3、认知无线电体系架构：认知循环模型、认知引擎、软件定义无线电（SDR）基础、认知无线电与SDR的关系
认知无线电（Cognitive Radio, CR）并非一种单一的技术实现，而是一套完整的智能通信体系。要理解其工作机理，必须从体系架构层面拆解其核心组件与运行逻辑。本章围绕四个关键维度展开：认知循环模型（Cognitive Cycle）如何驱动无线电的智能行为，认知引擎（Cognitive Engine）如何完成决策与学习，软件定义无线电（SDR）作为可重构硬件平台如何提供物理支撑，以及CR与SDR之间“智能大脑”与“灵活躯体”的辩证关系。通过本章学习，读者应能够绘制出CR系统的功能框图，并理解从频谱感知到参数重配置的完整闭环。
3.1 认知循环模型：从观察到行动的闭环逻辑
3.1.1 核心原理：Mitola认知循环的扩展
认知循环模型最早由Joseph Mitola III在1999年提出，其本质是将无线电视为一个具备“感知-理解-学习-决策-行动”能力的智能体。在工程实践中，该模型被简化为四个核心阶段：频谱感知（Sensing）、环境分析（Analysis）、决策规划（Decision）和参数重配置（Reconfiguration）。每个阶段并非孤立运行，而是通过持续的数据流和反馈机制形成闭环。值得注意的是，现代CR系统在Mitola原始模型基础上增加了“学习与推理”模块，使得系统能够根据历史经验优化决策策略，而非仅依赖瞬时感知结果。
3.1.2 判断方法：循环各阶段的输入输出与触发条件
在实际系统设计中，判断认知循环是否健康运行，需要关注各阶段的接口定义与延迟预算。下表给出了各阶段的关键输入、输出及典型实现方式：
| 循环阶段 | 关键输入 | 输出 | 典型实现技术 | 时间尺度 |
|---|---|---|---|---|
| 频谱感知 | 射频采样数据、能量检测结果 | 频谱占用矩阵、干扰电平 | 能量检测、循环平稳特征检测、匹配滤波 | 毫秒级 |
| 环境分析 | 感知结果、地理位置、业务需求 | 可用频谱列表、信道质量评估 | 干扰温度估计、信道容量计算 | 毫秒~秒级 |
| 决策规划 | 分析结果、用户QoS需求、策略约束 | 目标频段、调制方式、发射功率 | 强化学习、博弈论、多目标优化 | 秒级 |
| 参数重配置 | 决策指令、SDR能力描述 | 硬件寄存器配置、波形切换 | SDR前端API调用、FPGA比特流切换 | 微秒~毫秒级 |
3.1.3 案例拆解：动态频谱接入中的循环实例
以IEEE 802.22 WRAN（无线区域网络）为例，该标准是首个基于认知无线电的电视白频谱（TV White Space）接入标准。其认知循环运行过程如下：背景与约束：系统工作在54-862 MHz的VHF/UHF频段，必须避免对广播电视信号的干扰，同时需满足至少3 dB的干扰保护比。初始现象：某用户终端请求视频流服务，但当前所在位置的主用户（电视台）信号在部分信道处于活跃状态。关键输入数据：感知模块每2秒执行一次全频段扫描，获取各信道的能量谱密度；地理位置信息通过GPS获取，并对照数据库确认保护区域。分析判断过程：认知引擎将感知结果与数据库策略比对，发现信道21（512-518 MHz）空闲，但信道22存在弱电视信号（-95 dBm），低于保护门限。实际操作步骤：引擎决策采用信道21作为工作频段，选择QPSK调制和6 MHz带宽，发射功率限制在36 dBm EIRP；随后通过SDR平台在50 ms内完成参数切换。结果对比：切换后实测吞吐量达到12 Mbps，且对电视信号的干扰余量保持在6 dB以上。风险与代价：若感知周期过长，可能错过主用户重新出现的时机，因此系统设置了每100 ms一次的快速检测机制。复盘经验：认知循环的时延预算必须严格分配，感知阶段不能超过总循环时间的30%，否则决策信息将过时。
3.2 认知引擎：决策与学习的核心
3.2.1 核心原理：认知引擎的功能定位
认知引擎是CR系统的“大脑”，负责将感知信息转化为可执行的配置参数。其核心功能包括：状态估计（当前频谱环境、干扰水平）、策略推理（基于规则或学习模型选择最优参数）、性能评估（对历史决策效果进行量化打分）。认知引擎通常采用分层架构：底层为参数映射层，将抽象决策转换为具体的调制方式、编码率、功率等级；上层为策略决策层，利用强化学习（如Q-Learning）或遗传算法搜索最优策略。
3.2.2 操作流程：认知引擎的决策流水线
- 输入归一化：将感知数据（如SNR、干扰功率）和用户需求（如最小速率、最大时延）转换为统一格式的状态向量。
- 候选方案生成：根据当前状态，从策略库中检索或通过启发式规则生成N个候选参数组合。
- 效用评估：对每个候选方案计算效用函数值，效用函数通常为多目标加权和，例如：
U = w1*吞吐量 + w2*(1/时延) - w3*干扰代价。 - 最优选择：选择效用最高的方案，并检查是否满足硬约束（如最大发射功率、频谱占用合法性）。
- 执行与反馈：将参数下发至SDR，并等待下一轮感知结果作为反馈，更新学习模型。
3.2.3 实战场景：基于Q-Learning的频谱切换决策
考虑一个认知引擎需要决定是否从当前信道切换到备用信道。状态空间定义为{当前信道SNR, 备用信道空闲概率, 业务优先级}，动作空间为{保持, 切换}。奖励函数设计为：切换成功且SNR提升则奖励+10，切换失败则惩罚-15，保持但SNR下降则惩罚-5。经过5000次迭代训练后，引擎学会了在SNR低于15 dB且备用信道空闲概率高于0.7时果断切换。该案例说明，认知引擎的决策质量高度依赖奖励函数的设计——若惩罚系数设置不当，引擎可能产生“频繁切换”的振荡行为。
3.3 软件定义无线电（SDR）基础
3.3.1 核心原理：SDR的“软件即无线电”理念
SDR是一种将无线电硬件功能（调制解调、滤波、变频等）尽可能用软件实现的架构。其理想模型是“天线+ADC/DAC+通用处理器”，所有信号处理均在数字域完成。实际工程中，受限于ADC采样率和处理器算力，通常采用“射频前端+中频数字化+软件处理”的折中方案。SDR的关键优势在于可重配置性：同一硬件平台通过加载不同软件模块，即可支持多种通信标准（如LTE、WiFi、LoRa）。
3.3.2 判断方法：SDR平台的关键性能指标
- 瞬时带宽：ADC/DAC的采样率决定了可处理的信号带宽，例如100 MSPS采样率理论上可处理50 MHz带宽信号。
- 动态范围：由ADC位数和射频前端增益控制决定，典型值为80-120 dB。
- 可重构粒度：参数切换的时间粒度，FPGA重配置需毫秒级，而DSP参数更新可达到微秒级。
- 载波频率范围：射频前端的调谐范围，如70 MHz-6 GHz覆盖主流通信频段。
3.3.3 案例拆解：USRP X310平台的SDR实现
以Ettus USRP X310为例，该平台集成2个射频子板插槽、2个ADC（200 MSPS, 14-bit）和2个DAC（800 MSPS, 16-bit），通过PCIe接口与主机通信。实际配置流程：首先在GNU Radio中设计QPSK调制器流程，生成FPGA比特流；然后通过UHD驱动API设置中心频率2.4 GHz、采样率20 MSPS、发射增益30 dB；最后启动流式传输。关键参数：FPGA中部署了DDC/DUC（数字下/上变频）模块，将中频信号搬移至基带。性能瓶颈：当采样率提升至100 MSPS时，PCIe 3.0 x4的带宽（约3.2 GB/s）成为限制因素，需采用双通道并行采集。复盘经验：SDR平台的性能不仅取决于硬件指标，还受驱动软件和总线架构制约，选型时需综合评估。
3.4 认知无线电与SDR的关系：智能与灵活性的协同
3.4.1 核心原理：CR是SDR的智能升级
从技术演进角度看，SDR解决了“无线电硬件如何灵活定义”的问题，而CR解决了“如何智能地决定用什么参数”的问题。二者的关系可以概括为：SDR是CR的理想实现平台，CR是SDR的智能控制层。没有SDR，CR的决策结果无法快速落地为实际波形；没有CR，SDR只能被动执行预设程序，无法适应动态频谱环境。
3.4.2 对比分析：CR与SDR的层次差异
| 维度 | SDR | CR |
|---|---|---|
| 核心目标 | 硬件通用化、功能软件化 | 频谱利用智能化、决策自主化 |
| 工作层次 | 物理层、链路层 | 跨层（物理层到应用层） |
| 关键能力 | 可重配置、多模支持 | 感知、学习、决策 |
| 依赖关系 | 不依赖CR | 依赖SDR提供可调参数接口 |
| 典型实现 | USRP、HackRF、LimeSDR | IEEE 802.22、军用认知电台 |
3.4.3 实战场景：CR/SDR协同的频谱共享系统
设计一个基于CR/SDR的3.5 GHz频段共享系统（如Citizen Broadband Radio Service, CBRS）。系统组成：三个SDR节点（每个节点配备USRP X310 + 认知引擎软件）。运行机制：SDR节点A作为感知节点，每100 ms扫描一次频段，将能量检测结果通过UDP上报给中央认知引擎；中央引擎运行频谱分配算法，将可用频段划分为多个资源块，并通过控制信令下发至各节点的SDR平台。关键参数：感知灵敏度-90 dBm，决策周期200 ms，重配置时间50 ms。结果：在存在主用户（海军雷达）干扰的情况下，系统成功实现了动态避让，次用户平均吞吐量达到80 Mbps，且对主用户的干扰概率低于0.1%。风险：控制信令的可靠性至关重要，若认知引擎与SDR之间的通信中断，系统将退化为固定频谱接入模式。
3.4.4 常见误区与设计要点
- 误区一：将CR等同于SDR——SDR只是CR的使能技术，CR还包含认知引擎、策略管理等非SDR组件。
- 误区二：忽视感知时延对决策的影响——感知结果具有时效性，决策引擎必须考虑感知数据的“年龄”（Age of Information）。
- 误区三：SDR平台选择盲目追求高指标——应根据实际应用场景平衡采样率、动态范围和功耗，例如物联网场景更关注低功耗而非超高带宽。
- 设计要点：在CR系统架构中，建议将认知引擎部署在独立处理器（如ARM核）上，与SDR的实时信号处理（FPGA/DSP）分离，避免实时任务阻塞决策计算。
本章从认知循环模型出发，逐步深入到认知引擎的决策机制，再落脚到SDR硬件平台，最后厘清了CR与SDR的层次关系。理解这一体系架构，是后续学习频谱感知算法、动态频谱接入协议和CR组网技术的基础。在实际工程中，架构设计的核心在于平衡“智能性”与“实时性”——认知循环的每个环节都需要在计算复杂度与响应速度之间做出取舍。