我們所有人都知道無線電（Wifi 2.4 GHz，Wifi 5 GHz，GSM 2G，3G，LTE 4G，藍牙，RFID等）。所有這些都提供了一種彼此溝通的方式，包括實時分享信息，娛樂等。問題是無線電需要一個介質(zhì)和資源來共享這些信息，并將其從一個地方傳送到另一個地方，簡單的說它們具有頻率，空間和時間特性。我們來看看我們最寶貴的頻譜資源。我們有很多這樣的頻譜可以使用嗎？

圖1、可用的頻譜資源是人類的寶貴財富

其實答案是的，我們受這些可用的頻譜資源的限制。但是實際上目前有一些應用在使用30 GHz和300 GHz之間的毫米波（mmWave）頻譜資源，這些頻譜資源可用于高速無線通信，如最新的802.11ad Wi-Fi標準（工作在60 GHz頻段）以及使用的WirelessHD標準（也稱為UltraGig）來傳輸高分辨率的流媒體。但問題是毫米波經(jīng)歷了非常大的損失，一般而言它只支持視距（LOS，Line of Sight）通信，因此它可以被用于室內(nèi)，但不適用于或者難以用于戶外移動寬帶應用。

修復錯誤

所以我們需要按照最佳的方式來處理我們現(xiàn)有的頻譜資源，并嘗試修復當前的缺陷來優(yōu)化和增強現(xiàn)有頻譜資源，首先我們來看一下射頻頻譜（RF-Spectrum）的分布和應用。

如前所述RF頻譜被用于諸如衛(wèi)星，GPS系統(tǒng)，移動通信（2G，3G和4G），F(xiàn)M收音機，WIFI，藍牙等各種類型的服務中。其中一些是獲得許可的，有些不是許可的，這意味著要在某個頻段上運行，您必須付錢，例如移動運營商像Vodafone，Verizon，Orange等的移動服務，需要付出很多錢才能獲得在預定頻段中分享其服務和應用。有些頻段如WI-FI和藍牙，我們不用花錢就可以使用它們。每個國家都有一個組織來管理頻譜的分配過程， 下圖是一個頻譜分配圖的例子。

圖2、某個國家的頻譜分配圖

為什么要引入認知無線電？

可用的頻譜資源很少，但是它們并沒有被完全利用，下面的圖片是電視頻譜的一個快照，它顯示了頻段的一些部分被大量使用，而有些使用較少，而有些則根本沒有使用。

圖3、電視白頻譜的使用情況

認知無線電是SDR（軟件定義無線電）和MIND（人工智能）的組合。我們可以想像無線電賦予人類的某種功能，例如他們需要傳感器來觀察外界，就像人耳可以提取聲波既空氣分子的振動模式，并將它們轉(zhuǎn)化為電信號，這些信號被攜帶到大腦中來分析和理解它們，類似地，對于無線電設(shè)備，天線是主要的無源組件［如電阻，電感，電容這類的無源器件］的組合的射頻前端傳感器，它需要電磁波并將這些波轉(zhuǎn)換成電信號，該電信號由其它硬件來處理：如放大，濾波和模數(shù)轉(zhuǎn)換（ADC），并且在經(jīng)過模擬部件去噪處理之后，它們被映射到軟件，以便以智能方式分析它們。

因此，認知無線電可以被理解為獲得對周圍環(huán)境的認知并相應調(diào)整其行為的無線電。例如，認知無線電可以在跳轉(zhuǎn)到另一個未使用的頻帶之前確定未使用的頻帶，并將其用于傳輸。認知無線電術(shù)語是由約瑟夫·米多拉創(chuàng)造的，指的是能夠感知外部環(huán)境的智能無線電，能夠從歷史中學習，并根據(jù)當前的環(huán)境情況做出智能決策來調(diào)整其傳輸參數(shù)。

軟件定義無線電（SDR，Software Defined Radio）

SDR是基于軟件定義的無線通信協(xié)議而不是硬連線實現(xiàn)的無線電通信技術(shù)。換句話說，可以通過軟件下載和更新來升級頻段，空中接口協(xié)議和功能，而不用完全替代硬件。SDR為構(gòu)建多模，多頻和多功能無線通信設(shè)備說遇到的問題提供了一種高效安全的解決方案。SDR使用可編程DSP和硬件支持在數(shù)字域中執(zhí)行大部分信號處理，但是在模擬域（例如RF和IF電路）中仍然進行一些信號處理。天線直接連接到A-D / D-A轉(zhuǎn)換器的所有終端設(shè)備，所有的信號處理都是使用完全可編程的高速DSP來數(shù)字地完成的。所有功能，模式，應用等都可以通過軟件重新配置。在那里它是靈活的，并將模擬和數(shù)字世界帶來在一起。軟件定義無線電（SDR）技術(shù)帶來了靈活性，成本效率和功能，推動了通信向前發(fā)展，服務提供商和產(chǎn)品開發(fā)人員通過終端用戶實現(xiàn)了廣泛連接的優(yōu)勢。

機器與深度學習技術(shù)

圖4、人工智能在5G網(wǎng)絡中的應用

圖5、3GPP研究的通信用人工智能算法

現(xiàn)在為了理解如何以智能方式分析實際信號，我們需要一臺由機器或深度學習算法驅(qū)動的認知引擎來觀察，分析，預測并做出決策。但首先我們需要明白，機器學習與深度學習的主要區(qū)別是機器學習中的特征工程，學習模型決定根據(jù)固定的特征集（觀察/測量參數(shù)）來對情況進行分類的，但是在深度學習，算法必須確定哪些特征適合這種情況，以便進行分類，從而學習過程基于特征選擇和類別來進行的。

圖6、認知無線電中的學習過程

讓我們看看一個非常簡單而又有效的稱為監(jiān)督學習的過程，這簡單地意味著每個集合數(shù)據(jù)樣本的答案都是已知的（就像我們監(jiān)督實際答案已知的培訓過程）。在這里，我們饋送神經(jīng)網(wǎng)絡，這是一種流行的學習算法- 大量的訓練數(shù)據(jù)，由人類圖片示例標記/標記，使得神經(jīng)網(wǎng)絡本質(zhì)上可以在其學習中進行自我檢查。圖像是數(shù)據(jù); “人”是標簽，但取決于圖像。

圖7、認知無線電的認知周期

當圖像進入時，網(wǎng)絡將它們分解為最基本的組件（特征），即邊緣，紋理和形狀。當圖像通過網(wǎng)絡傳播時，這些基本組件被組合以形成更抽象的概念，即，曲線和不同的顏色，當進一步組合時。在這個過程的最后，網(wǎng)絡試圖對圖像中的內(nèi)容進行預測。首先，這些預測將顯示為隨機猜測，因為沒有真正的學習已經(jīng)發(fā)生。如果輸入圖像是“人”，但是預測“狗”，則需要對網(wǎng)絡的內(nèi)層進行調(diào)整。調(diào)整是通過稱為反向傳播的過程進行的，以增加下一次為同一圖像預測“人”的可能性。一旦發(fā)生這種情況，直到預測優(yōu)化在實現(xiàn)錯誤的全局最小值時，它會變得更準確。因此，誤差僅僅是實際的輸出- 所需的輸出，并且可以以許多不同的方式在數(shù)學上計算出來。

圖8、機器學習方法

這種學習過程可以在無線電中發(fā)揮創(chuàng)造一種具有“腦功能”的無線電（認知無線電），所以我們可以將其視為優(yōu)化資源，以最大限度地利用無線電頻譜資源的方法。

圖9、機器學習例子

認知周期

圖10、簡化的認知周期

上圖包括簡化的認知周期，我們使用一些感測技術(shù)來感知無線電環(huán)境，例如進行快速傅里葉變換，以便檢測頻譜帶中的信號強度級別，然后將檢測的數(shù)據(jù)映射到學習模型中，以找出對應解決方案之后，無線電被動態(tài)地重新配置為相應的參數(shù)，如發(fā)射功率，采樣率，中心頻率或波形。如果基于一個新的問題有絕對的新的解決方案，那么它將被存儲在數(shù)據(jù)庫中，這個過程允許我們通過經(jīng)驗學習來構(gòu)建我們的系統(tǒng)內(nèi)存。