无线通信人工智能 认知无线电 Cognitive Radio CR

维基百科对认知的定义

 

认知是一个不同学科以不同方式使用的概念,但通常被认为是指认识或思考的过程。

认知水平

儿童级别:了解主要用户的开关状态→机会频谱接入(OSA)(交错模型)

成人级别:了解对初级用户的影响(干扰温度、性能影响)→频谱共享(底层模型)

Genie级别:了解主要用户的信息消息→频谱共享(Overlay模型)

硬件/软件可重新配置

需要重新配置硬件/软件以实现对环境的基于认知的灵活响应

频段、可变带宽、编码/调制方案

认知迁移

了解其对关键用户的影响

全频谱接入 5G 网络

频谱聚合

许可专用频谱

未经许可的频谱

原代细胞(许可频谱)和次要细胞(未授权频谱)

同地办公

分为

蜂窝频谱未得到充分利用!

网络转型期间传统蜂窝频谱严重未得到充分利用

频谱利用率不均匀

GSM 频段上的 LTE

GSM 和 LTE 互溢频段:GSM 和 LTE 功率分配问题

WCDMA 频段上的 LTE

整个 WCDMA 频段上的 LTE 并发传输

WCDMA和LTE相互干扰:LTE功率分配问题

CDMA 接收 SINR(满载系统与部分负载系统)→

CDMA允许干扰范围 →

OFDMA运营机会

BS 天线共享让事情变得更加简单!

免许可频段中的 LTE

5GHz频段包含超过500MHz的无线资源

优秀的补充无线电资源可提高系统吞吐量

5GHz频段Wi-Fi为主网络,LAA-LTE为辅网络

IEEE 802.22 无线接入网

使用认知无线电技术在 VHF/UHF 电视频段运行

与电视广播和无线麦克风等主要用户共存

由于使用低频段,覆盖范围可达100公里

无线通信_通信无线设备有哪些_通信无线设计工作咋样/

IEEE802标准

IEEE802.22 无线区域网络 (WRAN) 电视空白应用

将未使用或未充分利用的电视频段 (54MHz – 862MHz) 重新用于宽带无线接入

与主要用户(电视、麦克风)共存

认知周期:认知无线电2.0利用人工智能

认知无线电:让软件无线电更加个性化

认知无线电:让软件无线电更加个性化

无线通信_通信无线设备有哪些_通信无线设计工作咋样/

认知无线电2.0

网络中的智能认知网络

DD Clark 等人,“互联网知识平面”

过程。 SIGCOMM ’03,纽约,纽约,2003 年,第 3-10 页。

第一个提出一种新型网络,该网络能够感知自身及其周围环境,从而成为一种自我意识网络,能够学习、决策并根据这些决策采取行动以实现高级目标。

网络由知识平面(KP)控制,知识平面是一个跨越层和设备的实体。

根据 Clark 等人的说法,KP“是网络中的一个普遍系统,它构建和维护网络应该做什么的高级模型,以便为网络的其他元素提供服务和建议”,同时严重依赖人工智能(AI)和认知系统的工具。

第一个提出了一种新型网络,它能够感知自身及其周围环境,因此是一种能够学习、做出决策并根据这些决策采取行动以实现高级目标的自我意识网络。

网络由知识平面(KP)控制,知识平面是跨层和设备的实体。

根据 Clark 等人的说法,知识平面“是网络中的普遍系统,它构建并维护网络应该做什么的高级模型,以便为网络的其他元素提供服务和建议”人工智能 (AI) 和认知系统工具。

TCCN

IEEE 认知通信和网络学报 (TCCN)

IEEE 认知通信和网络学报 (TCCN) 致力于及时出版高质量的手稿,以推进认知通信和网络研究的最新水平。 在这种情况下,认知是指感知、学习、推理、记忆和自适应方法在通信系统设计中的应用。

这些交易将考虑认知通信和网络等广泛领域的提交,重点是采用整体的、潜在的跨学科方法来设计复杂的通信系统。

涵盖的核心主题包括(但不限于):认知网络的架构、协议、跨层和认知周期设计、认知通信和网络的机器学习和人工智能、超越所有人通信的端到端和分布式智能方面,软件定义网络、认知无线电、频谱共享、网络的交易和相关经济方面、认知网络中的安全和隐私问题、这些概念所支持的新兴服务和应用。

人工智能能做什么

实现人类能做到的事情

识别极其复杂的模式

目标:自动化不需要创造力的复杂任务,几乎不需要或不需要人工干预!

人工智能的关键推动者——学习

人们从老师、书籍、新闻……中学习知识。

通过实践、试错、比较来积累……

机器从数据中学习(来自人类的标记数据、未标记数据、来自其他领域的数据……)

通过互动、试错、适应来积累……

将数据转化为知识

知识的积累

通过增加数据/知识和交互来提高给定任务的性能

传统收发器设计

传统发射机:导频+数据

传统接收器:基于任务的符号检测:

信道估计

根据估计的渠道做出决策。

为了进行准确的信道估计,所需的导频数量可能非常多,从而导致显着的开销。

此外,检测性能将受到信道估计误差的限制。

模型和任务驱动→数据驱动

机器学习

沟通的内在特征

从集群接收到的信号

接收到的信号自然地分成簇。

符号检测问题可以转化为聚类问题。

基于机器学习的收发器设计

提出了用于重新设计收发器的标签辅助传输框架。

通信特定的学习用于对接收到的信号进行聚类

将已知标签转移到将簇映射到转移的符号

短数据包通信的标签辅助传输:一种机器学习方法

短数据包通信的标签辅助传输:一种机器学习方法

用于反向散射通信的集群接收器

信号检测→聚类问题

基于星座学习的环境后向散射通信系统信号检测

用于环境反向散射通信系统的基于星座学习的信号检测

盲调制分类

调制分类→聚类问题

MIMO系统盲调制分类的机器学习方法

MIMO 系统盲调制分类的机器学习方法

用于调制分类的循环神经网络

不确定噪声条件下基于循环神经网络的鲁棒调制分类

使用循环神经网络在不确定噪声条件下进行鲁棒调制分类

深度强化学习

无线通信_通信无线设备有哪些_通信无线设计工作咋样/

深度强化学习

深度强化学习在通信和网络中的应用:调查

深度强化学习在通信和网络中的应用:调查

AMC 的深度强化学习

多个收发器与主要用户在公共频谱通道上共存

由于物理隔离/阻塞,ST无法正确检测主用户的传输并对BS造成有害干扰

问题:BS 上的经验丰富的 SINR 高于预期!

结果:每帧开始时选择的 MCS(传统方案)不是最优的!

主要思想:使用深度强化学习,让BS(主接收器)了解ST的干扰模式并自适应选择MCS

仿真结果:

基站平均主用户信号强度为20dB(按噪声功率归一化),平均干扰强度为5dB

MCS设置:BPSK、QPSK、16QAM、64QAM,对应的SER来自:Proakis,Digital communications,第5版正文

DQN 设置:1 个输入层包含 4 个神经元,2 个隐藏层各包含 100 个神经元,1 个输出层包含 4 个神经元

无线通信_通信无线设备有哪些_通信无线设计工作咋样/

准静态干扰环境中的性能

准静态干扰环境下的性能:考虑两个辅助收发器,每个ST的未检测概率为1,衰落相关系数为0.99。

无线通信_通信无线设备有哪些_通信无线设计工作咋样/

动态干扰环境中的性能

动态干扰环境中的性能:考虑未检测概率为 1、1 和 0.5 且衰落相关系数为 0 的三个辅助收发器。

与传统方法相比,基于深度强化学习的算法在准静态和高动态干扰环境下均能够将平均传输速率提高约100%!

从认知无线电到智能网络

智能网络

资源高效利用

动态网络优化

智能服务提供

无线大数据:将异构网络转变为智能网络

无线大数据:异构网络向智能网络转型

基本挑战

无线通信学习算法

分布式学习效率

终身学习