用RBF神经网络算法设计CR认知引擎

认知无线电是一种智能无线电通信系统，认知引擎的设计是其关键问题之一．认知引擎可通过推理与学习方法来实现认知无线电的感知、自适应与学习能力．为适合变化的无线环境，提出了用RBF神经网络设计认知无线电认知引擎的模型，根据经验知识和环境情况，动态重配置无线环境参数．基于802.11a仿真平台模拟认知无线电通信模型，经样本值训练神经网络，利用该网络学习信道特征，并建立基于RBF神经网络的认知引擎．在对感知信息学习后，实现根据无线环境和用户需求来配置通信参数的功能,仿真表明，这种认知引擎能有效地实现认知无线电的学习重构功能，其预测精度比BP网络模型高出了10％-30％．

一种基于认知引擎的t分布变异萤火虫算法

针对认知引擎中智能优化的问题,提出了一种基于t分布变异萤火虫算法的认知无线电决策引擎技术,分析了萤火虫算法的仿生原理,从数学角度对算法实现优化过程进行了定义,并设计了一种基于t分布随机扰动的变异方案。最后,在多载波环境下对该算法进行了仿真实验,结果表明与普通基于遗传算法的认知引擎相比,该算法收敛速度快且具有较高的目标函数值,并且在加入t分布变异之后,算法的全局寻优能力进一步加强。

认知引擎技术

认知无线电(CR)是一种智能的无线电通信系统,其智能主要来自于认知引擎。认知引擎基于软件无线电平台,引入人工智能领域的推理与学习方法,实现认知环路,从而实现CR的感知、自适应与学习能力。认知引擎的要素包括建模系统、知识库、推理机、学习机和各类接口,涉及到知识表示、机器推理和机器学习等关键技术。

认知引擎中案例学习模块的设计与实现

学习能力是认知无线电区别于现有电台的最主要特征,研究基于SOAR架构的案例学习功能在已有认知引擎平台中的设计与实现。首先介绍了人工智能开发工具SOAR的基本原理与概念,进而在认知无线电原型系统平台上,设计并实现了基于SOAR架构的,具备案例学习能力的认知学习模块。具备案例学习能力的认知引擎使认知无线电系统具备从以往经验中获取知识的能力,提高了其在未来任务中的决策性能。

基于RBF神经网络的认知无线电认知引擎设计

认知无线电(CR)是一种智能无线通信系统,它能根据环境变化、业务需求动态调整参数,提高系统性能,其核心技术是认知引擎的设计。认知引擎可引入人工智能领域的推理与学习方法来实现CR的感知、自适应与学习能力。为适应变化的无线环境和用户需求,提出基于径向基神经网络(RBF)的CR认知引擎设计方法,该法通过对经验知识和环境的学习,重配置通信参数,以达到资源合理分配,提高系统性能。该引擎由两层RBF神经网络组成,外层神经网络学习全局属性,内层神经网络学习局部属性,以解决路由协议及局部参数的学习配置。在训练RBF神经网络学习模型后,根据定义的两个测试基准函数,评估模型性能,仿真验证了该学习模型的有效性,且能够有效实现CR学习重构。

认知无线电中的混合认知引擎设计

为了提高认知引擎的性能,更好地实现认知无线电系统参数的智能调整,设计了一种混合认知引擎,综合运用多种人工智能方法实现认知引擎的推理、学习、优化和决策等功能。分析了经典认知引擎模型和人工智能在认知引擎中的应用情况,构建了混合认知引擎的功能结构框图,讨论了混合认知引擎的工作机理和技术特点。分析表明,混合认知引擎具有较强的灵活性和鲁棒性。

一种软件无线电与认知引擎的接口实现方法

该文主要讨论在基于软件无线电的认知系统中,软件无线电平台和认知引擎的接口实现。文中提出了一种基于XML语言描述的接口实现方法,并简单举例说明了如何对软件无线电平台处理能力和认知引擎配置参数进行描述,进而又阐述了软件定义无线电平台与认知引擎间的信息传递方式。文章为在软件定义无线电台上构建认知无线电提供了一种简单,可行的实现方法,同时提高了认知无线通信系统的开放性。

最小二乘SVM的CR认知引擎设计

认知无线电(CR)的核心是认知引擎设计。为适合变化的无线环境状况,提出了一种基于最小二乘支持向量机的认知无线电认知引擎设计方法,该引擎根据经验知识,动态重配置无线环境参数。在802.11a仿真平台上模拟认知无线电通信系统模型,通过样本值训练支持向量机的分类、回归模型,并利用该模型学习信道特征,建立相应的认知引擎。在对感知信息进行学习前提下,实现满足用户需求的无线通信参数配置功能。仿真结果表明,该认知引擎能有效地实现认知无线电学习重构功能。

认知无线电网络中认知引擎及其安全问题研究

认知引擎可以根据外在无线环境的变化自适应调整传输参数,优化系统性能,是认知无线电网络的关键智能技术之一。然而,攻击者可以改变要优化的目标函数,阻止认知无线电的自适应操作。分析了认知引擎及其安全性问题,给出了一种防止目标函数攻击的解决思路。

基于二进制蚁群模拟退火算法的认知引擎

在认知无线电系统中,认知引擎依据通信环境的变化和用户需求动态配置无线电工作参数。针对认知引擎中的智能优化问题,提出一种二进制蚁群模拟退火(BAC&SA)算法用于认知无线电参数优化。该算法在二进制蚁群优化(BACO)算法中引入模拟退火(SA)算法,融合了BACO的快速寻优能力和SA的概率突跳特性,能有效避免BACO容易陷入局部最优解的缺陷。仿真实验结果表明,与遗传算法(GA)和BACO算法相比,基于BAC&SA算法的认知引擎在全局搜索能力和平均适应度等方面具有明显的优势。

认知引擎中决策方法的研究

认知无线电技术通过智能的频谱管理来解决频谱资源"短缺"的问题,能够感知到授权用户的空闲频谱,并有效地加以利用,从而减少与授权用户的冲突。现有无线电参数调整策略无法根据环境变化和用户需求进行智能调整,认知引擎中的决策方法能够解决该问题。遗传算法和二进制粒子群算法是实现认知引擎决策的典型算法,对2种算法进行了介绍,仿真比较了2种算法在性能方面的差异。仿真结果表明,二进制粒子群算法在收敛速度和收敛精度上优于遗传算法。

应用案例推理技术的快速认知引擎

认知引擎必须根据外界无线环境的变化和用户需求,快速自适应调整无线电参数。本文选取一定比例粒子群个体按选定匹配案例的参数配置进行初始化,其余个体随机初始化,这样使粒子群优化算法的粒子在搜索初期就处于靠近最优解的解空间里,同时保持一定的种群多样性,得到一种基于案例推理粒子群优化算法;并由此算法以最大化数据速率、最小化发射功率及最小化误比特率为目标来优化无线电传输参数,得到一种比现有算法收敛速率快和寻优能力强的认知引擎。多载波系统的仿真结果表明了本算法的有效性。

基于模拟退火粒子群算法的认知引擎研究

认知引擎的基本功能之一就是根据复杂多变的无线环境及业务需求,利用多目标优化策略,自适应地调整无线参数,实现动态环境下的可靠通信。目前,很多研究的重点集中在遗传算法(GA)及其改进算法上,但其收敛速度较慢,不利于复杂多变以及实时性要求较高的系统。对此,提出一种模拟退火粒子群算法(SABPSO),它采用模拟退火与粒子群算法交替迭代的方式,协同寻优。其可有效提高收敛速度,并克服基本粒子群算法易于陷入局部极值的缺点,增强全局寻优能力。最后,在不同通信模式下,利用多载波系统进行仿真,结果表明,SABPSO算法在收敛速度和平均适应度上优于基本算法。

认知引擎中决策方法的研究

认知无线电(Cognitive Radio,CR)技术通过智能的频谱管理来解决频谱资源"短缺"问题,它能够感知到授权用户的空闲频谱,并有效地加以利用,从而减少与授权用户的冲突。现有无线电参数调整策略无法根据环境变化和用户需求进行智能调整,认知引擎中的决策方法能够解决该问题。遗传算法(Genetic Algorithm,GA)和二进制粒子群算法是实现认知引擎决策的典型算法,在对2种算法进行了介绍之后,仿真比较了2种算法在性能方面的差异。

基于ART1和FAM神经网络的认知引擎

认知引擎是认知无线电关键技术之一,其核心是利用人工智能算法完成认知学习、推理与决策功能。自适应满足环境变化和用户需求。提出一种基于ART1和FAM神经网络的认知引擎。该引擎基于MATLAB 802.11a仿真平台模拟无线通信环境,通过对环境信息的学习训练,结合信道特征和用户需求推理决策出系统最优工作参数,实现认知无线电自适应配置。仿真结果表明,该认知引擎能有效实现认知无线电学习推理功能,且算法精度和稳定性均优于SVM及BP网络模型。

认知引擎决策模块功能实现及其仿真

为实现通信干扰感知,保证通信抗干扰的针对性和实时性,基于认知无线电的频谱感知能力和认知决策能力,提出了通信智能化抗干扰系统架构;给出了抗干扰系统中认知引擎模块的主要功能以及实现方法,利用遗传算法对通信的发射功率、调制方式、带宽等参数进行智能决策及优化;最后进行了仿真实验.仿真结果验证了认知引擎作为核心模块为通信抗干扰提供智能化决策的可行性.

基于后缀数组算法的认知引擎技术研究

文章在软件无线电平台（USRP）的基础上，开发认知无线电的频谱感知、频谱预测及频谱智能调度等功能。该系统能够根据历史频谱占用（或受干扰）的情况寻找规律，在认知用户通信时实现前瞻式频谱搬移，避免与主用户（干扰）发生冲突；并在感知到的频谱空洞中选择可用时间最长的频段进行接入，减少用户通信频点切换的次数，从而高质量完成视频等信息的传输。

短波电台认知引擎设计

短波3G通信技术在通信建链过程的频率选择能力上比2G有了很大提高，但所选频率集只能人工预置，不能在通信过程中选择合适的频率集。认知无线电（Cognitive Radio，CR）技术利用人工智能技术，能根据频谱状态和通信状态实时地选择频率、配置波形参数，达到更好的通信效果。本文介绍了认知无线电技术和认知引擎技术（Cognitive Engine，CE），设计了一种符合当前短波通信设备需求和将来短波通信设备发展方向的认知引擎。

基于模拟退火遗传算法的认知无线电决策引擎

如何根据环境变化和用户需求智能调整无线电参数是认知无线电的基本功能。提出了遗传算法和模拟退火相结合的认知无线电参数调整方法,给出了该方法流程,运用多载波系统对算法性能进行了仿真分析。实验结果表明该方法改进了遗传算法中后期的爬山能力,优化得到的参数比单独使用遗传算法优化所得参数具有更高的归一化目标函数值,而且该方法能够在多个目标函数间进行权衡,参数调整结果与当前对目标函数的偏好一致。

混沌免疫多目标算法求解认知引擎参数优化问题

合理的认知引擎参数设置可以提高频谱的使用性能.通过分析认知无线网络中的认知引擎参数配置,给出了其数学模型,并将其转化为一个多目标优化问题,进而提出一种基于混沌免疫多目标优化的求解方法.算法使用Logistic混沌映射初始化种群,并在每一代将混沌特性用于最优解集的搜索;设计了适合此问题的免疫克隆算子和抗体群更新算子,保证了Pateto最优解集分布的多样性和均匀性.最后,在多载波环境下对算法进行了仿真实验.结果表明,算法可以根据信道条件和用户服务的动态变化,自适应调整各个子载波的发射功率和调制方式,可以求出更多满足偏好需求的解,满足认知引擎参数优化要求.