基于案例推理CBR(Case-Based Reasoning)借鑒人類處理問題的方式,，運用以前積累的知識和經(jīng)驗直接解決問題。由于CBR具備自主學習功能,，不要求決策主體掌握豐富領(lǐng)域知識或精確的數(shù)學模型,，僅僅通過簡單的案例記憶就能實現(xiàn)出色的增量學習和自我提升，因而引起相關(guān)專家和學者的關(guān)注,，逐漸成為人工智能領(lǐng)域的一個研究熱點,。
　認知無線電技術(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,。認知決策引擎是認知無線電CR(Cognitive Radio)實現(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,，對目標和情境進行分析,，根據(jù)已有知識進行推理,、決策，輸出達到用戶需求的優(yōu)化配置,，同時能夠?qū)W習不同配置在新環(huán)境下的效用,，從而豐富系統(tǒng)知識，以適應環(huán)境和需求的變化[2],。
　當認知無線電可以通過觀察獲得需要的所有環(huán)境知識(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，將認知決策的過程建模為一個優(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€配置決策d，使性能u得到滿足)的情況,。參考文獻[4]使用遺傳算法對CR中多目標優(yōu)化問題進行了研究,，參考文獻[5]將粒子群優(yōu)化算法應用在認知引擎的決策問題中，參考文獻[6]考慮遺傳算法中參數(shù)敏感度對不同目標的影響,，進一步提升了優(yōu)化效率,。然而，在實際應用中,，CR可直接觀測得到的環(huán)境參數(shù)有限(比如信道統(tǒng)計特性等無法直接觀測得到),，且系統(tǒng)可能面臨各種不同的傳播環(huán)境、動態(tài)接入不同頻段的信道,，輸入c和u與輸出d的關(guān)系很復雜,，函數(shù)f無法事先確知。此時,，認知無線電需要通過不斷地學習來理解并適應環(huán)境,。目前，針對環(huán)境部分可觀測,、精確函數(shù)f未知下的認知決策系統(tǒng)研究才剛起步,，參考文獻[3]簡單舉例說明了學習在解決這類問題當中的關(guān)鍵作用，但尚未有相關(guān)系統(tǒng)的研究成果出現(xiàn),。
　本文針對這類問題,，研究基于案例的推理決策問題，提出基于案例庫的認知決策引擎,。文中所提決策框架具有自學習,、多狀態(tài)多目標通用性強、快速收斂等特點,。
1 CBR簡介
　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)驗和知識解決現(xiàn)在的問題，同時將當前問題及解決結(jié)果補充為新知識,，從而實現(xiàn)自主學習和增量學習,。
　通常，CBR系統(tǒng)的運作過程可以概括為“4Rs”(如圖1所示)：

　(1)檢索（Retrieve）：分析當前面臨的新問題,，定義新問題的特征或?qū)傩?，在案例庫中尋找對解決當前問題有最大潛在啟發(fā)價值的舊案例；
　(2)重用（Reuse）：以相似案例為基礎(chǔ),，通過自適應的調(diào)整,，構(gòu)造新問題的解決策略；
　(3)修訂（Revise）：執(zhí)行并驗證當前策略,；
　(4)存儲（Retain）：將有參考價值的經(jīng)驗案例存儲到案例庫中,。
    其中，檢索和重用屬于推理階段,，修訂和存儲屬于學習階段,，學習的過程將以往的決策經(jīng)驗以案例的形式進行積累，使系統(tǒng)知識不斷豐富,，以提高未來推理的效能,，從而在面對新問題時能夠做出更好的決策。
2 基于CBR與模擬退火的自學習認知決策算法
　認知引擎的輸入變量包括用戶的目標需求,、觀測到的無線環(huán)境變量以及CR自身狀態(tài),，三者共同影響認知引擎的配置決策。為了使CR通信案例庫具有廣泛的可借鑒性,，為不同目標,、不同狀態(tài)的CR決策提供參考，構(gòu)建如表1所示案例庫,。其中條件屬性包括觀測的無線環(huán)境特征和自身狀態(tài)(如當前信道是否空閑,、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)生的場景或情境,。決策屬性為CR所作的一些反應，包括信道,、發(fā)射功率,、調(diào)制方式、編碼方式,、數(shù)據(jù)包長等配置參數(shù),。結(jié)果為在不同條件屬性下，相應配置所帶來的不同目標的實際性能,，如誤比特率,、吞吐量、頻譜效率,、存活時間等,。

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，然而收斂速度相對較慢,。在接下來的仿真中,，取λ=0.5。
    為驗證本算法對于不同通信目標的廣泛通用性,，考慮兩種典型通信目標,。目標1：最大化系統(tǒng)吞吐量；目標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。對于通信目標1,，隨著案例經(jīng)驗的累積,，其學到的知識也日益豐富，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),。對于通信目標2，在配置決策滿足吞吐量的目標要求下(圖3右上),，系統(tǒng)的頻譜效能隨著決策的進行逐漸提高(圖3右下),。仿真結(jié)果表明本算法可以滿足不同的目標需求。

    圖4為功率參數(shù)調(diào)整曲線,。如圖,，當通信目標為最大化用戶吞吐量時，盡管系統(tǒng)不知道功率越大則吞吐量越大的這種先驗知識,，但是通過不斷學習,，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,，對于最大化頻譜能效的用戶而言，功率將被調(diào)整到一個適合的大小,。

　    圖5和圖6分別統(tǒng)計了兩種目標下,，不同信道和不同調(diào)制方式被應用的概率。針對通信目標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較小),，而針對目標2,，CR首選信道傳播損耗最小的信道6，并應用調(diào)制階數(shù)最高的64QAM調(diào)制方式,。

    本文針對認知無線電中環(huán)境部分可觀測,，信道統(tǒng)計信息先驗未知，且系統(tǒng)的目標,、環(huán)境與配置間的關(guān)系不明確，需要通過學習進行配置決策的問題,，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習,、多目標適用性,、快速收斂等優(yōu)點。案例庫有廣泛借鑒性,，可實現(xiàn)在不同節(jié)點間相互學習的功能,，下一步可研究關(guān)于多節(jié)點合作的學習引擎的實現(xiàn)方法，如何應用數(shù)據(jù)挖掘的方法從案例庫中提取出有用知識的問題也有待進一步研究,。
參考文獻
[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] 趙知勁,，徐世宇，鄭仕鏈,等.基于二進制粒子群算法的認知無線電決策引擎[J].物理學報,， 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.