（通信与信息系统专业论文）认知无线电中认知引擎技术与智能算法研究.pdf

research of cognitive engine and intelligence algorithm in cognitive radio networks a thesis submitted to chongqing university in partial fulfillment of the requirement for the degree of master of engineering by liu zhen supervised by prof. feng wenjiang major: communication and information system college of communication engineering of chongqing university, chongqing, china april, 2011 重庆大学硕士学位论文 中文摘要 i 摘 要 随着无线通信技术的飞速发展，人们对无线宽带业务的需求不断提高，而无 线频谱作为一种不可再生资源正变得日益紧张，提高通信的有效性和可靠性依然 是现代通信技术发展的根本出发点。认知无线电依靠人工智能技术的支持，采用 伺机动态频谱接入，能有效提高频谱资源的利用率，为缓解当前频谱资源紧张提 供了新的思路。认知引擎作为认知无线电的智能核心，以软件无线电平台为基础， 驱动着认知循环的运行，优化认知节点在认知网络中的操作参数，对实现认知系 统的重构具有重要的指导意义。本文针对认知引擎中的优化决策和学习推理技术 展开研究，重点关注基于遗传算法和基于案例推理的认知引擎设计，主要内容包 括： 1）总结介绍了认知引擎的概念和功能，分析了现有认知引擎的设计思想，提 出了一种新型的认知引擎架构。在此基础上，以认知用户申请接入为例，阐述了 认知引擎的工作流程，并就认知引擎设计的关键技术和面临的挑战进行了总结分 析。 2）对基于遗传算法的认知引擎展开研究。在多载波通信系统中，实现了基于 遗传算法的传输参数优化，针对基于目标加权遗传算法的漏解问题，采用非劣分 层遗传算法进行了改进，仿真结果表明，该算法通过牺牲一定的收敛时间，提高 了认知引擎的优化效果。 3）对案例推理技术在认知引擎中的应用展开研究。当认知用户增多时，基于 遗传算法的认知引擎往往存在优化速度慢等不足，提出了一种基于案例推理的认 知引擎优化算法，利用案例推理寻找匹配案例，为遗传算法提供初始种群，减小 了其在选择初始种群时的盲目性，从而提高了收敛速度。在 ieee802.22 无线区域 网环境下进行了仿真分析，结果表明，在案例库规模足够大的情况下，和基于遗 传算的认知引擎相比，融合了案例推理的认知引擎收敛速度和优化效果都有显著 的提高。 关键词：认知无线电，认知引擎，人工智能，遗传算法，案例推理 重庆大学硕士学位论文 英文摘要 ii abstract the demand for wireless broadband services is dramatically growing with the rapid development of wireless communication technologies. as non-renewable resources, the shortage of spectrum is becoming an outstanding problem. modern communication technologies still aim to provide high validity and reliability. artificial intelligence technologies supporting, cognitive radio uses opportunistic dynamic spectrum accessing method, which improves spectrum efficiency and provides a new way for the spectrum shortage problem. as the intelligent core of cognitive radio, cognitive engine drives the cognition cycle and optimizes the operating parameters of cognitive nodes, based on the software defined radio platform. it has significant guiding importance to accomplish the reconfiguration of cognitive system. the research focuses on the optimization, learning and reasoning process of cognitive engine and emphatically analyzes the design of cognitive engine based on genetic algorithm and case-based reasoning technology. the contents are as follows: (1)summarized the definition and function of cognitive engine; analyzed the design philosophy of the existing cognitive engines. a new cognitive engine structure is proposed, based on which, the operating procedure of cognitive engine is introduced, as an example of cognitive users accessing request. the key technologies and challenges in cognitive engine design are also analyzed. (2)researching the genetic algorithm based cognitive engine, the optimization of transmission parameters is accomplished in multi-carrier system. as the leakage problem of objective weighting based genetic algorithm, non-dominated sorting genetic algorithm is proposed. simulation results show that the new algorithm improves the optimization capacity, at the expense of certain convergence time. (3)researching the application of case-based reasoning technology in cognitive engine. the genetic algorithm based cognitive engine has the problem of slow optimization speed when the cognitive user number increases. a new cognitive engine optimization algorithm based on case-based reasoning is proposed. searching the matched cases, case-based reasoning provides genetic algorithm initial population, which can avoid the blindness of initial population searching and the convergence speed is improved. simulation is under the environment of 802.22 wran, which shows that comparing to the genetic algorithm based cognitive engine, the new algorithm increases 重庆大学硕士学位论文 英文摘要 iii the convergence speed and improves the cognitive engine capability significantly. keywords: cognitive radio, cognitive engine, artificial intelligence, genetic algorithm, case-based reasoning 重庆大学硕士学位论文 目 录 iv 目 录 中文摘要中文摘要 . i 英文摘要英文摘要 . ii 1 绪绪 论论 . 1 1.1 研究背景和研究意义研究背景和研究意义 . 1 1.2 国内外研究现状国内外研究现状 . 2 1.3 研究内容及论文结构研究内容及论文结构 . 5 2 认知无线电中的认知引擎技术认知无线电中的认知引擎技术 . 7 2.1 认知无线电的概念及关键技术认知无线电的概念及关键技术 . 7 2.1.1 认知无线电的定义 . 7 2.1.2 认知无线电的关键技术 . 7 2.2 认知引擎认知引擎 . 9 2.2.1 认知引擎的概念 . 9 2.2.2 认知引擎架构 . 11 2.2.3 认知引擎工作流程 . 16 2.3 认知引擎中的人工智能技术认知引擎中的人工智能技术 . 17 2.3.1 进化算法 . 17 2.3.2 案例推理 . 17 2.3.3 人工神经网络 . 18 2.3.4 隐马尔科夫模型 . 18 2.3.5 模糊逻辑 . 18 2.4 认知引擎关键技术及面临的挑战认知引擎关键技术及面临的挑战. 18 2.4.1 认知引擎关键技术 . 18 2.4.2 认知引擎设计面临的挑战 . 19 2.5 本章小结本章小结 . 19 3 基于遗传算法的认知引擎基于遗传算法的认知引擎 . 21 3.1 多目标优化与遗传算法多目标优化与遗传算法 . 21 3.1.1 多目标优化问题的数学模型 . 21 3.1.2 帕累托最优 . 22 3.1.3 基本遗传算法 . 23 3.1.4 基于目标加权的遗传算法 . 24 3.1.5 非劣分层遗传算法(nsga) . 25 重庆大学硕士学位论文 目 录 v 3.2 基于遗传算法的认知引擎设计基于遗传算法的认知引擎设计 . 26 3.2.1 认知引擎优化模型 . 26 3.2.2 目标函数的选择 . 26 3.2.3 优化参数与目标函数的关系 . 29 3.2.4 算法性能比较 . 30 3.3 存在的问题分析存在的问题分析 . 33 3.4 本章小结本章小结 . 34 4 案例推理在认知引擎中的应用案例推理在认知引擎中的应用 . 35 4.1 案例推理概述案例推理概述 . 35 4.1.1 案例推理的基本思想 . 35 4.1.2 案例推理在认知引擎中应用的可行性分析 . 36 4.2 认知引擎中的案例推理设计认知引擎中的案例推理设计 . 37 4.2.1 案例结构设计 . 37 4.2.2 案例选择和检索 . 38 4.2.3 案例库维护 . 38 4.3 ga-cbr 算法算法 . 39 4.3.1 ieee 802.22 . 39 4.3.2 算法描述 . 40 4.3.3 效用函数的选择 . 41 4.3.4 仿真分析 . 41 4.3.5 结果评价 . 45 4.4 本章小结本章小结 . 46 5 总结与展望总结与展望 . 47 致致 谢谢 . 48 参考文献参考文献 . 49 附附 录录 . 54 a 作者在攻读学位期间发表的论文目录作者在攻读学位期间发表的论文目录 . 54 b 作者在攻读学位期间参与的科研项目目录作者在攻读学位期间参与的科研项目目录 . 54 重庆大学硕士学位论文 1 绪 论 1 1 绪 论 1.1 研究背景和研究意义 在无线通信领域，为更多用户提供更好的服务质量需求成为无线通信技术发 展的源动力，提高有效性和可靠性依然是现代通信技术发展的根本出发点。与此 同时，无线频谱作为一种不可再生资源，变得越来越紧张，频谱资源需求量的增 长和可用带宽的有限性是制约未来无线通信发展的瓶颈之一。人们利用复用技术、 蜂窝技术、mimo 技术、自适应编码调制以及高级信号处理技术等，力图从时域、 频域、空域及码域等不同角度来寻求提高频谱资源利用率的方法和途径。这些技 术虽然在一定程度上提高了系统传输容量和频谱利用率，但频谱资源不足的问题 依然存在。 目前，世界上大多数国家采用集中式的频谱管理分配方式，由国家频谱管理 部门统一进行频谱管理和分配。为避免不同通信系统之间相互干扰，将不同频段 分配给不同通信业务，这种频谱分配方式称为静态频谱分配体制。在现有的静态 频谱分配体制下，总的频谱划分为授权频段和非授权频段。大部分频谱，即授权 频段都已经被分配给特定的服务，而可免费接入的非授权频段仅占一小部分。 图 1.1 美国 30m-30ghz 频谱资源分配表 fig.1.1 spectrum allocation table from 30mhz to 30ghz in us 人们在采用先进的无线通信技术，努力提高频谱利用率的同时，却发现全球 授权频段，尤其是无线电波传播特性比较好的低频段频谱的利用率极低。奥地利 频谱共享公司（shared spectrum company, ssc）发布的测试报告显示1：授权频 段内存在大量“白色区域”，在低于 3ghz 频段内，频谱占用率不足 35%。美国联邦 通信委员会（fcc）的研究报告也表明2：频谱的利用情况极不平衡，一些非授权 频段占用拥挤，而大量授权频段则经常空闲。我国和世界上其他国家的频谱状况 类似， 从图 1.1 中可以看出， 大部分频谱都已经被授权业务所占用， 而留给新业务、 重庆大学硕士学位论文 1 绪 论 2 新技术的频谱非常少。 针对频谱资源匮乏的现实问题，更有效的方法是提高授权频段的利用率。基 于此，j. mitola 于 1999 年提出了认知无线电（cognitive radio, cr）的概念3。其 基本理念为：cr 通过周期性感知周围环境中频谱的工作状态，伺机占用授权频段 的空闲频谱，并根据环境的变化和用户需求自适应调整传输参数，在提高自身性 能的同时避免对其他系统产生干扰，从而实现更加智能的通信。cr 用户可以共享 授权用户的频谱资源，从而提高了授权频段的利用率。cr 概念一经提出，立即得 到了学术界的广泛关注并迅速成为研究热点。 从功能角度看，cr 包含了大量的智能处理技术，如频谱感知的分析和处理、 频谱资源的分配和调度以及信道状态估计等。cr 不仅仅需要感知功能和自适应功 能，更重要的是要具有学习功能。j. mitola 在定义 cr 时就指出，认知无线电的本 质就是在软件无线电（software defined radio, sdr）的基础上加人工智能技术4。 而认知引擎（cognitive engine, ce）就是实现 cr 智能的关键技术，它不断地从认 知节点获得频谱感知信息和信道状态信息，根据用户的服务类型和服务质量要求， 基于一定的频谱政策，指导 sdr 自适应地改变通信策略，实现 cr 系统从物理层 到更高层的重构，并通过不断对前期优化获得经验的学习和积累，预置未来的自 适应策略5。 认知无线电改变了传统的静态频谱分配机制，是频谱资源共享的革命性技术， 通过提高频谱资源利率，有效缓解了频谱资源紧张的现状。认知引擎在 sdr 平台 上实现基于人工智能的推理和学习，指导 cr 实现物理层到更高层的优化与重构。 可见 ce 是认知无线电的智能核心，是实现 cr 功能的核心技术。同时 ce 对普通 无线电系统，如 3g、lte 等系统实现更加智能的通信也有一定的指导意义。本文 依托国家自然科学基金项目“基于认知无线电的网格网拓扑管理、mac 机制和自 适应资源分配策略研究（60872038）”，对现有的认知引擎架构进行分析和总结， 拟重点研究认知引擎中的人工智能技术， 并对基于遗传算法的 ce 的若干问题进行 探讨和改进。 1.2 国内外研究现状 cr 的概念在 1999 年由 j. mitola 博士提出后，很快就引起了通信法规部门、 标准化组织和各研究机构的广泛关注和高度重视。 美国 fcc 于 2002 年发布了一份 分析报告，指出当前分配的大部分频谱的利用率严重不足，并认为解决当前频谱 缺乏的途径是采用动态频谱分配策略、共享频谱的方法6；2003 年 12 月，fcc 公 布了美国电波法修正法案7，规定“只要具备认知无线电功能，即使是其用途 未获许可的无线终端，也能使用需要无线许可的现有无线频带”，这为新的无线资 重庆大学硕士学位论文 1 绪 论 3 源管理技术奠定了法律基础；2004 年 5 月，fcc 颁布了 tv 频段的 nprm 通告， 允许无 tv 频带许可证的用户在不影响带内授权业务的前提下工作于此频带8，从 而为 cr 技术使用 tv 频段中的空闲频谱资源提供了发展契机。 2004 年 10 月，ieee 802.22 无线区域网（wireless regional area network, wran）工作组正式成立9，这是第一个基于认知无线电的空中接口标准化组织， 目的在于解决基于广播电视频段的认知无线区域网接入技术。ieee 802.22 wran 系统工作在 54mhz862mhz 的高频/超高频（vhf/uhf）频段中的 tv 信道，工 作模式为固定的点对多点无线通信方式。 wran 系统的最大服务距离可达 100km， 平均业务速率为 1.5mbps。它可自动检测空闲的 tv 频谱资源并加以使用，在不干 扰授权用户的情况下，灵活、自适应地合理配置系统参数，实现与电视、无线麦 克风等设备的共存。 相关文献对 wran 的总体结构、 未来需求、 物理层 （phy 层） 和媒体接入控制层(mac 层)协议以及与其它同频段系统的兼容性问题进行了阐述 和论证10-12。 全球许多研究机构已对 cr 的关键技术展开了深入研究并取得了显著成果， 包 括德国 karlsruhe 大学的频谱池（spectrum poll）系统13 14、欧洲的 e2r 项目15、 美国的 darpa xg 项目16、 美国弗吉尼亚工学院 （vt） 无线通信中心 （cwt） 17、 以及加拿大 mcmaster 大学的认知系统实验室（csl）18等。其中，以 rieser 为首 的 vt-cwt 研究人员对 ce 理论、ce 架构和人工智能算法做了大量研究。rieser 和 rondeau 等人首先提出了一种基于遗传算法的 ce 结构， 采用基于遗传算法的生 物启发认知模型对传统无线电系统的物理层和媒体接入控制层进行建模1920。目 前，该认知引擎已经通过了 vt-cwt 的 cr 测试平台 gnu radio 硬件仿真试验， 并应用于应急通信系统中。vt-cwt 的研究人员认为，cr 为了适应特定的频谱环 境，需要对波形的诸多参数进行调整，比如频率、功率、调制方式、星座大小、 编码方式、编码速率等，而这些所调参数往往对一个或多个目标函数有着不同的 影响。因此，cr 适应无线电环境的过程是一个多目标优化过程，而遗传算法是解 决多目标优化问题的有效算法。它的基本思想是用染色体中的基因对一系列操作 参数进行编码来描述无线电行为，通过对当前通信状况的性能分析，设定一系列 适应度函数来分析染色体的适应度，再根据适应度选择个体进行组合交叉和变异， 直到在末代种群中得到最优解。vt-cwt 认知引擎模型分为无线信道遗传算法模 块（wcga） 、认知系统监控模块（csm）和无线系统遗传算法模块（wsga） 20。 其中，无线信道遗传算法模块使用遗传算法对无线信道和环境进行建模，无线系 统遗传算法模块则利用遗传算法生成新的波形，认知系统监控模块包含有知识库， 其中长期知识是认知引擎曾经处理过的各种信道和业务信息及相应的无线系统遗 传算法模块初始化参数，短期知识则是从长期知识库中搜索出的与当前信道比较 重庆大学硕士学位论文 1 绪 论 4 相近的案例。该认知引擎可以对波形的相关参数进行调整，满足误比特率、信号 带宽、频谱效率、功率、数据速率和干扰等多个指标的要求。 newman 等人将基于遗传算法的认知引擎应用于多载波传输系统2122，定义 了三个目标函数：最小化误码率函数、最大化吞吐量函数与最小化功率函数，并 给出了三种通信模式（低功耗、多媒体、应急状况）下相对应的目标函数权重， 利用遗传算法对调制类型和传输功率进行优化，仿真结果表明，3 种通信模式下的 传输参数都得到了优化，qos 要求也得到了保障。alexander de baynast 等人认为 cr 应在资源分配公平性和有效性的基础上，实现 cr 系统的跨层优化23。并设计 了基于自动重传请求（arq）的跨层优化模型，采用遗传算法实现了基于 ofdm 的 cr 参数优化。 vt-cwt 认知引擎针对 cr 的多目标优化问题， 根据不同服务类型下各目标函 数重要性的不同进行线性加权，将多目标优化问题简化为单目标优化问题，虽然 得到了一组优化解，但线性加权法存在漏掉一些最优解的可能。soon kyu park 等 人对 cwt 认知引擎中可能存在的漏解问题进行了研究， 采用非支配排序遗传算法 （nsga）对多个目标函数进行优化24。 nsga 与简单遗传算法（sga）最大的 不同是，nsga 采用非支配排序方式先将多目标优化的帕累托前沿找出，再寻求 符合要求的最优解。 仿真结果表明， 在相同业务类型下， nsga 的优化性能比 sga 有一定提高。 美国国防部（dod）通信科学实验室（lts）也对 ce 理论和架构进行了研究， 其开发的认知引擎与 vt-cwt 有所不同，charles clancy 和 erich stuntebeck 等人 在 lts 工作时， 在 sdr 平台上设计了能够在各种信道条件下调整调制和编码方式， 实现信道容量最大化的认知引擎。charles 等人认为，cr 就是增加了 ce 的 sdr， 在 ce 与 sdr 平台之间需要定义一个良好的应用程序接口(api) 25。charles 等人 对 ce 的设计主要从最大化信道容量角度出发，认知引擎包括了知识库、推理引擎 与学习引擎，目的是驱动软件无线电的重构。dod-lts 认知引擎考虑的目标单一， 可调参数也较少，因此不需要使用遗传算法，只需要根据预置的规则进行推理。 关于 ce 的学习推理功能，许多人工智能领域的学习算法被应用到 ce 中。文 献26,27总结了机器学习算法在 cr 中的应用，主要包括案例推理、规则推理、隐 马尔科夫模型、人工神经网络、模糊逻辑以及协作学习等，每一种机器学习算法 都有其具体的应用场景和优缺点。 rondeau 在其博士论文中详细介绍了基于案例推 理的 ce 并提出了一种开放式的认知引擎框架28， rondeau 认知引擎的核心是一个 中央控制器，用于控制、协调周围单元的操作。周围单元包括用户界面、感知设 备、无线电操作平台、决策器、优化器和政策引擎。任何可行的感应设备、数据 库、 优化算法和学习推理算法等都可应用到相应的单元中。 an he 等人首先将案例 重庆大学硕士学位论文 1 绪 论 5 推理应用到 802.22 wran 中29， 设计了 wran 下的 ce 结构。 youping zhao 等人 提出了案例推理和规则推理相结合的方法，实现了基于无线电环境地图（rem） 的认知引擎功能30。ce 中包含一个案例库和一个规则库，ce 综合考虑两种算法 给出的方案并最终决策。chang hyun park 和 rondeau 等人利用隐马尔科夫模型 （hmm） 对 cr 信道进行建模3132， 基于过去的信道状态预测下一步的信道状态。 zhenyu zhang 等人针对可变参数和固定参数对 cr 性能不同的影响，提出了基于 人工神经网络（ann）的 cr 决策机设计思路33。michele zorzi 等人设计了基于 ann 的黑箱模型用于 cr 的学习和自适应34。 nicola baldo 等人利用混合逻辑实现 了 cr 网络的跨层优化35。 ce 不仅仅局限于 cr 系统， 对于其他无线电系统也有着广泛的应用。 mohamed khedr等人设计了基于案例推理和混合逻辑的推理引擎并将其应用于wimax系统 中36。haris i. volos 在文献37中讨论了多天线系统中的 ce 物理层优化问题。 lizdabel morales tirado 等人讨论了基于案例推理和决策树（dt）搜索的 ce 在 3g 网络中的应用38。 国内学术界对认知引擎的研究工作起步较晚， 且主要集中于 cr 功能的决策环 节，对 ce 的核心环节学习功能很少涉及。汪李峰、魏胜群等人在中兴 cr 专 题中详细介绍了 ce 的功能模型和 ce 中的关键技术39；文献40对于 ce 中的人 工智能技术进行了归纳总结；文献41利用模拟退火遗传算法进行多目标优化改 进；文献42提出了基于量子遗传算法的 cr 决策引擎；文献43利用蚁群算法实 现了多载波传输系统的参数优化； 文献44给出了基于免疫式遗传算法的多目标优 化。文献45 基于二进制粒子群算法设计了 cr 决策引擎模型，实现了 ce 物理层 参数的多目标优化。 1.3 研究内容及论文结构 在认知无线电网络中，由于频谱环境的复杂性和用户服务需求的多样性，在 保证主用户通信不受干扰的前提下，为认知用户设计合理的自适应策略尤为重要。 基于此，本文对认知无线电中的认知引擎技术及认知引擎中涉及的人工智能技术 展开研究，主要研究内容包括： 1）研究认知无线电及认知引擎的概念与关键技术；深入分析现有几种认知引 擎的架构及其设计思想；总结归纳认知引擎各核心模块的功能，分析其工作流程； 研究认知决策的最优化技术及人工智能技术。 2）研究基于遗传算法的认知引擎优化模型；总结遗传算法在认知引擎多目标 决策中的优缺点；针对基于目标加权的遗传算法存在的问题，提出一种非劣分层 遗传算法，用于认知引擎的波形参数优化；基于多载波传输系统，设计了反应用 重庆大学硕士学位论文 1 绪 论 6 户服务要求的目标函数，并进行性能仿真测试。 3）通过对案例推理的研究，设计一种新型的认知引擎学习算法；详细分析认 知引擎中的案例推理设计；基于 ieee 802.22 无线区域网，对该算法的优化性能进 行仿真分析，拟实现多用户环境下的波形参数优化。 全文共分五章，其组织结构如下： 第一章：介绍认知无线电的产生背景和基本思想，对认知引擎技术的国内外 研究现状及研究意义进行分析和总结。 第二章：介绍认知无线电的定义及其关键技术；阐述认知引擎的概念，分析 现有的几种认知引擎的架构，概括认知引擎的工作流程；总结认知引擎中的人工 智能技术，并对认知引擎设计的关键技术与面临的挑战进行归纳。 第三章：阐述多目标优化理论，包括数学模型、帕累托最优和遗传算法的基 本思想等；对基于遗传算法的认知引擎优化模型进行分析，总结其在认知节点波 形参数优化方面的优缺点。 第四章：介绍案例推理的基本思想，分析认知引擎中的案例推理设计；针对 ieee 802.22 无线区域网网络模型，提出一种案例推理与遗传算法相结合的认知引 擎学习推理算法，并对算法性能进行仿真分析。 第五章：全文总结，提出未来的研究思路和方向。 重庆大学硕士学位论文 2 认知无线电中的认知引擎技术 7 2 认知无线电中的认知引擎技术 2.1 认知无线电的概念及关键技术 2.1.1 认