11.1. 认知无线电
认知无线电的概念由约瑟夫·米托拉于2000年提出[1]，这是一种强大的通信方法论，网络中的每个无线电都具备感知环境、调整运行行为以及动态学习新情形的能力（参见图11.1）。正因认知无线电具备感知、调整和学习的能力，其所依赖的通信系统必须具备高度的灵活性。因此，软件定义无线电技术非常适合实现基于认知无线电的通信系统。
尽管软件定义无线电看似非常适合认知无线电应用，但仍有若干设计与实施方面的问题需加以解决。参见图11.2，可见认知无线电引擎如何作为一层，构建于软件定义无线电平台的基带处理部分之上。基带处理可以采用多种计算技术，如通用微处理器系统、FPGA、DSP、GPU、ARM及其他嵌入式计算技术。实际上，在同一系统上实现多种基带处理技术的共存亦是可能的。
针对特定的软件定义无线电系统所采用的计算技术，需注意并非所有软件定义无线电均采用相同构架，且不同计算技术各有优缺点。例如，FPGA不易重新编程，这意味着它们不适合频繁变化的通信系统操作。另一方面，它们非常适合需要高计算速度的应用。选择合适的计算硬件对认知无线电的性能具有显著影响。
细察图11.2可见，认知无线电引擎由多个输入（感知环境、期望性能度量、可用无线配置）、一个输出（待实施的无线配置）及一个反馈环构成。认知无线电引擎的核心是决策过程，该过程基于过往经验、可用无线配置、感知环境参数及期望性能度量，确定最佳无线配置方案。决策过程通常采用机器学习实现，且可供选择的方案众多。为了理解认知无线电引擎的设计考虑，让我们更深入地分析这些要素。
机器学习技术已被广泛研究，用以部分或完全自动化（重新）配置过程（见[2–6]及其引用文献）。然而，这些技术所产生的解决方案通常需要对无线设备及目标网络行为（如高数据速率、高误差鲁棒性和低网络延迟[7]）具备一定了解。尽管如此，机器学习技术非常适合处理设备配置方案解空间极为庞大的场景[4–6]。
影响认知无线电系统的一个主要问题是决策的准确性，这依赖于认知无线电引擎接收输入信息的质量和数量。因此，系统可用信息越丰富，认知无线电引擎便能作出更优决策，从而更精确地实现预期的用户体验。参见图11.2，认知无线电系统采用三类参数：
1. 设备配置：一组可更改以改变设备当前运行状态的参数。注意，部分潜在配置可能无法实现，因此被自适应算法禁止。
2. 环境参数：这些参数表示设备当前状态及其通过外部传感器感知的无线环境信息。
3. 目标网络体验：这些度量大致描述了普通用户操作无线网络设备时的平均体验。任何认知无线电的目标均为实现所给度量的最优值。由于各应用运行于不同环境且具有不同需求，认知无线电引擎为某一应用生成的优越方案，在应用于另一应用时可能导致不可接受的性能表现。
最优决策定义为设备配置与环境参数的组合，该组合比任何其他可用组合更好地实现目标网络体验。定义适用于认知无线电系统的设备配置参数清单至关重要。构建良好的清单应包含对目标网络行为具有显著影响的常见无线参数。表11.1列出了无线网络设备中常用的九项传输参数。
环境参数向系统传达周围环境特征信息。这些特性包括设备运行状态的内部信息以及表示无线信道环境的外部信息。这两类信息均可用于辅助认知无线电。在做出决策时。这些变量连同目标网络体验一起作为算法的输入。表11.2列出了六个可能影响认知无线电设备运行状态的环境参数。
基于机器学习的认知无线电系统旨在自主提升人类操作者的无线网络体验。
然而，提升该体验的含义可以多种多样。大量研究聚焦于改善同一网络中多用户的无线接入能力。其他关键方面包括实现无误码通信、高数据速率、限制用户间的干扰，甚至无线网络设备的实际功耗，这在移动应用中尤为重要。如表11.3所示，我们定义了五种常见的目标网络体验，指导认知无线电系统实现特定最优方案。
表11.2中呈现的目标体验代表了指导认知无线电系统状态的均值。认知无线电通过描述如何调整设备参数以实现这些目标的关系来利用这些体验。为便于决策过程，每个目标网络体验必须用数学关系表示，该关系将设备配置和环境参数关联到一个标量值，用以描述该组合实现特定目标的程度[5, 8]。 这些函数为认知无线电提供了一种对配置与环境参数组合进行排序的方法，最终促成最终决策。
注意，可以同时指定多个目标网络体验，其最终得分由一个数值表示。在此情况下，各目标体验得分依据其在特定应用中的重要性加权并汇总，形成最终的总体得分[5]。
11.1.1 大黄蜂行为模型
迄今为止，我们主要关注认知引擎的决策过程框架，但尚未深入探讨无线电自身的不同决策方法。因此，我们将探讨两种可能的决策执行方法。第一种方法是一种基于大黄蜂行为的生物启发式方法[9]。
当人们提到认知无线电时，会联想到‘认知’一词，并将其与驱动决策的人类智能相关联。
然而，针对我们所追求的性能，这实际上可能是过度设计，同时伴随着显著的计算复杂度成本。
因此，一些研究人员转而关注具备较简洁认知能力的生命体，作为认知无线电引擎及其他应用中决策过程的基础。在过去几十年中，研究者们以蚁群和蜜蜂的行为为基础，探讨智能且高效的决策机制。这些生命体具有群居特性，即相互交换信息，执行能获得最佳回报的行为。然而，蚁群和蜜蜂作为社会依赖的生命体，这意味着单个个体的行为完全依赖于群体的行为。
当将这些生物启发的决策过程应用于认知无线电和软件定义无线电时，会产生极具挑战性的运行环境。假设每台无线电设备运行一个认知无线电引擎，该引擎收集其环境信息及来自邻近无线电设备的信息。基于如此丰富的信息，我们预计该无线电设备能够在自身配置上做出优异的决策。然而，若采用这些社会依赖模型，也会限制各无线电设备基于自身做出决策的方式。
大黄蜂也是在群体中活动的社会性生命体。然而，与蜜蜂和蚁群不同，大黄蜂天生具有社会独立性，它们既收集环境信息并相互共享,又在不受群体控制的情况下自行作出决策。
正是这种灵活性使大黄蜂非常适合于可能随时间快速变化的运行环境。关于在认知无线电中采用大黄蜂行为模型，该模型非常适用于网络拓扑频繁变化、信道条件及频谱可用性随时间变化、以及网络中无线电数量变化的运行环境。因此，让每个无线电运行基于大黄蜂行为模型的认知无线电引擎非常有益，因为它们能够收集环境信息，进而采取行动以提升自身性能。
为了实现认知无线电引擎中的大黄蜂行为模型，我们需要借助觅食理论，该理论被大黄蜂及多种其他生命形态在资源采集过程中广泛采用[9]。 本质上，觅食理论是一种资源优化策略，生命形态通过该理论采集食物、捕猎猎物、寻找庇护及执行多种其他操作。以大黄蜂为例，其活动及对周围世界的认知可以映射至
采用软件定义无线电的无线通信环境。
例如，表11.4展示了大黄蜂的行为和感知与动态访问信道的车载自组网络之间的映射关系。可以观察到，大黄蜂的许多行为与基于认知无线电的车载网络行为在一定程度上具有相似性。
文章来源：威视锐科技