無(wú)線電和資源

我們所有人都知道無(wú)線電（Wifi 2.4 GHz，Wifi 5 GHz，GSM 2G，3G，LTE 4G，藍(lán)牙，RFID等）。所有這些都提供了一種彼此溝通的方式，包括實(shí)時(shí)分享信息，娛樂(lè)等。問(wèn)題是無(wú)線電需要一個(gè)介質(zhì)和資源來(lái)共享這些信息，并將其從一個(gè)地方傳送到另一個(gè)地方，簡(jiǎn)單的說(shuō)它們具有頻率，空間和時(shí)間特性。我們來(lái)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(lèi)的寶貴財(cái)富

其實(shí)答案是的，我們受這些可用的頻譜資源的限制。但是實(shí)際上目前有一些應(yīng)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(wú)線通信，如最新的802.11ad Wi-Fi標(biāo)準(zhǔn)（工作在60 GHz頻段）以及使用的WirelessHD標(biāo)準(zhǔn)（也稱(chēng)為UltraGig）來(lái)傳輸高分辨率的流媒體。但問(wèn)題是毫米波經(jīng)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(nèi)，但不適用于或者難以用于戶外移動(dòng)寬帶應(yīng)用。

修復(fù)錯(cuò)誤

所以我們需要按照最佳的方式來(lái)處理我們現(xiàn)有的頻譜資源，并嘗試修復(fù)當(dāng)前的缺陷來(lái)優(yōu)化和增強(qiáng)現(xiàn)有頻譜資源，首先我們來(lái)看一下射頻頻譜（RF-Spectrum）的分布和應(yīng)用。

如前所述RF頻譜被用于諸如衛(wèi)星，GPS系統(tǒng)，移動(dòng)通信（2G，3G和4G），F(xiàn)M收音機(jī)，WIFI，藍(lán)牙等各種類(lèi)型的服務(wù)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(gè)頻段上運(yùn)行，您必須付錢(qián)，例如移動(dòng)運(yùn)營(yíng)商像Vodafone，Verizon，Orange等的移動(dòng)服務(wù)，需要付出很多錢(qián)才能獲得在預(yù)定頻段中分享其服務(wù)和應(yīng)用。有些頻段如WI-FI和藍(lán)牙，我們不用花錢(qián)就可以使用它們。每個(gè)國(guó)家都有一個(gè)組織來(lái)管理頻譜的分配過(guò)程， 下圖是一個(gè)頻譜分配圖的例子。

圖2、某個(gè)國(guó)家的頻譜分配圖

為什么要引入認(rèn)知無(wú)線電？

可用的頻譜資源很少，但是它們并沒(méi)有被完全利用，下面的圖片是電視頻譜的一個(gè)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(méi)有使用。

圖3、電視白頻譜的使用情況

認(rèn)知無(wú)線電是SDR（軟件定義無(wú)線電）和MIND（人工智能）的組合。我們可以想像無(wú)線電賦予人類(lèi)的某種功能，例如他們需要傳感器來(lái)觀察外界，就像人耳可以提取聲波既空氣分子的振動(dòng)模式，并將它們轉(zhuǎn)化為電信號(hào)，這些信號(hào)被攜帶到大腦中來(lái)分析和理解它們，類(lèi)似地，對(duì)于無(wú)線電設(shè)備，天線是主要的無(wú)源組件[如電阻，電感，電容這類(lèi)的無(wú)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(zhuǎn)換成電信號(hào)，該電信號(hào)由其它硬件來(lái)處理：如放大，濾波和模數(shù)轉(zhuǎn)換（ADC），并且在經(jīng)過(guò)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(rèn)知無(wú)線電可以被理解為獲得對(duì)周?chē)�環(huán)境的認(rèn)知并相應(yīng)調(diào)整其行為的無(wú)線電。例如，認(rèn)知無(wú)線電可以在跳轉(zhuǎn)到另一個(gè)未使用的頻帶之前確定未使用的頻帶，并將其用于傳輸。認(rèn)知無(wú)線電術(shù)語(yǔ)是由約瑟夫·米多拉創(chuàng)造的，指的是能夠感知外部環(huán)境的智能無(wú)線電，能夠從歷史中學(xué)習(xí)，并根據(jù)當(dāng)前的環(huán)境情況做出智能決策來(lái)調(diào)整其傳輸參數(shù)。

軟件定義無(wú)線電（SDR，Software Defined Radio）

SDR是基于軟件定義的無(wú)線通信協(xié)議而不是硬連線實(shí)現(xiàn)的無(wú)線電通信技術(shù)。換句話說(shuō)，可以通過(guò)軟件下載和更新來(lái)升級(jí)頻段，空中接口協(xié)議和功能，而不用完全替代硬件。SDR為構(gòu)建多模，多頻和多功能無(wú)線通信設(shè)備說(shuō)遇到的問(wèn)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(shù)字域中執(zhí)行大部分信號(hào)處理，但是在模擬域（例如RF和IF電路）中仍然進(jìn)行一些信號(hào)處理。天線直接連接到A-D / D-A轉(zhuǎn)換器的所有終端設(shè)備，所有的信號(hào)處理都是使用完全可編程的高速DSP來(lái)數(shù)字地完成的。所有功能，模式，應(yīng)用等都可以通過(guò)軟件重新配置。在那里它是靈活的，并將模擬和數(shù)字世界帶來(lái)在一起。軟件定義無(wú)線電（SDR）技術(shù)帶來(lái)了靈活性，成本效率和功能，推動(dòng)了通信向前發(fā)展，服務(wù)提供商和產(chǎn)品開(kāi)發(fā)人員通過(guò)終端用戶實(shí)現(xiàn)了廣泛連接的優(yōu)勢(shì)。

機(jī)器與深度學(xué)習(xí)技術(shù)

圖4、人工智能在5G網(wǎng)絡(luò)中的應(yīng)用

圖5、3GPP研究的通信用人工智能算法

現(xiàn)在為了理解如何以智能方式分析實(shí)際信號(hào)，我們需要一臺(tái)由機(jī)器或深度學(xué)習(xí)算法驅(qū)動(dòng)的認(rèn)知引擎來(lái)觀察，分析，預(yù)測(cè)并做出決策。但首先我們需要明白，機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的主要區(qū)別是機(jī)器學(xué)習(xí)中的特征工程，學(xué)習(xí)模型決定根據(jù)固定的特征集（觀察/測(cè)量參數(shù)）來(lái)對(duì)情況進(jìn)行分類(lèi)的，但是在深度學(xué)習(xí)，算法必須確定哪些特征適合這種情況，以便進(jìn)行分類(lèi)，從而學(xué)習(xí)過(guò)程基于特征選擇和類(lèi)別來(lái)進(jìn)行的。

圖6、認(rèn)知無(wú)線電中的學(xué)習(xí)過(guò)程

讓我們看看一個(gè)非常簡(jiǎn)單而又有效的稱(chēng)為監(jiān)督學(xué)習(xí)的過(guò)程，這簡(jiǎn)單地意味著每個(gè)集合數(shù)據(jù)樣本的答案都是已知的（就像我們監(jiān)督實(shí)際答案已知的培訓(xùn)過(guò)程）。在這里，我們饋送神經(jīng)網(wǎng)絡(luò)，這是一種流行的學(xué)習(xí)算法- 大量的訓(xùn)練數(shù)據(jù)，由人類(lèi)圖片示例標(biāo)記/標(biāo)記，使得神經(jīng)網(wǎng)絡(luò)本質(zhì)上可以在其學(xué)習(xí)中進(jìn)行自我檢查。圖像是數(shù)據(jù); “人”是標(biāo)簽，但取決于圖像。

圖7、認(rèn)知無(wú)線電的認(rèn)知周期

當(dāng)圖像進(jìn)入時(shí)，網(wǎng)絡(luò)將它們分解為最基本的組件（特征），即邊緣，紋理和形狀。當(dāng)圖像通過(guò)網(wǎng)絡(luò)傳播時(shí)，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(dāng)進(jìn)一步組合時(shí)。在這個(gè)過(guò)程的最后，網(wǎng)絡(luò)試圖對(duì)圖像中的內(nèi)容進(jìn)行預(yù)測(cè)。首先，這些預(yù)測(cè)將顯示為隨機(jī)猜測(cè)，因?yàn)闆](méi)有真正的學(xué)習(xí)已經(jīng)發(fā)生。如果輸入圖像是“人”，但是預(yù)測(cè)“狗”，則需要對(duì)網(wǎng)絡(luò)的內(nèi)層進(jìn)行調(diào)整。調(diào)整是通過(guò)稱(chēng)為反向傳播的過(guò)程進(jìn)行的，以增加下一次為同一圖像預(yù)測(cè)“人”的可能性。一旦發(fā)生這種情況，直到預(yù)測(cè)優(yōu)化在實(shí)現(xiàn)錯(cuò)誤的全局最小值時(shí)，它會(huì)變得更準(zhǔn)確。因此，誤差僅僅是實(shí)際的輸出- 所需的輸出，并且可以以許多不同的方式在數(shù)學(xué)上計(jì)算出來(lái)。

圖8、機(jī)器學(xué)習(xí)方法

這種學(xué)習(xí)過(guò)程可以在無(wú)線電中發(fā)揮創(chuàng)造一種具有“腦功能”的無(wú)線電（認(rèn)知無(wú)線電），所以我們可以將其視為優(yōu)化資源，以最大限度地利用無(wú)線電頻譜資源的方法。

圖9、機(jī)器學(xué)習(xí)例子

認(rèn)知周期

圖10、簡(jiǎn)化的認(rèn)知周期

上圖包括簡(jiǎn)化的認(rèn)知周期，我們使用一些感測(cè)技術(shù)來(lái)感知無(wú)線電環(huán)境，例如進(jìn)行快速傅里葉變換，以便檢測(cè)頻譜帶中的信號(hào)強(qiáng)度級(jí)別，然后將檢測(cè)的數(shù)據(jù)映射到學(xué)習(xí)模型中，以找出對(duì)應(yīng)解決方案之后，無(wú)線電被動(dòng)態(tài)地重新配置為相應(yīng)的參數(shù)，如發(fā)射功率，采樣率，中心頻率或波形。如果基于一個(gè)新的問(wèn)題有絕對(duì)的新的解決方案，那么它將被存儲(chǔ)在數(shù)據(jù)庫(kù)中，這個(gè)過(guò)程允許我們通過(guò)經(jīng)驗(yàn)學(xué)習(xí)來(lái)構(gòu)建我們的系統(tǒng)內(nèi)存。