年代中期到70年代中期。主要研究目标是模拟人类的概念学习过程，并采用逻辑结果或图结构作为机器的内部描述。
（3）20世纪70年代中期到80年底中期。从学习单个概念到学习多个概念，探索不同的学习策略和学习方法，开始把学习系统与各种应用结合起来。
（4）从20世纪80年代中后期到现在，是机器学习的最新阶段。机器学习已称为新的边缘学科，它综合应用了很多学科，形成机器学习的理论基础。
2 认知无线电技术中的机器学习

2.1 基于机器学习的认知无线电结构

软件无线电可以看做是在硬件基础上通过软件编程来进行无线电通信的技术，而认知无线电被认为是软件无线电的延伸。认知无线电在软件无线电的基础上添加了独立的认知引擎，以及知识库，推理引擎和学习引擎以实现认知功能。如图1所示为描述该结构的示意图。
在任意给定时间，认知引擎可以根据知识库和电台的长期存储信息中的信息总结经验和结论，这些结论是通过归纳推理已学习和推理获得的信息中得到的。推理引擎的知识在人工智能方面的文献中有所涉及，学习引擎主要是用于根据经验获得知识库。对它不断的学习，学习引擎将信息存储于知识库，以备再次用到相应的知识。基于这些应用，学习引擎也话仅仅是在系统初始状态时用到，或者也可以在设备操作过程中周期性的用到。

2.2 知识表示与推理

知识表示是对人类知识的一种描述，把人类知识表示成计算机能够处理的数据结构。知识的表示方法可分为陈述性知识表示和过程性知识表示两类。陈述性知识表示主要用来描述事实性知识，比如信道的信噪比，无线电当前的工作参数等；过程性知识表示主要用来描述规则性知识和控制结构知识，比如认知无线电在特定环境中的波形参数配置规则等。知识表示技术在认知引擎中用于构建知识库，知识库的作用和调整过程可以通过下面的描述过程进行理解。在实际工程应用方面，无线电系统的吞吐量的改变可以通过改变数据的调制方式来实现，所以需要根据通信信道的不同选择相应的数据调制方式，使得整个系统获得更大的通信吞吐量。
举一个实际的工程应用方面的简单例子，在系统给定误码率要求下，通过对当前的信道估计结果和发射进行计算，根据式对三种不同调制方式设定不同的三个门限值：
其中表示当前信道能量幅值，表示当前无线电设备的发射功率。
根据上式计算出各种调制方式相应的门限值，则可在该信噪比下选择相应的调制方式，这样通过实时的计算及时对调试方式进行调整，既能满足通信的误码率要求，又可以最大程度上提高系统的频谱利用率，实现系统的最佳通信性能。
这个例子也表明了学习引擎的重要性。在复杂的无线电技术中，有很多参数时做出决策及调制，而机器学习技术通过知识库进行存储，可以更快的适应当前的情况，较其它软件无线电技术更有优势。

2.3 学习机制

学习引擎是用来论文导读：就是如何那个输入状态可以优化目标函数。首先第一步：获取当前工作状态，根据前面的描述，需要知道当前的信道状态，发射功率，以及目前选择的调制方式等，假设此时设备工作在系统的最优状态，也就是已经达到最大的系统吞吐量。第二步，如果信道状态改变，通过通信结果显示当前的通信状态不是最优化状态，学习机制就要意识到环
改善决策去适应多变的环境，其学习机制都是根据一个优化函数来确定参数值。在认知无线电系统中，目标函数包含所有应用目标，而学习引擎的目标就是如何那个输入状态可以优化目标函数。
首先第一步：获取当前工作状态，根据前面的描述，需要知道当前的信道状态，发射功率，以及目前选择的调制方式等，假设此时设备工作在系统的最优状态，也就是已经达到最大的系统吞吐量。
第二步，如果信道状态改变，通过通信结果显示当前的通信状态不是最优化状态，学习机制就要意识到环境改变而且从知识库中删除上述知识，即当前的调制方式并不是最优化的调制方式，就需要重新调整系统的参数，改变系统的输入状态，使目标函数达到新的最优状态，将这个状态重新输入知识库进行存储。
3 仿真分析

3.1 系统吞吐量仿真

仿真采用BPSK、QPSK和16QAM三种不同的调制方式，通过改变信噪比值大小，FFT运算点数为512，接收端的误码率水平为。仿真结果如图2所示。
通过仿真结果可知，随着信道的信噪比的提高，系统根据机器学习的结果不断调整数据的调制方式，以最大化系统的吞吐量，使得系统性能达到最优。

3.2 误码性能仿真

图3为系统误码性能仿真图。通过仿真结果可以看到，在系统不断调整数据调制方式的情况下，能够保证系统对误码性能的要求，同时最大化系统吞吐量。
4 结语
文章首先介绍机器学习的概念以及机器学习的发展历程，并给出了基于机器学习机制的认知无线电技术结构，随后文章给出了认知无线电中机器学习策略调整的仿真，仿真结果进一步验证了学习机制的有效性，使得系统性能得到了很大的提高。