無線電和資源

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，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有的頻譜資源，并嘗試修復當前的缺陷來優化和增強現有頻譜資源，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頻譜被用于諸如衛星，GPS系統，移動通信（2G，3G和4G），FM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，濾波和模數轉換（ADC），并且在經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境的認知并相應調整其行為的無線電。例如，認知無線電可以在跳轉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。認知無線電術語是由約瑟夫·米多拉創造的，指的是能夠感知外部環境的智能無線電，能夠從歷史中學習，并根據當前的環境情況做出智能決策來調整其傳輸參數。

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議而不是硬連線實現的無線電通信技術。換句話說，可以通過軟件下載和更新來升級頻段，空中接口協議和功能，而不用完全替代硬件。SDR為構建多模，多頻和多功能無線通信設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和硬件支持在數字域中執行大部分信號處理，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轉換器的所有終端設備，所有的信號處理都是使用完全可編程的高速DSP來數字地完成的。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，并將模擬和數字世界帶來在一起。軟件定義無線電（SDR）技術帶來了靈活性，成本效率和功能，推動了通信向前發展，服務提供商和產品開發人員通過終端用戶實現了廣泛連接的優勢。

機器與深度學習技術

圖4、人工智能在5G網絡中的應用

圖5、3GPP研究的通信用人工智能算法

現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別是機器學習中的特征工程，學習模型決定根據固定的特征集（觀察/測量參數）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督學習的過程，這簡單地意味著每個集合數據樣本的答案都是已知的（就像我們監督實際答案已知的培訓過程）。在這里，我們饋送神經網絡，這是一種流行的學習算法- 大量的訓練數據，由人類圖片示例標記/標記，使得神經網絡本質上可以在其學習中進行自我檢查。圖像是數據; “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，網絡試圖對圖像中的內容進行預測。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發生。如果輸入圖像是“人”，但是預測“狗”，則需要對網絡的內層進行調整。調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。一旦發生這種情況，直到預測優化在實現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揮創造一種具有“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來感知無線電環境，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，然后將檢測的數據映射到學習模型中，以找出對應解決方案之后，無線電被動態地重新配置為相應的參數，如發射功率，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據庫中，這個過程允許我們通過經驗學習來構建我們的系統內存。