认知无线电中的混合认知引擎设计*

(解放军电子工程学院，合肥 230037)

1 引 言

认知无线电(Cognitive Radio,CR)是未来无线电技术的发展方向，近年来受到了广泛关注。一般认为，CR终端具有足够的认知能力，能够自动感知周围环境并检测可用频谱，结合已知信息，经过学习、推理进行智能决策，实现空闲频谱的机会接入[1]。

认知无线电的关键技术包括频谱感知技术[2-3]、动态频谱共享技术[4]和认知引擎(Cognitive Engine, CE)技术[5]等，相对而言，目前对认知引擎技术的研究还不多。认知引擎是认知无线电的智能核心，如何设计和实现认知引擎，值得深入研究。

弗吉尼亚工学院的认知无线电工作组提出应用人工智能(Artificial Intelligence, AI)技术来研究认知引擎，包括人工智能技术在认知无线电优化、推理、学习和决策等任务中的应用研究[6-7]。Rieser等人[8]构建了基于标准遗传算法(Standard Genetic Algorithm, SGA)的认知引擎的模型，文献[9]则讨论了应用遗传算法的认知无线电参数调整功能的实现问题。为克服标准遗传算法具有早熟收敛和爬山能力弱的缺点，文献[10]提出了模拟退火(Simulated Annealing, SA)与遗传算法相结合的认知无线电参数调整方法，文献[11]提出了基于量子遗传算法(Quantum Genetic Algorithm, QGA)的认知无线电决策引擎，QGA同时具有收敛速度快和收敛精度高的优点，但实现复杂度较高。文献[12]设计了一种基于免疫遗传算法(Immune Genetic Algorithm, IGA)的认知决策引擎，在算法有效性和复杂度之间取得了较好的平衡。

可见，目前人工智能技术应用于认知引擎的研究主要集中在遗传算法多目标优化问题上，但研究发现，单独的某一项人工智能技术难以产生稳健的认知引擎。

本文设计了一种混合认知引擎(Hybrid Cognitive Engine,HCE)，根据优化任务和具体要求，综合运用多种人工智能技术来设计认知引擎，以提高认知引擎的能力。

2 认知引擎与人工智能

2.1 典型认知引擎模型

对于认知引擎，目前尚没有统一的描述方式。在现有的研究中，具有代表性的是美国弗吉尼亚工学院(Virginia Tech, VT)无线电信中心(Center for Wireless Telecommunications,CWT)提出的基于遗传算法的认知引擎和美国国防部(Department of Defense, DoD)电信科学实验室(Laboratory for Telecommunication Sciences, LTS)基于软件无线电架构开发的认知引擎。

VT-CWT的研究人员认为，认知无线电的参数重置过程是一个多目标优化的过程，而遗传算法是解决多目标优化问题的一个有效算法。

2004年，C. J. Rieser等人[8-9]构建了基于遗传算法的认知引擎模型，图1给出了该认知引擎的系统级结构框图[8]，主要由无线信道遗传算法(Wireless Channel Genetic Algorithm, WCGA)、无线系统遗传算法(Wireless System Genetic Algorithm, WSGA)和认知系统监控模块(Cognitive System Monitor, CSM)3部分组成。

2007年，T. W. Rondeau在其博士论文[6]中详细描述了一种认知引擎结构，图2给出了其简化形式。在该认知引擎结构中，认知控制中心是其调度中心，控制着与之相连的各单元模块。感知器的主要任务是感知无线电环境信息，属于频谱感知技术研究范畴。优化器、决策器和政策验证器是认知引擎的重点。用户接口提供控制和监视认知引擎的端口，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，并为感知器提供信息。

图1 Rieser的认知引擎结构

图2 Rondeau的认知引擎简化结构

DoD-LTS的C. Clancy等人[13]认为，认知无线电就是增加了认知引擎的软件无线电，他们基于机器学习理论设计了能够在各种信道条件下调整调制方式和编码方式，实现信道容量最大化的认知引擎。该认知引擎主要由知识库、推理引擎和学习引擎组成，目的是驱动软件无线电的参数重置，其结构如图3所示[13]。

图3 DoD-LTS的认知引擎结构

2.2 人工智能应用于认知引擎

认知无线电的基本思想是使无线电设备具有智能性，能够自主进行感知、推理、学习、优化、决策和执行等动作。认知引擎作为认知无线电的智能核心，是应用人工智能的最佳平台。很多人工智能方法都可以应用于认知引擎中，它们有着各自的优点和局限性，仅用某一种人工智能方法很难获得灵活、稳健、功能强大的认知引擎。

表1对一些人工智能方法进行了粗略比较，包括基于规则推理(Rule-Based Reasoning, RBR)、基于案例推理(Case-Based Reasoning, CBR)、基于本体论推理(Ontology-Based Reasoning, OBR)、遗传算法(Genetic Algorithm, GA)、人工神经网络(Artificial Neural Network, NN)、隐马尔可夫模型(Hidden Markov Model, HMM)和决策树(Decision Tree, DT)等。

表1 人工智能方法比较

3 混合认知引擎

3.1 结构组成

为了克服传统认知引擎的不足，我们综合运用多种人工智能算法，构建了一种混合认知引擎，其结构如图4所示。该混合认知引擎主要由智能代理单元(IAU)、认知监控单元(CMU)、知识表示模块(KCM)、知识库(KB)和人工智能算法库(AIAB)等部分组成。

其中，智能代理单元包括推理引擎、学习引擎、优化器和决策引擎4个模块，各模块之间既可独立工作，又是相互影响的。推理通过提供好的案例来提高学习效率，学习可以通过丰富更新知识库来增强推理，推理和学习为优化和决策提供保证。认知监控单元是混合认知引擎的调度中心，控制着与之相连的各单元模块。知识表示模块将信息描述为一种便于机器识别的数据形式，直接影响知识库的构建和知识检索的难度及效率。知识库中包括短期知识库和长期知识库，短期知识库包含当前外部环境状态和系统内部工作参数，长期知识库包括规则库和案例库。规则库表示关于无线通信和无线电的一般性知识，用于推理过程；案例库表征认知无线电的历史经验，有利于认知引擎快速得出优化的决策结果。理论上，人工智能算法库中包括所有可用于认知引擎的人工智能算法或方法，如基于知识推理、基于规则推理、基于规则学习、基于案例推理、基于案例学习、基于本体论推理、神经网络、模糊逻辑、遗传算法、免疫进化算法、博弈论、决策树和隐马尔可夫模型等。

图4 混合认知引擎结构框图

3.2 工作机理

无线电知识表示对感知单元的输出信息和用户需求信息进行处理，将其表示成一种机器能够识别的形式，并送知识库存储。认知监控单元控制智能代理单元中的各模块采用合适的人工智能算法对知识库中的知识进行处理。智能代理单元中的各模块之间既可独立工作，又是相互影响的。推理通过提供好的案例来提高学习效率，学习可以通过丰富更新知识库来增强推理，推理和学习为优化和决策提供保证。

在混合认知引擎中，推理引擎主要是根据外部环境状态参数和系统参数，对规则库和案例库的内容进行匹配和选择。推理过程是一种系统将已有知识库用于当前情况，确定行为进展的过程。RBR是从基于知识推理派生而来，用“if-then-else”的方式表达，表述简明，但适应性较差，其精确性依赖于潜在规则库的完整性和准确性，将模糊逻辑引入RBR可改善其适应性差的缺点。

学习引擎负责增加可用行为的列表长度，使得无线电能够适应环境的变化。可用于学习引擎的人工智能算法很多，主要可分为监督学习、无监督学习和强化学习3类。不同的学习算法适用于不同的场合[5]，混合认知引擎应根据学习内容的不同，进行适当的取舍。

总之，混合认知引擎所要解决的核心问题是：如何将多种人工智能算法合理组合，更好地完成知识表示、推理、学习、优化和决策等功能，实现系统参数的智能调整，以适应无线电环境变化和满足用户需求。

3.3 特点分析

混合认知引擎的最大特点在于，综合运用多项人工智能技术代替一项人工智能技术实现各认知功能模块。混合认知引擎具有很强的灵活性和稳健性，对智能代理单元中的模块及所选取的人工智能算法，可通过认知监控单元进行必要的“裁剪”和“激活”。具体特点表现为：

(1)允许单独开发、测试和启动各个结构单元；

(2)允许采用不同类型的算法和过程实现不同的模块；

(3)允许一个模块采用多个算法。

4 一种简化的HCE

理想的混合认知引擎，可以任意对所有可用的人工智能方法进行合理组合使用，按需求对智能代理单元中的模块进行动态的裁剪和激活。实际上，目前这样的全智能混合认知引擎很难实现，本节探讨一种简化的混合认知引擎。

人工智能算法库中包含以下人工智能方法：模糊逻辑(FL)、基于规则推理(RBR)、基于规则学习(RBL)、基于案例推理(CBR)、基于案例学习(CBL)、决策树(DT)和遗传算法。

当拥有大量领域知识时，认知监控单元选取FL、RBR、RBL和DT用于智能代理单元。

规则库(Rule Base, RB)包含两个基本的数据结构：第一个是逻辑表达式，由表征环境和系统状态的谓词(predicate)组成，谓词是一阶逻辑表达式，评估结果为“真”或“假”；第二个数据集是行为(action)，行为定义推理引擎可执行的操作以改变环境的状态。行为包含前件(precondition)和后件(postcondition)，前件必须能够从知识库中推理得到，后件描述知识库的修正状态。

为了便于理解，考虑一个简单的例子，其目标是随着信噪比(SNR)的降低，做出降低调制阶数的调整动作。规则库包含谓词

predicates:ModRate(QPSK)∧SNR(4dB)

(1)

和行为

action:DecModRate

precond:ModRate(QPSK)∧SNR(<6dB)

postcond:-ModRate(QPSK)∧ModRate(BPSK)

(2)

我们可以从规则库中成功地推断出满足前件，评估结果为“真”，执行DecModRate行为并将后件应用于规则库，得到：

RB′=RB∧postcond=

(ModRate(QPSK)∧SNR(4dB))∧

(-ModRate(QPSK)∧ModRate(BPSK))=

ModRate(BPSK)∧SNR(4dB)

(3)

可以看到，当SNR低于6 dB时，调制方式是如何从QPSK调整为BPSK的。选取合适的属性，利用决策树(DT)进行决策。

在缺少领域知识的情况下，HCE将激活FL、CBR和CBL。当缺少历史经验而又需要提供较精确的优化调整方案时，可采用GA。图5给出了基于案例和遗传算法的优化过程。

图5 基于案例和遗传算法的优化过程

5 结束语

没有一种单独的人工智能方法能够解决认知无线电中认知引擎所有的问题，认知引擎所表现出的智能级别是动态可变的，取决于实现平台、可用的计算资源及系统的特定任务等。综合运用多种人工智能方法设计混合认知引擎有助于提高认知引擎的灵活性和稳健性，将是认知无线电系统及认知无线网络中认知引擎研究和发展的趋势。

参考文献：

[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, 魏胜群. 认知引擎技术[J]. 中兴通讯技术, 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] 郑仕链，赵知劲，尚俊娜，等. 基于模拟退火遗传算法的认知无线电决策引擎[J]. 计算机仿真, 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] 赵知劲，郑仕链，尚俊娜, 等. 基于量子遗传算法的认知无线电决策引擎研究[J]. 物理学报, 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] 焦传海,王可人.一种基于免疫遗传算法的认知决策引擎[J]. 系统工程与电子技术,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.