基于案例推理CBR(Case-Based Reasoning)借鑒人類處理問題的方式,，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)知無線電技術(shù)作為無線通信領(lǐng)域與人工智能領(lǐng)域相結(jié)合的產(chǎn)物[1],，近年來受到極大關(guān)注。認(rèn)知決策引擎是認(rèn)知無線電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)知無線電可以通過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)知決策的過程建模為一個(gè)優(yōu)化問題[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無法事先確知。此時(shí)，認(rèn)知無線電需要通過不斷地學(xué)習(xí)來理解并適應(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)單舉例說明了學(xué)習(xí)在解決這類問題當(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)這類問題,，研究基于案例的推理決策問題,，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)在的問題,，同時(shí)將當(dāng)前問題及解決結(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)前面臨的新問題，定義新問題的特征或?qū)傩?，在案例?kù)中尋找對(duì)解決當(dāng)前問題有最大潛在啟發(fā)價(jià)值的舊案例,；
　(2)重用（Reuse）：以相似案例為基礎(chǔ)，通過自適應(yīng)的調(diào)整,，構(gòu)造新問題的解決策略,；
　(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,，以提高未來推理的效能,，從而在面對(duì)新問題時(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，但過快收斂的代價(jià)是性能次優(yōu),；而反之,，過大的退火系數(shù)能夠帶來更優(yōu)的吞吐量，然而收斂速度相對(duì)較慢,。在接下來的仿真中,，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,，需要通過學(xué)習(xí)進(jìn)行配置決策的問題，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)?，徐世宇，鄭仕?等.基于二進(jìn)制粒子群算法的認(rèn)知無線電決策引擎[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.