认知无线电智能学习与决策关键技术研究

认知无线电为解决无线业务需求与频谱资源缺乏的矛盾提供了一个可行思路，智能学习与推理作为认知无线电的核心技术，对有效利用频谱资源，改善认知无线电系统性能起重要作用。本项目旨在探索无线应用场景认知基础上的认知无线电智能学习推理技术，为下一代智能无线系统学习推理的关键协议算法提供理论和实验基础。提出一种基于在线与离线学习的认知引擎来有效解决认知无线电智能学习与推理问题，研究基于粗糙集、支持向量机、RBF神经网络以及多目标优化决策的学习推理技术。通过综合设计学习、推理与优化技术，有效解决海量信息的学习与实时响应之间的矛盾、解决不同环境下学习的普适性等问题。项目预期成果能有效推动认知无线电技术的发展，为其在军事、应急救险、航天以及商业运营等多个领域的应用奠定强有力基础。

智能学习与推理是认知无线电的核心技术，对有效利用频谱资源，改善认知无线电系统性能具有至关重要的作用。为此，本项目研究了认知无线电在线学习与决策、离线学习、认知引擎性能评价及试验系统等技术。针对在线学习与决策，项目将无线资源调度建模为马尔科夫决策过程，在通信缓存管理、电源管理、TCP吞吐量跨层资源调度等方面利用强化学习技术（如Q-learning、SARSA）进行最优策略求解。针对离线学习，项目提出了一种基于学习的决策模型框架，利用粗糙集解决认知无线电网络（CRN）跨层学习中的知识提取与规则生成；利用支持向量机、RBF 神经网络对信道特征进行学习，完成认知无线电的跨层学习与推理。仿真实验表明，项目提出的强化学习与离线学习方法能够有效提高认知无线电的学习能力，能够有效提高认知无线电的传输性能。项目在执行期间已发表论文16篇，其中SCI检索论文3篇，EI检索期刊论文5篇，EI国际会议论文7篇，申请发明专利2项。