1、4 认知无线网络多域认知理论4.1多域认知理论体系本节首从多域环境的随机性、模糊性、粗糙性以及可信性等多个方面，描述了多域环境的认知性，然后通过深度认知环分析了多域认知行为模型，最后给出了多域认知体系模型，其中包括多域认知引擎的数学模型、分层模型、功能模型以及网络模型。4.1.1 认知性多域环境的认知性包括随机性、模糊性、粗糙性和可信性。其中，随机性是一种统计的不确定性，而模糊性和粗糙性是基于认识的不确定性。以下将从多域环境的这几个属性出发，详细介绍认知性。（1）随机性多域环境的随机性指的是由于认知客体（包括多域环境中的参量、状态、行为等）服从某一概率空间分布而导致的客观存在的不确定性。随机性
2、表现为观测对象的状态未知且不确定。例如，对主用户状态的二元假设检验中，主用户的忙闲状态服从客观的概率分布。这种概率分布表现为主用户状态随机出现。只有通过相应的检测手段才能判断认知客体的当前状态。多域环境的随机性可以用信息熵来度量。 （2）模糊性多域环境的模糊性指的是认知客体很难被准确划分，或者说是被观测事物的边界不能被确定。模糊性是一种认识不确定性。例如，根据接收到的主用户功率来确定空间上的主用户保护区时，如果采用单门限判决，可以清晰得划分出保护区的边界。然而，当某一点上的接收功率值很靠近门限时，很难说将该点判断为保护区或非保护区是否合理，这就存在模糊性。如果采用双门限判决，当接收功率大于较高
3、门限时判定为保护区，当接收功率小于较低门限时判定为非保护区，则接收功率处于两门限之间的点可以定义为模糊区。根据模糊集理论，模糊区的点被赋予隶属度，以表示该点与保护区和非保护区的隶属关系。如果将模糊区的定义为保护区和非保护区以外的第三种状态，则可以消除模糊性。即通过定义新状态消除模糊性。（3）粗糙性粗糙性和模糊性都是描述认知客体在认识上的不确定性。粗糙性由认知客体状态的上、下近似来体现，即认知客体的观测量无法归类为某一集合以及该集合的补集。和模糊性不同，粗糙性在描述个体与集合之间的关系时不需要先验信息。而模糊性需要由个体与集合的隶属关系来体现。知识是粗糙集理论中的一个重要概念，是元素的分类规则。
4、当某一规则无法区分不同样本时，称为元素不可分辨。通过增加新的分类规则，减小知识的粒度，可以降低认知客体的粗糙性。（4）可信性多域环境的可信性指的是不确定的认知客体可以被可信地描述，是对不确定性的信任表达。证据理论就是一种可以用于推定多域环境不确定状态的方法。从具体应用场景出发，可信性主要表现为两种。一种是客观可信，也就是从认知客体的客观不确定性（随机性）得出的可信性。例如，基于概率理论的检测方式。另一种可信性是主观可信，是指从认知客体的主观不确定性（模糊性、粗糙性等）得出的可信性。证据理论可以很好地描述这种可信性。多域环境的可信性是不确定性得以消除的依据。多域环境的随机性、模糊性、粗糙性构成了
5、多域环境的不确定性。多域环境的可信性是不确定性的可信表达。随机性、模糊性、粗糙性和可信性共同组成了多域环境的认知性。而对多域环境认知的过程就是不确定性消除的过程。4.1.2 认知行为模型认 知决 策重 构感 知 数据 库环境、需求与资源感知认 知 信息 库数据分析知 识 库数据挖掘学 习资 源 池资 源环 境需 求先 验信 息先 验知 识资 源 调 控推 理策 略 库信息语用信息形式信息语义智 能先 验策 略知识应用知识发现先 验数 据外 部资 源软 件 定义 体 系架 构图 4-1 深度认知环认知行为可以用 图 4-1 中的深度认知环来描述。内层环路从环境、需求和资源出发，分别完成认知、决策
6、以及重构等步骤。而外侧环路通过具体动作描述了整个认知行为过程。以下结合 图 4-1 详细介绍认知、决策以及重构的具体含义。（1）认知在深度认知环中，感知的对象不仅包括无线电磁环境，也包括多样化的用频需求和实际可用的频谱资源。因此，认知起源于对当前的环境、需求与资源的实时感知。通过具体的感知技术，可以获取大量的感知数据，将这些数据以一定的方式进行存储和处理，能够得到感知数据库。感知数据库中所包含的是信息的形式信息，未经语义提炼，所以相对冗杂，需要进一步进行分析处理。将感知数据库用于数据分析，可获取认知信息，并构成认知信息库。类似的，将认知信息库用于数据挖掘，可获取知识并构成知识库（应该指出，也可
7、直接将感知数据库用于数据挖掘而获取知识）。认知信息库和知识库中所包含的是信息的语义。通过认知过程的三个步骤，同时实现了知识发现。（2）决策决策过程包括推理和资源调控两个步骤。在相关知识的作用下，将数据分析中所获取的认知信息用于推理，可以制定出对应于不同环境、需求与资源条件下的特定策略，并构成策略库。这里的相关知识不仅包括在推理机中预置的知识，也包括从知识库中提取、由特定的认知信息所激活的知识。依据制定出的策略，能够对资源池中的可用频谱资源进行合理调控，以实现多样化的用频需求。深度认知环是一个开放的系统，可以与其他的深度认知环进行交互。一个深度认知环中所得到的感知数据库、认知信息库、知识库和策略
8、库，可以作为另一个深度认知环中先验的相应的库。此外，一个深度认知环的资源池中所包含的资源来自其他深度认知环所释放的资源。相应的，它所释放的资源也可以为另一个深度认知环所用。（3）重构在一定的软件定义体系架构下，实现对系统的参数级、用户级和网络级重构，并反馈于当前的环境、需求与资源，完成深度认知的环路。在决策过程和重构过程中，通过利用所提炼的信息语义，发挥了信息语用。这一过程同时也是知识应用的过程。此外，在知识的易化、补充、预期等多重作用下，可对对象感知、数据分析、数据挖掘、推理和资源调控等环节进行学习，并在优化调节中提升系统的智能水平，共同实现多样化的用频需求和可用的频谱资源之间的合理调配。4
9、.1.3 多域认知体系模型以下将通过认知引擎的数学模型、分层模型、功能模型以及基于认知引擎的网络模型来介绍多域认知体系模型。（1）认知引擎数学模型内外部实际环境 E本地认知信息 ,wnupI协同预测认知信息网络构造 R,lcaI认知信息的获取认知信息的处理认知信息的决策lfcfdf图 4-2 认知引擎数学模型图 4-2 给出了认知引擎的数学模型，描述了认知信息在整个认知过程中的流动。认知信息源于实际的多域环境。经过本地信息获取后，本地认知信息流向信息协同处理模块，最后完成决策。根据决策，生成新的网络构造。在此基础上，多域认知的数学模型可以归结为。s.tdclpRfEI其中， 表示网络构造， 表
10、示内外部实际环境， 表示认知信息的获取，RElf表示认知信息的协同处理， 表示认知信息的决策处理， 表示政策cf df pI域的限制。需要特别说明的是数学模型中的 表示认知信息量（即认知过程中cI获得的语义互信息量） 。为了客观描述利用认知信息对系统性能的提升作用，我们引入（Cognitive Gain）这一无量纲指标。认知增益的含义是指利用认知信息所获净收益相比原收益的增量，具体可以表示为，10%cccnUIfGI其中， 表示利用认知信息后获得的总收益， 表示获得认知信息所cUI cfI导致的开销， 表示未用认知信息所获得的收益。可见，认知增益可以对多域nc认知效能进行统一地评估。（2）认知
11、引擎分层模型信息汇聚 智能决策 资源优化认知信息的表征认知信息的处理认知信息的传递预测推理机制学习算法认知信息共享无线环境参量状态行为网络环境参量状态行为用户环境参量状态行为政策管理参量状态行为智能决策层认知信息的利用主动认知层认知信息的挖掘协同认知层认知信息的处理多域本地认知层认知信息的获取决策库知识库预测认知信息库协同认知信息库本地认知信息库图 4-3 认知引擎分层模型接下来将介绍认知引擎的分层模型，如 图 4-3 所示。认知引擎的分层模型由多域本地认知层、协同认知层、主动认知层和智能决策层组成。多域本地认知层主要完成认知信息的获取。获取的信息包括无线环境域、网络环境域、用户环境域和政策管
12、理域的参量、状态以及行为。认知信息存储在本地认知信息库中。协同认知层主要完成认知信息的处理。具体包括认知信息的表征、认知信息的处理和认知信息的传递，处理后的认知信息存储于协同认知信息库中。主动认知层用于实现认知信息的挖掘。具体包括预测推理、学习以及认知信息的共享。通过学习获取的知识存储于知识库中，预测认知信息存储于预测认知信息库中。智能决策层实现了认知信息的利用。具体包括认知信息的汇聚、智能决策和资源优化。决策库随着智能决策完成更新。从图中可以看出，在整个多域认知过程中，认知信息完成了从多域本地认知层向协同认知层、主动认知层、智能决策层的流动。而智能决策层的决策行为又影响了替他各层。（3）认知
13、引擎功能模型无线环境参量状态行为网络环境参量状态行为用户环境参量状态行为政策管理参量状态行为决策库 知识库预测认知信息库协同认知信息库本地认知信息库智能决策 ：认知信息的利用主动认知 ：认知信息的学习与推理多域本地认知信息获取协同认知信息处理认知信息存储图 4-4 给出了认知引擎功能模型。多域本地认知信息获取模块从外部网络中获取政策环境、用户环境、网络环境及无线环境等多域信息，经过信息表征和处理后存储在本地认知信息库中。网络中的多个认知节点将本地认知信息传递给协同认知信息处理模块，经过协同认知信息处理后的信息将存储在协同认知信息库中。主动认知模块利用本地认知信息及协同认知信息，对认知信息进行进
14、一步的学习与推理，并将结果存储在预测认知信息库及知识库中。智能决策模块完成认知信息的利用，综合本地、协同、预测认知信息库中的信息，并从决策库中获取相应的决策支持信息，做出最终的网络及终端重构方案。无线环境参量状态行为网络环境参量状态行为用户环境参量状态行为政策管理参量状态行为决策库 知识库预测认知信息库协同认知信息库本地认知信息库智能决策 ：认知信息的利用主动认知 ：认知信息的学习与推理多域本地认知信息获取协同认知信息处理认知信息存储图 4-4 认知引擎功能模型（4） 基于认知引擎的中心式网络模型在认知无线中心式网络环境下，可以将认知引擎分为本地认知引擎与中心认知引擎， 图 4-5 给出了基于
15、认知引擎的网络模型。认知节点 1. . . 认知节点 N认知中心节点认知信息流重构信息流数据传输传统功能实体本地认知主动认知本地认知信息库传统功能实体协同认知主动认知协同认知信息库知识库传统功能实体本地认知主动认知本地认知信息库知识库知识库智能决策 决策库本地认知引擎本地认知引擎中心认知引擎图 4-5 基于认知引擎的中心式网络模型认知节点引入本地认知引擎实体后，成为无线网络中的智能体，具有本地认知、学习与决策等功能。认知引擎不仅需要对无线链路层的信息进行监测、融合、预测，从而做出正确的决策，更重要的是从智能体角度出发，将单一的无线链路域扩展到网络环境域、用户业务域和政策域，在多域环境认知信息基
16、础上，完成跨层的信息收集、资源管理和控制重构。数据信息将在传统功能实体中传递，而认知信息与网络重构的控制信令将在认知引擎之间传递。中心认知引擎与本地认知引擎相比，增加了协同认知模块，构成了中心智能体，这些智能体能够获取广域认知信息，可以控制所属智能体的行为。中心认知引擎负责将从无线网络感知到的各种信息进行融合，并对认知信息库中的协同认知信息库内容进行更新。（5） 基于认知引擎的分布式网络模型在分布式网络环境中，每一个认知节点引入认知引擎实体后将各自完成感知信息的收集、预测和融合，完成本节点的决策制定功能。所以该网络场景中，每一个节点独自完成认知引擎的功能，而且认知引擎的功能模块将比中心式的认知
17、引擎更为完整，包括了本地感知及其信息库和协同感知及其信息库。传统功能实体本地认知本地认知信息库协同认知协同认知信息库主动认知认知引擎知识库预测认知信息库认知信息流数据传输智能决策 决策库传统功能实体本地认知本地认知信息库协同认知协同认知信息库主动认知认知引擎知识库预测认知信息库智能决策 决策库传统功能实体本地认知本地认知信息库协同认知协同认知信息库主动认知认知引擎知识库预测认知信息库智能决策 决策库图 4-6 基于认知引擎的分布式网络模型同样地，这种基于认知引擎的分布式网络能够继承原有的分布式网络的灵活组网和鲁棒性强的优势，而且能够跨越频谱环境、网络环境、用户环境和政策法规多域进行数据处理，支持开发各种频谱感知算法、数据融合算法、环境学习算法、认知路由选择算法等。这种网络模型更加智能化，更加符合认知无线电的网络参数重配置功能要求，更能适应未来网络更新的低成本需求。
