基于神經網絡的感知無線電學習與評估研究
2008-12-31 00:00:00張振宇謝曉堯
計算機應用研究 2008年9期
.摘 要：為了得到感知無線電最優決策，對感知循環、人工智能技術應用、基于遺傳算法的感知引擎進行了分析。感知無線電決策機應該既考慮帶寬、信號速率、功率等可變因素，又考慮費用等不可變因素。基于神經網絡，提出了感知無線電決策機學習與評估模型，并研究、討論了感知無線電知識庫信息與決策機設計思路。
關鍵詞：感知無線電; 神經網絡; 決策機; 遺傳算法
中圖分類號：TN925; TP183 文獻標志碼：A
文章編號：10013695(2008)09276503
Research on learning and evaluation of CR based on neural network
ZHANG Zhenyu1，3， XIE Xiaoyao2ˉ|
（1. College of Computer Science Engineering，Guizhou University， Guiyang 550001， China； 2.Key Laboratory of Information Computing Science of Guizhou Province，Guizhou Normal University， Guiyang 550002， China； 3.Department of Strategy Development， China Mobile Group Guizhou Co. Ltd.， Guiyang 550004， China）
Abstract:This paper introduced the research of cognitive engine and application of artificial intelligence techniques in cognitive radio. The limitation of CR engine based on GA was analyzed， propose for improvement was proposed. The decision maker of CR engine should consider both the changeable and the unchangeable factors such as cost， bandwidth， signal rate and ARQ. Based on Neural Network， the method of evaluating and learning best decision was proposed. Several key architectural issues for cognitive radio engine based on Neural Network were discussed， including knowledge base information model and learning model Neural Network design.
Key words：cognitive radio; neural network; decision maker; genetic algorithms
J. Mitola III[1] 定義感知無線為“一種無線電可以使用基于推理的模型，使無線電相關的域達到指定的能力水平”。Mitola 1999年第一次提出感知無線電[2]，感知無線電便作為一個非常重要的革新受到了空前的關注，無數的感知無線電應用被各國專家學者提出。但是無論感知無線電如何被定義，它具有三個特點，即觀察性、自適應性、智能性。
隨著感知無線電硬件和軟件研究的發展，尤其是人工智能技術在感知無線電上的應用，感知無線電引擎受到了極大的重視。但是感知無線電引擎的決策機如何得出最優決策的問題，一直沒有得到很好的解決。感知無線電引擎的最優決策必須考慮很多因素，如費用、帶寬、誤碼率、信號速率以及感知無線電的其他參數。非常顯然，在這些需要考慮的因素中具有不同的特性，有些因素是可改變、可配置、可修正的，如帶寬、信號速率、發射功率等。然而有些因素是無法改變的，比如某個感知無線電的費用與擁有者。所以感知無線電引擎在決策時必須同時考慮可改變參數和不可改變參數，從而得到最優的決策。
在最近的研究中，Rieser等人[3]提出了基于遺傳算法的感知無線電引擎的模型。但Rieser基于遺傳算法的模型存在一定局限，它無法解決不可改變參數參與決策的問題。因此，應該基于可改變因素和不可改變因素，提出感知無線電決策評估與學習的方法，考慮全部所需的因素，學習并得出最優決策。
1 基于人工智能的感知無線電研究情況
近年來SDR論壇、IEEE、DARPA[4]、FCC[5]等國際研究機構都開始著力于感知無線電的研究，圖1給出了國際上感知無線電研究取得主要進展的時間表。1999年 Mitola基于感知循環，在應用層提出了感知無線電原始模型的設備環境和位置。在意識到無線系統并沒有充分利用現有的頻譜資源后，DARPA（美國國防研究機構）在2002年建立了XG計劃，來進行新的頻譜接入技術的研究。2004年，美國弗吉尼亞工學院基于遺傳算法(GAs)，提出了生物激勵的感知引擎。SDR論壇在2004年成立的兩個研究小組（感知無線電工作組和感知無線電特殊興趣組），對感知無線電進行探索研究。同時，作為FCC(美國通信委員會)的成員，IEEE也向FCC提交了對于感知無線電的定義。
人工智能(AI)和數據庫管理系統領域的研究，伴隨著處理能力更快、更強大的硬件平臺的發展，加速和拓展了在工程問題解決中計算機的應用。在計算機工程的實際應用中，流行的趨勢是將問題的不同任務結合起來，按照任務的類型，所需要的知識和處理過程可能涉及使用大量的模型、數據庫系統和決策模型，來提高需要人類經驗的解決方案。為了滿足更廣泛的領域應用，AI和專家系統技術提供了應用中更需要的軟件工具，來整合不同的處理過程，為計算機工程建立知識庫系統。
理想的、智能的感知無線電應該是有意識的、能學習的，并且可以為了改善狀態采取措施。感知無線電的研究和應用非常廣泛，它根據不同的網絡需要，從提高頻譜利用率和有效性、降低無線電費用到自動的無線電資源管理。感知無線電必須針對不同的情況有所反應，采取措施，對其所定義的波形和協議中許多不同的參數進行調整。所以智能的感知無線電不僅僅只是進行簡單的學習，還需要進行非常復雜的學習，并具備決策的能力。
J. Reed[6]、Joseph Gaeddert與其他弗吉尼亞工學院的專家提出了 “應用人工智能來研究感知無線電引擎”來研究AI技術對于不同感知無線電任務的適合性，包括AI技術在感知無線電中觀測、定向、決定、學習等任務中的應用研究。研究發現HMM和數據挖掘適合用于感知無線電預測和計劃應用。遺傳算法與神經網絡等算法適合用于感知無線電的參數優化和權重權衡應用。博弈論與合作學習被建議用于感知無線電與其他節點的合作。
2 感知無線電引擎
感知無線電可以理解為傳統軟件無線電的增強設計，來建立一個感知無線電架構。從圖2可以看出感知無線電通過使用狀態機，利用感知循環來改變它們的行為，作為對環境改變的回應。感知循環可以通過執行一個詳細的分析，預測未來環境的變化，或者可以作一些簡單的調整回應環境的改變。通過這個構架，可能可以通過構造一個軟件無線電來智能地適應周圍環境。Mitola把感知循環介紹為感知無線電的頂層控制環路。感知循環由外部世界（outside world）、定向(orient)、計劃(plan)、決定(decide)、行動(act)、學習（learn）過程組成。在感知循環中，無線電通過直接觀測或者通過信號，接收到關于它運行環境的信息即外部世界。這些信息將被評估即定向，來確定它們的重要程度。基于這個評估，無線電會確定自身的選擇即計劃，并且選取其中一個選擇即決定，通過這個決定來推測可改進的評估結果。假設認識必須作波形改變，無線電將執行這個選擇即行動，調整設備、發射出適當的信號。而后這些改變將被反映在外部世界中的感知無線電呈現的干擾情況。作為處理過程的一部分，無線電將運用這些觀測和決定來提高、改善無線電的運行即學習，或許通過產生一種新的模型、生成新的選擇或產生評估。
根據Mitola的感知循環模型，基于遺傳算法，弗吉尼亞工學院提出了感知引擎。感知引擎的軟件包可以讀取使用軟件定義無線電儀表；可以智能地、自適應地調節無線電的調節器，并且通過學習相關的經驗來達到用戶目的。為了給消費者提供全新的、有優勢的無線業務，弗吉尼亞工學院的Rieser 基于遺傳算法提出了生物激勵感知無線電引擎模型。Rieser對感知引擎的結構和算法進行了研究，并提出了建議方案。其中包括無線信道遺傳算法(wireless channel genetic algorithm，WCGA)、無線系統遺傳算法( wireless system genetic algorithm，WSGA)，以及感知系統監控器 (cognitive system monitor，CSM)。在Rieser 設計的感知無線電引擎結合了遺傳算法的再生、選擇、交叉、變異并且用無線電染色體表示出來。
3 感知無線電引擎模型的局限與分析
遺傳算法算子將對表示系統染色體的參數集的編碼進行操作，感知無線電引擎通過知識庫技術對系統染色體進行處理，并基于知識庫和遺傳算法進行決策。這些引擎可以在很多方面被應用，并可以通過在無線電中使用大量的調節器來改善無線電。
在生物激勵感知無線電引擎模型中，染色體參數即基因，可以被選擇、變異以及交叉。這些參數都是可改變的。比如：無線電的帶寬、加密方式、調制方式等。在Rieser所定義的無線電引擎模型中，最典型的染色體為功率、載頻、帶寬、信號速率等參數。在感知無線電存在一些參數是無法改變的，如無線電的費用和無線電的所有者。但是在實際應用中無線電的費用常常是無線電決策最重要的因素之一。 因為當選擇無線電時，總是希望降低使用費用。類似于無線電費用的參數是無法改變的，如果將無法改變的參數納入決策考慮之內，Rieser提出基于遺傳算法的感知無線電引擎處理這種情況沒有優勢。引擎可以考慮其他AI技術，將可改變因素與無法改變因素一起納入決策考慮，對感知無線電決策進行評估，同時學習最優的決策。為了評估和學習感知無線電引擎的決策，首先應該建立更全面的感知無線電知識庫，采集更多的信息。如上文分析所述，采集的信息應該考慮可改變因素與不可改變因素。如圖3所示，可改變因素包括發射功率、帶寬、信號速率、加密方式以及調制方式等信息；不可改變因素包括某個無線電的費用與某個無線電的所有者等信息。
4 基于神經網絡的感知無線電引擎
為了解決Rieser 模型的局限，應該考慮綜合可改變因素和不可改變因素，將這些信息同時作為知識庫和決策機的輸入，對決策進行評估和學習，最終得到最優決策作為輸出。而這個評估和學習模型應該具有非常強的非線性映射能力，在不完全掌握事務規律的情況下也可工作。同時這個模型結構應該清晰、簡單，能仿真復雜系統的輸入和輸出。神經網絡可以滿足這些要求，它是人腦抽象的計算模型，類似人的大腦，它由人工神經元和神經元之間的互連組成。自20世紀50年代Rosenblatt第一次應用單層感知器進行模式識別的研究，人們對于神經網絡的研究已經有五十多年，它在各領域的應用研究都取得了成功。神經網絡由強大的并行處理結構組成，通過訓練，神經網絡具有非常強的擬合、學習與泛化能力。其中多層BP神經網絡由于結構簡單、易于掌握，得到了廣泛的應用。如圖4，BP神經網絡同樣是并行結構，內部神經元互連的網絡，每一層的神經元從前一層的神經元得到輸入，通過加權計算處理后得到輸出，然后提交給下一層的神經元。BP網絡是采用WidrowHoff學習算法和非線性可微轉移函數的多層網絡。一個典型的BP網絡采用的是梯度下降算法，也就是WidrowHoff算法所規定的。
圖5表示的是基于神經網絡的感知無線電決策機。感知無線電知識庫需要的采集信息作為決策機的輸入信息，同時感知無線電知識庫中的信息也為該決策機的訓練數據。通過學習和評估，模型的輸出為綜合了費用、帶寬、信號速率等因素的最優感知無線電的決策選擇。在設計決策機模型時，應根據需求來設計其具體決策輸出內容，可以將綜合考慮作出選擇的無線電作為輸出，這是模型參考可變和不可變因素綜合決策。也可根據實際情況，將作出選擇的無線電和該無線電的關鍵參數在許可范圍內的最優調整一起作為模型輸出。
5 結束語
隨著學術界對于感知無線電的關注，越來越多的AI技術被應用到了感知無線電的研究中。Rieser的感知無線電引擎模型考慮可變因素而忽略不可變因素，存在很大的局限。但決策時，必須考慮如費用之類的不可變因素。基于神經網絡的感知無線電決策機提供了一種綜合考慮可變因素和不可變因素決策的方法。通過該模型可以評估、學習并得到感知無線電的最優決策。
參考文獻：
[1]MITOLA J III. Cognitive radio:an integrated agent architecture for software defined radio[D].Stockholm， Sweden:Royal Institute of Technology， 2000.
[2]MITOLA J III. Cognitive radio for flexible multimedia communications[C]//Proc of Mobile Multimedia Communications. San Diego:Academic Press，1999:310.
[3]RIESER C J，RONDEAU T W，BOSTIAN C W，et al. Cognitive radiotest bed: further details and testing of a distributed genetic algorithm based cognitive engine for programmable radios[C]//Proc ofIEEE MILCOM. Monterey， CA:[s.n.]，2004.
[4]DARPA，XG，RFCS[EB/OL].http://www.darpa.mil/ato/programs/xg/rfcs.htm.
[5]FCC spectrum policy task force (SPTF) website[EB/OL].http://www.fcc.gov/sptf/.
[6]NEEL J， REED J， MACKENZIE A. Cognitive radio network performance analysis[M]. Cognitive Radio Technology.Scottsdale， AZ:Elsevier，2006.
[7]BOSTIAN C W，MIDKIFF S F， GALLAGHER T M，et al. Rapidly deployable broadband communications for disaster response[C]//Proc ofInternational Symposium on Advanced Radio Technologies (ISART). Boulder，CO:[s.n.]，2004.
[8]NEGNEVITSKY M. Artifical intelligence: a guide to intelligent systems[M]. New York: AddisonWesley Pearson Education Limited， 2002.
[9]RIESER C J. Biologically inspired cognitive radio engine model utilizing distributed genetic algorithms for secure and robust wireless communications and networking[D].Blacksburg， VA:Virginia Polytechnic Institute and State University， 2004.
[10]NARAZAKI H， RALESCU A L. An improved synthesis method for multilayered neural networks using qualitative knowledge[J].IEEE Trans on Fuzzy Systems，1993，1(2)：125137.
[11]HAYKIN S. Neural networks a comprehensive foundation[M]. 2nd ed.[S.l.]:Prentice Hall Inc， 1999.
