图5、3GPP研究的通信用人工智能算法

现在为了理解如何以智能方式分析实际信号，我们需要一台由机器或深度学习算法驱动的认知引擎来观察，分析，预测并做出决策。但首先我们需要明白，机器学习与深度学习的主要区别是机器学习中的特征工程，学习模型决定根据固定的特征集（观察/测量参数）来对情况进行分类的，但是在深度学习，算法必须确定哪些特征适合这种情况，以便进行分类，从而学习过程基于特征选择和类别来进行的。

图6、认知无线电中的学习过程

让我们看看一个非常简单而又有效的称为监督学习的过程，这简单地意味着每个集合数据样本的答案都是已知的（就像我们监督实际答案已知的培训过程）。在这里，我们馈送神经网络，这是一种流行的学习算法- 大量的训练数据，由人类图片示例标记/标记，使得神经网络本质上可以在其学习中进行自我检查。图像是数据; “人”是标签，但取决于图像。

图7、认知无线电的认知周期

当图像进入时，网络将它们分解为最基本的组件（特征），即边缘，纹理和形状。当图像通过网络传播时，这些基本组件被组合以形成更抽象的概念，即，曲线和不同的颜色，当进一步组合时。在这个过程的最后，网络试图对图像中的内容进行预测。首先，这些预测将显示为随机猜测，因为没有真正的学习已经发生。如果输入图像是“人”，但是预测“狗”，则需要对网络的内层进行调整。调整是通过称为反向传播的过程进行的，以增加下一次为同一图像预测“人”的可能性。一旦发生这种情况，直到预测优化在实现错误的全局最小值时，它会变得更准确。因此，误差仅仅是实际的输出- 所需的输出，并且可以以许多不同的方式在数学上计算出来。

图8、机器学习方法

这种学习过程可以在无线电中发挥创造一种具有“脑功能”的无线电（认知无线电），所以我们可以将其视为优化资源，以最大限度地利用无线电频谱资源的方法。

图9、机器学习例子

认知周期

图10、简化的认知周期

上图包括简化的认知周期，我们使用一些感测技术来感知无线电环境，例如进行快速傅里叶变换，以便检测频谱带中的信号强度级别，然后将检测的数据映射到学习模型中，以找出对应解决方案之后，无线电被动态地重新配置为相应的参数，如发射功率，采样率，中心频率或波形。如果基于一个新的问题有绝对的新的解决方案，那么它将被存储在数据库中，这个过程允许我们通过经验学习来构建我们的系统内存。