[论文解读] Who is Smarter? Intelligence Measure of Learning-based Cognitive Radios

Monireh Dabaghchian, Amir Alipour-Fanid+4 more|arXiv (Cornell University)|Dec 26, 2017

Cognitive Radio Networks and Spectrum Sensing参考文献 30被引用 3

一句话总结

本文提出一种基于数据的量化方法，通过在仿真性能数据上应用因子分析，对基于学习的认知无线电（CRs）的智能水平进行定量测量。该方法识别出五个不同的智能因子——如学习适应性与感知准确性——这些因子与CR的设计和行为相一致，验证了一套新颖的框架，用于评估动态频谱环境中CR的认知能力。

ABSTRACT

Cognitive radio (CR) is considered as a key enabling technology for dynamic spectrum access to improve spectrum efficiency. Although the CR concept was invented with the core idea of realizing cognition, the research on measuring CR cognitive capabilities and intelligence is largely open. Deriving the intelligence measure of CR not only can lead to the development of new CR technologies, but also makes it possible to better configure the networks by integrating CRs with different cognitive capabilities. In this paper, for the first time, we propose a data-driven methodology to quantitatively measure the intelligence factors of the CR with learning capabilities. The basic idea of our methodology is to run various tests on the CR in different spectrum environments under different settings and obtain various performance data on different metrics. Then we apply factor analysis on the performance data to identify and quantize the intelligence factors and cognitive capabilities of the CR. More specifically, we present a case study consisting of 144 different types of CRs. The CRs are different in terms of learning-based dynamic spectrum access strategies, number of sensors, sensing accuracy, processing speed, and algorithmic complexity. Five intelligence factors are identified for the CRs through our data analysis.We show that these factors comply well with the nature of the tested CRs, which validates the proposed intelligence measure methodology.

研究动机与目标

• 开发一种针对基于学习的认知无线电的定量智能度量方法，以解决当前CR认知能力缺乏标准化评估的问题。
• 基于Cattell-Horn-Carroll（CHC）人类智能框架建立CR智能模型，实现对认知性能的系统化评估。
• 通过在多样化频谱环境与配置下进行仿真测试，识别并量化CR中的潜在智能因子。
• 通过提供可测量的智能度量指标，支持实际应用，如CR产品定价、网络配置及智能系统基准测试。
• 为将智能度量方法拓展至其他智能系统（如无人机、联网汽车和智能电网）奠定基础。

提出的方法

• 对144种不同配置的认知无线电进行仿真，其配置涵盖不同的基于学习的动态频谱接入策略、传感器数量、感知准确性、处理速度及算法复杂度。
• 在多样化频谱环境与测试场景下收集性能数据，测量诸如频谱接入成功率和适应速度等指标。
• 应用探索性因子分析（EFA）从性能数据中提取潜在智能因子，识别出底层的认知维度。
• 通过将因子与CR已知的设计特性进行相关性分析，验证所识别因子与其实现认知行为的一致性。
• 以Cattell-Horn-Carroll（CHC）模型作为理论基础，构建智能模型，其中一般智能（g）位于顶层，具体认知因子位于下层。
• 设计从简单到复杂的标准化测试场景，为未来应用项目反应理论（IRT）推导IQ分数提供支持。

实验结果

研究问题

• RQ1 如何以数据驱动且系统化的方式，对基于学习的认知无线电的认知能力进行定量测量？
• RQ2 当CR在多样化频谱环境与配置下进行测试时，性能数据中会涌现出哪些潜在智能因子？
• RQ3 所识别的智能因子在多大程度上与CR的实际设计和行为相一致？
• RQ4 所提出的度量方法是否可推广至评估其他智能系统（而不仅限于认知无线电）的智能水平？
• RQ5 所识别的智能因子将如何影响网络设计、CR产品定价及资源分配策略？

主要发现

• 通过因子分析识别出五个显著的智能因子：学习适应性、感知准确性、处理速度、算法复杂度以及动态频谱接入策略效率。
• 所识别的智能因子与144种仿真CR的实际设计与配置高度一致，验证了该方法的准确性。
• 一般智能因子（g）被提取为顶层认知能力，表明其在不确定频谱环境下的整体性能鲁棒性。
• 该方法能有效区分CR的认知能力，即使在硬件或算法结构相似的情况下亦可实现。
• 结果表明，CR智能并非单一整体，而是由多个可测量、可分析的认知维度构成。
• 该框架为未来基于标准化测试与项目反应理论（IRT）的CR IQ测量提供了基础。