人工智能技术在认知无线电网络中的应用

无线电频谱是一种独特的自然资源，按照固定频谱分配政策分配给不同授权用户。但在某些时间和地点，很大一部分频谱没有利用。于是有学者提出了认知无线电（CR）概念，它通过动态使用未充分利用的频谱，解决频谱资源利用不足问题，满足无线系统的持续需求。

认知无线电可组成认知无线电网络。认知无线电网络（CRN）将用户分为两种类型，授权用户（主用户）和认知用户（或次级用户）。认知用户能够感知环境，识别频谱空洞，分析参数，并为动态资源分配管理做出决策，在不能对授权用户产生任何有害干扰的前提下，利用网络系统的空闲频谱实现自身通信。而这些能力可通过将人工智能（AI）技术集成到认知无线电核心来实现。人工智能技术能够通过模仿人类的生物过程例如学习、推理、决策、自适应、自组织和自稳定性，帮助认知用户解决频谱利用问题。

本文研究了各种人工智能技术在认知无线电网络频谱感知、频谱共享、频谱移动和频谱管理等方面的应用，包括动态频谱接入、资源分配、参数调整和优化问题等，以帮助研究人员更好地了解认知无线电设计时不同的人工智能方法实现。

认知无线电（CR）最初定义为“一种能感知周围环境并能智能适应环境的无线电”。它的引入是为了通过动态接入暂时未使用的频段来解决频谱资源利用不足的问题。而认知无线电网络带来了新的认知无线电用户（CRU），它们将感知授权频段，确定并利用频谱空洞，并不会干扰授权用户。为了满足这些能力，认知无线电网络在认知过程中主要完成四个功能：频谱感知、频谱管理、频谱共享和频谱移动。

·频谱感知：是认知无线电网络实现动态频谱接入的一项重要功能。认知无线电用户应确定可用传输频段，并能探测出主用户（PU）是否出现，以避免有害干扰。频谱感知可由一个或多个认知无线电用户以合作或竞争的方式交换信息来实现。一般存在三种频谱感知策略，包括基于发射机的感知方法、基于干扰温度的感知方法和通过接收信噪比进行感知的方法。

·频谱管理：确定并分配最佳可用频段，以满足用户的传输要求并提高其吞吐量。

·频谱共享：在次级用户（SU）间协调接入，以公平的方式在它们之间共享可用频段。频谱共享技术可分为交织（interweave）、下垫（underlay）和叠加（overlay）。

·频谱移动：在认知无线电网络中，认知无线电用户被认为是频谱的访客。因此，如果主用户返回到信道，认知无线电用户必须退出并切换到一个新的可用信道，避免干扰主用户和中断次级通信。

以下将介绍人工智能技术在认知无线电网络中的应用研究现状，并根据认知无线电网络的主要任务对它们进行了分类。

频谱感知是一种二元假设检验，用来确定是否存在主信号。频谱感知的目的是检测频谱空洞，即在特定时间和地理位置上主用户未使用的频段。在认知无线电网络中，已知的频谱感知方法有匹配滤波器检测（MFD）、能量检测（ED）和循环平稳检测（CSD）。MFD要求事先具备主用户信号知识，但这并不是总能做到。而CSD方法不需要先验信息，可以提取主信号波形信息。但是这一方法实现起来很复杂。ED是最常用的频谱检测技术，因为这种方法不需要任何关于未知信号的先验知识。该方法简单，检测时间短，但同时易受噪声功率不确定性的影响，不能区分主用户和次级用户信号。

鉴于这些感知方案的局限性，将在认知无线电频谱感知应用人工智能工具，目的是优化频谱感知时间，降低误报和漏检造成的频谱感知差错，提高检测精度，增强性能稳定性。

神经网络模型已被设计用于频谱感知。这种模型可用于预测电视频段内固定距离信道的状态。根据预测的信道容量，确定信道状态。训练参数是距离、信噪比、信道容量、电视频段频谱效率。有研究提出了一种新的混合频谱感知方案。该方案结合了经典的能量检测、似然比检验统计量（LRS-G2）和人工神经网络。对几种不同无线电技术的实际主信号进行性能评估的结果表明，该方案性能优于传统能量检测和改进后的能量检测技术。此外，还有研究将人工神经网络与循环平稳和能量检测技术相结合。这种模型克服了循环平稳特征检测技术和匹配滤波技术的缺点。神经网络用于训练信号样本，检测主用户的存在，具体来说就是反向传播算法。因此，神经网络可被用于认知无线电网络的频谱感知，它通常与循环平稳方案相结合。由于神经网络具有随时训练能力，这种方案可完成可靠信号分类和高效主用户信号预测。

隐马尔可夫模型（HMM）也已经用于认知无线电频谱感知。有研究提出利用隐马尔可夫模型处理信号循环平稳特征，用于认知无线电中主信号检测。基于隐马尔可夫模型的预测方法在认知无线电网络中也得到了广泛应用。有学者通过仿真和实时应用，研究了使用非平稳隐马尔可夫模型（NSHMM）和隐二元马尔可夫模型（BHMM）预测认知无线电系统的射频信道占用情况。结果显示出这种方法对成功实现可用频谱的二次利用具有良好潜力。还有研究提出了基于隐马尔可夫模型的信道状态预测。预测信道状态与相应概率一起输出，有助于后续决策。实验结果表明，该研究所提出的信道状态预测方法是有效的，可以与传统频谱感知技术相结合进行频谱感知，还可用于为认知无线电的上层模块提供预测信息。

模糊逻辑是另一种很有吸引力的技术，特别是在目标问题难以用传统数学方法建模，而人类更易理解的情况下。在协同频谱感知中，基于多个认知无线电节点的观测结果来决定是否存在主用户。最后的决策过程由融合控制器承担。有许多研究提出了基于模糊的融合规则。有文章提出了一种基于模糊逻辑局部决策融合的分布式协同频谱感知方法，在决策过程中充分利用了环境特性和次级用户移动性。在一个真实测量功率数据集上对该方法进行了评估。结果显示，该方法在抗次级用户速度瞬时变化时具有很高的鲁棒性，对于不同移动级别在非常低的信噪比情况下具有良好检测概率，性能超过了其他先进方法。对于某些环境因素信息有限或没有的情况，模糊逻辑是一个有效的认知无线电网络工具。它被用于协同频谱感知，为现有的组合方法提供额外的灵活性。

支持向量机（SVM）也应用到认知无线电网络中。有研究将支持向量机用于频谱感知和实时检测。通过对支持向量机分类模型的训练和测试，确定样本数据是否为主用户。还有研究提出采用支持向量机分类技术进行协同频谱感知。该方案分为三个步骤：采集训练样本，从训练样本中获取支持向量，将测试样本放入支持向量机中对主用户信号进行分类。还有研究将支持向量机分类技术应用于基于特征值的认知无线电频谱感知。支持向量机在认知无线电网络中的应用大多限于信号分类问题。即使训练样本有误，支持向量机也能产生预测精度高、过拟合小的高效分类器。对于极限样本数据，支持向量机通常优于人工神经网络，但需要观测过程分布的先验知识和标记数据。

表1给出了应用于频谱感知任务的人工智能技术的优缺点。

表1 用于频谱感知任务的人工智能技术的优缺点

完成频谱感知后，认知用户（CU）需要确定最优可用频段进行分配，并动态调整其参数，以最大限度地利用频谱，满足用户对速率和时延等服务质量（QoS）的要求。该决策过程受环境信息的影响，将基于适于认知无线电学习和推理能力的人工智能（包括人工神经网络、马尔可夫模型、基于案例的系统和基于本体的系统等）。自适应能力主要基于遗传算法、差异演化算法、群体智能算法等优化算法。将这些智能技术集成到认知无线电引擎的目的是在有限时间内降低复杂性，提高收敛性，并实现高效实时资源分配。下面提到的方法是在认知无线电网络频谱管理中应用的主要人工智能技术。

人工神经网络可用于认知无线电网络的无线电参数自适应。神经网络可以针对给定信道状态确定无线电参数，调整误码率，最大限度提高吞吐量，并降低传输功率。有研究提出了一种基于人工神经网络的认知无线云分布式优化算法，该算法由多个异构终端和网络组成。还有研究提出用人工神经网络代替现有的频率分配系统，以解决频谱效率低的问题。人工神经网络还可用于动态信道选择。

在认知无线电网络中采用人工神经网络的优势是它们可适应周围环境的微小变化，以及能提供关于决策制定的可信度信息。在这一领域，通常在训练模型中将人工神经网络与诸如遗传算法等另一种人工智能方法结合使用。

遗传算法被广泛应用于解决多目标优化问题、信道选择问题以及针对环境动态变化动态配置认知无线电参数等问题。遗传算法用于在认知无线电网络中找到分配给用户的最优频谱时，可将频段、功率传输、误码率和调制机制等参数作为决策基因。遗传算法和开/关主用户活动模型结合也可以解决认知无线电网络中的频谱分配问题。由开/关主用户活动模型生成的活动历史模式与遗传算法相结合作为感知向量，选择质量最佳和最少主用户的最优可用信道。另外，有研究提出了基于遗传算法的认知无线电多目标参数调整，通过引入线性尺度变换和自适应交叉概率和变异概率对遗传算法进行改进。还有研究采用遗传算法解决了认知无线电系统中的信道分配问题。这个问题的目标是降低对主用户的信道干扰。遗传算法非常适用于在认知无线电环境下控制和避免信道分配干扰问题。

群体智能是指一类模仿蚂蚁、蜜蜂、猫等社会性合作动物智能的进化算法。群体智能技术在一般分布式实现并通过通信进行协调方面表现突出。已提出一些基于群体智能技术的解决方案用于认知无线电网络。为了降低遗传算法的计算成本，近年来也已将群体智能技术应用于认知无线电系统。有研究提出了一种自适应离散粒子群优化算法，用于传输参数自适应，并通过多目标优化实现认知无线电节点的服务质量（QoS）要求。也有研究提出采用蚁群优化算法解决认知无线电网络中的频谱分配问题。该研究从两个方面设计了一种改进蚁群优化算法：首先引入差异演化过程，通过监测机制加快收敛速度；然后设计了可变邻域搜索（VNS）过程，避免算法陷入局部最优。采用改进的粒子群算法（PSO）和模拟退火（SA）的组合方法形成PSOSA算法也可用于研究动态频谱分配问题。模拟退火用于对粒子群算法进行改进。还有研究将基于猫群算法的多目标进化算法应用于基于OFDM的认知无线电引擎的参数适配问题。

模糊逻辑也被用于认知无线电重新配置决策中，以适应用户需求和系统资源。最近，模糊逻辑被尝试用于认知无线电网络信道选择。有研究使用模糊逻辑对备份信道和候选信道进行优先级排序。其结果有助于从备份信道表中选择工作信道，并从候选信道中选择更好的信道加入到备份信道。还有研究提出了一种改进的信道分配机制。该方法采用模糊理论，用接收信号强度来确定次级用户的信道接入优先级。实验结果证明了该方法的有效性。也有研究提出将模糊推理规则用于分布式异构无线环境下的资源管理。模糊收敛性被分为两层进行分析，首先根据干扰功率、带宽和路径损耗指数等局部参数进行分析，然后基于从所有节点收集的聚合信息进行分析，生成对每个节点的全局控制。

一般来说，利用模糊逻辑的优势在于它的低复杂度及其适用于实时应用。此外，它能够基于不精确和不完整的输入信息得到解。

博弈论为认知无线电网络中认知用户的交互行为建模提供了一个有效平台。有研究提出采用博弈论对ad hoc 认知无线电网络中资源分配进行建模。博弈论还可作为效用函数来建模成员（次级用户和主用户）之间的付出。重复博弈方法还被用于动态频谱接入（DSA）。博弈论的优势在于降低了大型认知无线电网络中自适应算法的复杂性，并为分散的多代理系统提供了解决方案，但它需要得到每个用户效用函数的先验知识。

此外，马尔可夫模型也参与了频谱管理决策。它被用于认知无线电网络之间竞争性频谱接入的建模和分析。并且，隐马尔可夫模型也可用于无线信道建模并预测信道占用情况。由于马尔可夫模型基于生成成功转换状态观测序列，因此它是一种有效的频谱感知任务预测和分类工具。

多代理系统也被引入认知无线电资源管理问题中。有研究提出了一种利用先验和有效信息融合的基于贝叶斯网络的多代理铁路通信信道可接入性模型。该模型利用贝叶斯推理来计算单个基站通过团队协作成功传输的概率，使一组基站内的网络性能最大化。基站不再只进行传统的传感和分配，而是有能力从与其他基站和环境的交互中学习，从而获得先验知识。基站代理进一步分析先验知识，并针对全局网络性能进行最优信道分配。还有研究使用多智能体Q-learning算法来建模频谱分配机制。多代理系统解决方案利用代理或用户之间的交互提高系统性能。因此，该技术可被认为是频谱共享领域中非常重要的工具。

基于本体的推理也能满足认知无线电的感知和推理需求。有研究提出了认知无线电本体（CRO）概念，并对基于本体的推理概念进行了改进和测试。研究人员用Web本体语言（OWL）中开发了一个认知无线电本体来表示无线通信基本术语，并在此基础上，开发了一套链路性能优化策略和规则。结果表明，该本体和策略方法可以推断出隐性知识，从而提高通信效率。基于本体的推理也被用于将频谱策略应用于动态频谱接入。在有的研究中，频谱本体定义了各种动态频谱接入概念，以机器可理解的方式对动态频谱接入网络的域进行建模，并使用语义Web规则语言（SWRL)）规则表示频谱策略。策略推理器能够处理所有本体操作，包括本体一致性检查和本体信息编辑。这种人工智能技术的优点是能够让终端可被理解，即配备了基于本体系统的无线电可以通过逻辑推理来理解其自身和其他无线电的能力和特征。这种理解以及对环境的理解有助于无线电推断出最佳运行参数。基于本体推理的另一优点是可以推断隐性知识。但由于本体规模大，需要较高处理时间才能满足用户需求。

基于案例推理的方法是通过寻找以前的类似案例并设计当前问题解决方案，解决新态势。基于案例推理的系统可以用来提出频谱分配方案。在这种情况下，基于案例的系统可用于识别认知用户所需的信道类型。此外，结合使用基于案例的系统和遗传算法也可用来解决参数自适应问题。还有研究引入了一个基于案例的推理引擎，通过考虑主用户的信道占用模式来开发战术认知无线电节点的候选信道。其实验结果验证了该方法的学习引擎和基于案例的推理引擎功能方面的可靠性。组合使用基于案例的推理和模糊逻辑还能用来确定信道类型。在认知无线电网络中使用基于案例推理的优势是可在不了解规则和案例创建方式的情况下学习。并且，该方法简单，易实现。但同时它也有很多局限性。这种方法对预先构建的数据库有很高的依赖性，且它在数据库中进行搜索以识别类似案例时可能会花费很长的处理时间。决策过程依赖于以前的状态，可能会提供错误模式。因此，基于案例的推理需要与人工神经网络、遗传算法等方法相结合，在决策前提供有效训练。

认知无线电中也可采用基于规则的推理来实现认知无线电引擎，作为有助于决策的工具。由于类似于人类推理，基于规则的推理在易理解和解释方面有优势。基于规则推理的另一优点是模块化，因为可以根据用户需求添加和删除规则。然而，基于规则的推理的缺点是它的准确性依赖于底层规则库的完整性和准确性。如果不能完全理解域，基于规则的系统可能会返回不适当的响应。

频谱共享允许在多个候选认知无线电用户之间共享和管理未充分利用的可用无线电资源，以避免干扰主用户以及认知无线电用户之间的传输干扰。

认知无线电用户与主用户共存技术可涉及干扰限制法（下垫法）、干扰避免法（交织法）或两者结合（叠加法）。干扰限制技术允许认知无线电用户与主用户在满足预定限制条件下同时接入一个授权频段。在干扰避免方法中，认知无线电用户只能在主用户不占用频段的情况下才能接入该频段。其他接入策略允许认知无线电用户通过调整它们的最大传输功率来确定频谱空洞后以及与主用户同时使用授权频谱。除了与主用户在频谱内共存外，认知无线电用户还必须与其他认知无线电用户共存，即自我共存。下面将介绍频谱共享任务中引入的人工智能技术。

博弈论是处理用户间交互的最合适数学工具。它试图找到一个最优解决方案，在不伤害其他个体的情况下最大化每个个体的奖励。

有研究提出了基于频谱共享的合作博弈理论。合作博弈理论可量化并分享合作收益，以公平的方式接入已确定的空闲信道。还可采用延迟认可（gale shapeley）算法实现认知无线电之间的合作，实现频谱检测和共享。该算法形成了稳定的认知无线电联盟。为了形成合作群体，每个认知无线电都要准备一份自己想要合作的周边无线电的偏好表，从而形成联盟。还有研究提出了认知小蜂窝网络中的合作议价博弈。这种方法用于干扰感知资源分配。在议价过程中，每个参与者都遵循自己的议价策略，使自己的效用最大化。

Stackelberg博弈也会用于频谱共享方案。在Stackelberg博弈中，一个参与者作为领导者，其他参与者作为跟随者，其主要目标是为领导者找到最优策略。有研究构建了一种Stackelberg博弈，其中授权网络是领导者，若干非合作认知无线电传感器网络（CRSN）为跟随节点。在该博弈中，授权用户对共享频段定价，而CRSN节点必须购买该频段服务于自己的网络。还有研究提出基于多领导者多跟随者的Stackelberg博弈模型，增加了授权无线电频谱的机会使用性。为了自适应利用频谱资源，控制决策互相耦合；每个用户的决策结果是返回到其他用户决策过程的输入。

拍卖博弈也被提出作为频谱共享的解决方案。在一个简单的频谱拍卖场景中，主要所有者充当拍卖方，将他们空闲的频段卖给次级用户以获取利润，而次级用户充当想要购买频段的竞拍者。有研究将认知无线电网络看成由一个主频谱所有者（PO）、多个主用户和多个次级用户组成。该研究设计了一个基于拍卖的频谱共享机制，其中次级用户向主频谱所有者投标购买频段，主频谱所有者作为拍卖方出售空闲频段，以赚取利润。

一般来说，也可利用多代理系统实现认知无线电网络的频谱共享。有研究考虑使用协作多代理系统，其中代理部署在主用户和次级用户设备上。主用户代理交换消息，帮助相邻次级用户代理提高频谱利用率。每个次级用户代理应在任何需要的时候向适当的邻近主用户代理发送消息，随后，相应主用户代理应该回应这些次级用户代理以达成频谱共享协议。次级用户代理基于频谱数量、时间和主用户代理提出的价格做出决策，并在发现合适的价格时开始频谱共享。在频谱完全利用后，次级用户代理向相应主用户代理支付协商好的费用。

生物启发范式也被用于解决频谱共享问题，如遗传算法、蚁群算法和粒子群算法。有研究提出了一种基于改进量子遗传算法（QGA）的认知无线电系统非合作博弈频谱共享技术。该研究考虑了一种认知无线电环境，在这种环境中，主用户分得授权无线电频谱，通过与次级用户共享该频谱提高频谱利用率。该研究将频谱共享问题制定为一种博弈，次级用户竞争主用户提供的频谱，而频谱的成本通过定价函数确定。改进量子遗传算法被用作一种竞争策略。还有研究利用蚁群的自适应任务分配模型解决频谱共享问题。社会认知粒子群优化算法也被用于解决频谱共享问题。

频谱移动在认知无线电网络中的主要目标是在不中断次级用户传输的情况下提供无缝信道切换。因此，频谱移动按照频谱切换和连接管理两个步骤进行。首先是将正在进行的数据传输从当前信道切换到另一可用信道的过程。信道切换需要大量的时间，称为频谱切换延迟，这是次级用户搜索另一可用信道和进行射频重置过程所花的时间。为了弥补不可避免的切换延迟，连接管理过程根据当前情况对协议参数进行管理。

频谱切换发生在三种情况下：主用户到达、次级用户移动和链路质量下降。这三种情况迫使次级用户执行频谱切换。一般来说，认知无线电网络中的频谱切换主要分为两种策略：主动切换和被动切换。在主动切换中，信道选择基于切换之前对主用户业务感知来完成。后者是在切换事件发生后通过瞬时感知来选择信道。受切换事件影响的次级用户在新搜索到的空闲信道上恢复传输。因此，在这两类频谱切换中，信道选择都是通过连续观察主用户信号来完成的。频谱切换决策是认知无线电网络中的一个重要问题。不同的人工智能技术已被应用到认知无线电网络的学习设计中，以改善频谱切换决策的制定。

基于模糊逻辑的方法可用于主动切换。有研究提出了模糊层次分析过程算法用于切换决策。该策略根据次级用户要求的QoS保留一些备份信道。基于两个模糊控制器的算法也被提出用于频谱切换决策。首先该方法测量主用户和次级用户之间的距离，并估计不影响相邻主用户传输的次级用户传输功率。然后，检查次级用户是应该留在还是离开当前信道。还有研究提出一种基于模糊算法的多准则决策技术。该方法已被证明是选择备用信道方案的有效方法。该算法是一种层次分析过程算法和模糊逻辑混合方法，它改进了主观性管理，减少了信息的不确定性。基于模糊逻辑的频谱切换算法也被提出用于多跳底层认知无线自组网。这种算法采用模糊逻辑控制器辅助次级用户调节无线电信号发射功率。如果功率调整不可能降低总干扰，则次级用户应进行频谱切换。

主用户在特定信道上随机出现会显著劣化正在进行的次级传输。针对此问题，一些学者已经提出用马尔可夫模型来管理频谱切换。有研究提出利用隐马尔可夫模型来优化切换决策。该模型用于检查信道状态和修改频谱感知决策。还有学者通过考虑次级用户移动性，提出了一个两状态连续时间马尔可夫链对次级用户信道可用性建模。还有研究提出了一种认知超宽带工业网络切换策略，主用户和次级用户在一个信道上共存。信道的繁忙和空闲状态使用马尔可夫模型建模。还有学者使用了一种离散时间马尔可夫链对信道接入和切换方案建模。该方案允许次级用户识别信道状态，决定在当前信道上保持空闲状态还是进行切换。

在频谱切换问题中应用的人工智能技术的主要优缺点见表2。现有频谱切换研究大多在设计上缺乏智能学习特性。频谱切换过程在认知无线电网络中非常重要，这一问题仍需要进一步深入研究。

表2 用于频谱切换的人工智能技术的优缺点

本文介绍了几种已在认知无线电设计中使用的人工智能技术，研究了这些智能方法在频谱感知、频谱管理、频谱共享和频谱移动性决策等认知无线电网络主要问题中的应用。

随应用和实现方式的不同，人工智能技术的适用性也有一定差异。认知无线电设计中决定使用哪种人工智能技术需要根据应用需求、可用先验知识的准确性、鲁棒性和计算复杂性以及硬件功能（如处理器速度、内存等）进行选择。