基于案例推理CBR(Case-Based Reasoning)借鑒人類處理問(wèn)題的方式，運(yùn)用以前積累的知識(shí)和經(jīng)驗(yàn)直接解決問(wèn)題。由于CBR具備自主學(xué)習(xí)功能，不要求決策主體掌握豐富領(lǐng)域知識(shí)或精確的數(shù)學(xué)模型，僅僅通過(guò)簡(jiǎn)單的案例記憶就能實(shí)現(xiàn)出色的增量學(xué)習(xí)和自我提升，因而引起相關(guān)專家和學(xué)者的關(guān)注，逐漸成為人工智能領(lǐng)域的一個(gè)研究熱點(diǎn)。
　認(rèn)知無(wú)線電技術(shù)作為無(wú)線通信領(lǐng)域與人工智能領(lǐng)域相結(jié)合的產(chǎn)物[1]，近年來(lái)受到極大關(guān)注。認(rèn)知決策引擎是認(rèn)知無(wú)線電CR(Cognitive Radio)實(shí)現(xiàn)其智能的核心功能模塊，決策引擎以CR觀察到的外界無(wú)線環(huán)境、CR自身狀態(tài)和用戶需求信息為輸入，對(duì)目標(biāo)和情境進(jìn)行分析，根據(jù)已有知識(shí)進(jìn)行推理、決策，輸出達(dá)到用戶需求的優(yōu)化配置，同時(shí)能夠?qū)W習(xí)不同配置在新環(huán)境下的效用，從而豐富系統(tǒng)知識(shí)，以適應(yīng)環(huán)境和需求的變化[2]。
　當(dāng)認(rèn)知無(wú)線電可以通過(guò)觀察獲得需要的所有環(huán)境知識(shí)(表示為c)，且用戶需求u與環(huán)境c和配置d之間的定量關(guān)系u=f(c,d)已知時(shí)，將認(rèn)知決策的過(guò)程建模為一個(gè)優(yōu)化問(wèn)題[3],即在給定的環(huán)境c下，尋找最優(yōu)配置決策d，使性能u最大(或?qū)ふ夷硞€(gè)配置決策d，使性能u得到滿足)的情況。參考文獻(xiàn)[4]使用遺傳算法對(duì)CR中多目標(biāo)優(yōu)化問(wèn)題進(jìn)行了研究，參考文獻(xiàn)[5]將粒子群優(yōu)化算法應(yīng)用在認(rèn)知引擎的決策問(wèn)題中，參考文獻(xiàn)[6]考慮遺傳算法中參數(shù)敏感度對(duì)不同目標(biāo)的影響，進(jìn)一步提升了優(yōu)化效率。然而，在實(shí)際應(yīng)用中，CR可直接觀測(cè)得到的環(huán)境參數(shù)有限(比如信道統(tǒng)計(jì)特性等無(wú)法直接觀測(cè)得到)，且系統(tǒng)可能面臨各種不同的傳播環(huán)境、動(dòng)態(tài)接入不同頻段的信道，輸入c和u與輸出d的關(guān)系很復(fù)雜，函數(shù)f無(wú)法事先確知。此時(shí)，認(rèn)知無(wú)線電需要通過(guò)不斷地學(xué)習(xí)來(lái)理解并適應(yīng)環(huán)境。目前，針對(duì)環(huán)境部分可觀測(cè)、精確函數(shù)f未知下的認(rèn)知決策系統(tǒng)研究才剛起步，參考文獻(xiàn)[3]簡(jiǎn)單舉例說(shuō)明了學(xué)習(xí)在解決這類問(wèn)題當(dāng)中的關(guān)鍵作用，但尚未有相關(guān)系統(tǒng)的研究成果出現(xiàn)。
　本文針對(duì)這類問(wèn)題，研究基于案例的推理決策問(wèn)題，提出基于案例庫(kù)的認(rèn)知決策引擎。文中所提決策框架具有自學(xué)習(xí)、多狀態(tài)多目標(biāo)通用性強(qiáng)、快速收斂等特點(diǎn)。
1 CBR簡(jiǎn)介
　基于案例的推理模仿人類的思維方式，直接援引以前積累的經(jīng)驗(yàn)和知識(shí)解決現(xiàn)在的問(wèn)題，同時(shí)將當(dāng)前問(wèn)題及解決結(jié)果補(bǔ)充為新知識(shí)，從而實(shí)現(xiàn)自主學(xué)習(xí)和增量學(xué)習(xí)。
　通常，CBR系統(tǒng)的運(yùn)作過(guò)程可以概括為“4Rs”(如圖1所示)：

　(1)檢索（Retrieve）：分析當(dāng)前面臨的新問(wèn)題，定義新問(wèn)題的特征或?qū)傩裕诎咐龓?kù)中尋找對(duì)解決當(dāng)前問(wèn)題有最大潛在啟發(fā)價(jià)值的舊案例；
　(2)重用（Reuse）：以相似案例為基礎(chǔ)，通過(guò)自適應(yīng)的調(diào)整，構(gòu)造新問(wèn)題的解決策略；
　(3)修訂（Revise）：執(zhí)行并驗(yàn)證當(dāng)前策略；
　(4)存儲(chǔ)（Retain）：將有參考價(jià)值的經(jīng)驗(yàn)案例存儲(chǔ)到案例庫(kù)中。
    其中，檢索和重用屬于推理階段，修訂和存儲(chǔ)屬于學(xué)習(xí)階段，學(xué)習(xí)的過(guò)程將以往的決策經(jīng)驗(yàn)以案例的形式進(jìn)行積累，使系統(tǒng)知識(shí)不斷豐富，以提高未來(lái)推理的效能，從而在面對(duì)新問(wèn)題時(shí)能夠做出更好的決策。
2 基于CBR與模擬退火的自學(xué)習(xí)認(rèn)知決策算法
　認(rèn)知引擎的輸入變量包括用戶的目標(biāo)需求、觀測(cè)到的無(wú)線環(huán)境變量以及CR自身狀態(tài)，三者共同影響認(rèn)知引擎的配置決策。為了使CR通信案例庫(kù)具有廣泛的可借鑒性，為不同目標(biāo)、不同狀態(tài)的CR決策提供參考，構(gòu)建如表1所示案例庫(kù)。其中條件屬性包括觀測(cè)的無(wú)線環(huán)境特征和自身狀態(tài)(如當(dāng)前信道是否空閑、最大發(fā)射功率、可選的調(diào)制編碼方式等)，用于描述問(wèn)題發(fā)生的場(chǎng)景或情境。決策屬性為CR所作的一些反應(yīng)，包括信道、發(fā)射功率、調(diào)制方式、編碼方式、數(shù)據(jù)包長(zhǎng)等配置參數(shù)。結(jié)果為在不同條件屬性下，相應(yīng)配置所帶來(lái)的不同目標(biāo)的實(shí)際性能，如誤比特率、吞吐量、頻譜效率、存活時(shí)間等。

出，算法具有快速收斂性(決策100次左右,算法已經(jīng)能夠獲取可觀的性能），且退火系數(shù)越小，溫度下降越快，收斂也越快，但過(guò)快收斂的代價(jià)是性能次優(yōu)；而反之，過(guò)大的退火系數(shù)能夠帶來(lái)更優(yōu)的吞吐量，然而收斂速度相對(duì)較慢。在接下來(lái)的仿真中，取λ=0.5。
    為驗(yàn)證本算法對(duì)于不同通信目標(biāo)的廣泛通用性，考慮兩種典型通信目標(biāo)。目標(biāo)1：最大化系統(tǒng)吞吐量；目標(biāo)2：在保證系統(tǒng)吞吐量大于4 Mb/s前提下，最大化頻譜能效。仿真結(jié)果如圖3所示。對(duì)于通信目標(biāo)1，隨著案例經(jīng)驗(yàn)的累積，其學(xué)到的知識(shí)也日益豐富，因而系統(tǒng)吞吐量性能越來(lái)越好(如圖3左上所示)，但其頻譜效能并未得到提高(圖3左下)。對(duì)于通信目標(biāo)2，在配置決策滿足吞吐量的目標(biāo)要求下(圖3右上)，系統(tǒng)的頻譜效能隨著決策的進(jìn)行逐漸提高(圖3右下)。仿真結(jié)果表明本算法可以滿足不同的目標(biāo)需求。

    圖4為功率參數(shù)調(diào)整曲線。如圖，當(dāng)通信目標(biāo)為最大化用戶吞吐量時(shí)，盡管系統(tǒng)不知道功率越大則吞吐量越大的這種先驗(yàn)知識(shí)，但是通過(guò)不斷學(xué)習(xí)，系統(tǒng)不斷調(diào)整其發(fā)射功率，使其逼近于最大發(fā)射功率23 dBm。另一方面，對(duì)于最大化頻譜能效的用戶而言，功率將被調(diào)整到一個(gè)適合的大小。

　    圖5和圖6分別統(tǒng)計(jì)了兩種目標(biāo)下，不同信道和不同調(diào)制方式被應(yīng)用的概率。針對(duì)通信目標(biāo)1，CR首選信道5并采用16QAM的調(diào)制方式(5信道帶寬大且傳播損耗相對(duì)較小)，而針對(duì)目標(biāo)2，CR首選信道傳播損耗最小的信道6，并應(yīng)用調(diào)制階數(shù)最高的64QAM調(diào)制方式。

    本文針對(duì)認(rèn)知無(wú)線電中環(huán)境部分可觀測(cè)，信道統(tǒng)計(jì)信息先驗(yàn)未知，且系統(tǒng)的目標(biāo)、環(huán)境與配置間的關(guān)系不明確，需要通過(guò)學(xué)習(xí)進(jìn)行配置決策的問(wèn)題，提出了一種基于案例推理和模擬退火思想的認(rèn)知決策引擎算法，理論分析和仿真結(jié)果表明，該算法具有增量自學(xué)習(xí)、多目標(biāo)適用性、快速收斂等優(yōu)點(diǎn)。案例庫(kù)有廣泛借鑒性，可實(shí)現(xiàn)在不同節(jié)點(diǎn)間相互學(xué)習(xí)的功能，下一步可研究關(guān)于多節(jié)點(diǎn)合作的學(xué)習(xí)引擎的實(shí)現(xiàn)方法，如何應(yīng)用數(shù)據(jù)挖掘的方法從案例庫(kù)中提取出有用知識(shí)的問(wèn)題也有待進(jìn)一步研究。
參考文獻(xiàn)
[1] MITOLA J. Cognitive radio-making software radios  more personal[J]. IEEE Personal Communications, 1999,6(4):13-18.
[2] 汪李峰,魏勝群.認(rèn)知引擎技術(shù)[J].中興通信技術(shù),2009,15(04):05-09.
[3] CLANCY C,HECKER J,et al.Application of machine  learning to cognitive radio networks[J].IEEE Wireless Communications, 2007,14(4)：47-52.
[4] RIESER C J. Biologically inspired cognitive radio engine model utilizing distributed genetic algorithms for secure and robust wireless communications and networking[D]. Blacksburg,VA,USA:Virginia Polytechnic Institute and State University, 2004.
[5] 趙知?jiǎng)牛焓烙睿嵤随?等.基于二進(jìn)制粒子群算法的認(rèn)知無(wú)線電決策引擎[J].物理學(xué)報(bào)， 2009，58(7)：5118-5125.
[6] NEWMAN T R, EVANS J B. Parameter sensitivity in cognitive radio adaptation engines[C]. New Frontiers in  Dynamic Spectrum Access Networks, DySPAN 2008, 3st IEEE International Symposium on, Chicago, IL(2008-01-05.