基于案例推理CBR(Case-Based Reasoning)借鉴人类处理问题的方式，运用以前积累的知识和经验直接解决问题。由于CBR具备自主学习功能，不要求决策主体掌握丰富领域知识或精确的数学模型，仅仅通过简单的案例记忆就能实现出色的增量学习和自我提升，因而引起相关专家和学者的关注，逐渐成为人工智能领域的一个研究热点。
认知无线电技术作为无线通信领域与人工智能领域相结合的产物[1]，近年来受到极大关注。认知决策引擎是认知无线电CR(Cognitive Radio)实现其智能的核心功能模块，决策引擎以CR观察到的外界无线环境、CR自身状态和用户需求信息为输入，对目标和情境进行分析，根据已有知识进行推理、决策，输出达到用户需求的优化配置，同时能够学习不同配置在新环境下的效用，从而丰富系统知识，以适应环境和需求的变化[2]。
　当认知无线电可以通过观察获得需要的所有环境知识(表示为c)，且用户需求u与环境c和配置d之间的定量关系u=f(c,d)已知时，将认知决策的过程建模为一个优化问题[3],即在给定的环境c下，寻找最优配置决策d，使性能u最大(或寻找某个配置决策d，使性能u得到满足)的情况。参考文献[4]使用遗传算法对CR中多目标优化问题进行了研究，参考文献[5]将粒子群优化算法应用在认知引擎的决策问题中，参考文献[6]考虑遗传算法中参数敏感度对不同目标的影响，进一步提升了优化效率。然而，在实际应用中，CR可直接观测得到的环境参数有限(比如信道统计特性等无法直接观测得到)，且系统可能面临各种不同的传播环境、动态接入不同频段的信道，输入c和u与输出d的关系很复杂，函数f无法事先确知。此时，认知无线电需要通过不断地学习来理解并适应环境。目前，针对环境部分可观测、精确函数f未知下的认知决策系统研究才刚起步，参考文献[3]简单举例说明了学习在解决这类问题当中的关键作用，但尚未有相关系统的研究成果出现。
　本文针对这类问题，研究基于案例的推理决策问题，提出基于案例库的认知决策引擎。文中所提决策框架具有自学习、多状态多目标通用性强、快速收敛等特点。
1 CBR简介
　基于案例的推理模仿人类的思维方式，直接援引以前积累的经验和知识解决现在的问题，同时将当前问题及解决结果补充为新知识，从而实现自主学习和增量学习。
　通常，CBR系统的运作过程可以概括为“4Rs”(如图1所示)：

　(1)检索（Retrieve）：分析当前面临的新问题，定义新问题的特征或属性，在案例库中寻找对解决当前问题有最大潜在启发价值的旧案例；
　(2)重用（Reuse）：以相似案例为基础，通过自适应的调整，构造新问题的解决策略；
　(3)修订（Revise）：执行并验证当前策略；
　(4)存储（Retain）：将有参考价值的经验案例存储到案例库中。
其中，检索和重用属于推理阶段，修订和存储属于学习阶段，学习的过程将以往的决策经验以案例的形式进行积累，使系统知识不断丰富，以提高未来推理的效能，从而在面对新问题时能够做出更好的决策。
2 基于CBR与模拟退火的自学习认知决策算法
　认知引擎的输入变量包括用户的目标需求、观测到的无线环境变量以及CR自身状态，三者共同影响认知引擎的配置决策。为了使CR通信案例库具有广泛的可借鉴性，为不同目标、不同状态的CR决策提供参考，构建如表1所示案例库。其中条件属性包括观测的无线环境特征和自身状态(如当前信道是否空闲、最大发射功率、可选的调制编码方式等)，用于描述问题发生的场景或情境。决策属性为CR所作的一些反应，包括信道、发射功率、调制方式、编码方式、数据包长等配置参数。结果为在不同条件属性下，相应配置所带来的不同目标的实际性能，如误比特率、吞吐量、频谱效率、存活时间等。

出，算法具有快速收敛性(决策100次左右,算法已经能够获取可观的性能），且退火系数越小，温度下降越快，收敛也越快，但过快收敛的代价是性能次优；而反之，过大的退火系数能够带来更优的吞吐量，然而收敛速度相对较慢。在接下来的仿真中，取λ=0.5。
为验证本算法对于不同通信目标的广泛通用性，考虑两种典型通信目标。目标1：最大化系统吞吐量；目标2：在保证系统吞吐量大于4 Mb/s前提下，最大化频谱能效。仿真结果如图3所示。对于通信目标1，随着案例经验的累积，其学到的知识也日益丰富，因而系统吞吐量性能越来越好(如图3左上所示)，但其频谱效能并未得到提高(图3左下)。对于通信目标2，在配置决策满足吞吐量的目标要求下(图3右上)，系统的频谱效能随着决策的进行逐渐提高(图3右下)。仿真结果表明本算法可以满足不同的目标需求。

图4为功率参数调整曲线。如图，当通信目标为最大化用户吞吐量时，尽管系统不知道功率越大则吞吐量越大的这种先验知识，但是通过不断学习，系统不断调整其发射功率，使其逼近于最大发射功率23 dBm。另一方面，对于最大化频谱能效的用户而言，功率将被调整到一个适合的大小。

　 图5和图6分别统计了两种目标下，不同信道和不同调制方式被应用的概率。针对通信目标1，CR首选信道5并采用16QAM的调制方式(5信道带宽大且传播损耗相对较小)，而针对目标2，CR首选信道传播损耗最小的信道6，并应用调制阶数最高的64QAM调制方式。

本文针对认知无线电中环境部分可观测，信道统计信息先验未知，且系统的目标、环境与配置间的关系不明确，需要通过学习进行配置决策的问题，提出了一种基于案例推理和模拟退火思想的认知决策引擎算法，理论分析和仿真结果表明，该算法具有增量自学习、多目标适用性、快速收敛等优点。案例库有广泛借鉴性，可实现在不同节点间相互学习的功能，下一步可研究关于多节点合作的学习引擎的实现方法，如何应用数据挖掘的方法从案例库中提取出有用知识的问题也有待进一步研究。
参考文献
[1] MITOLA J. Cognitive radio-making software radios more personal[J]. IEEE Personal Communications, 1999,6(4):13-18.
[2] 汪李峰,魏胜群.认知引擎技术[J].中兴通信技术,2009,15(04):05-09.
[3] CLANCY C,HECKER J,et al.Application of machine learning to cognitive radio networks[J].IEEE Wireless Communications, 2007,14(4)：47-52.
[4] RIESER C J. Biologically inspired cognitive radio engine model utilizing distributed genetic algorithms for secure and robust wireless communications and networking[D]. Blacksburg,VA,USA:Virginia Polytechnic Institute and State University, 2004.
[5] 赵知劲，徐世宇，郑仕链,等.基于二进制粒子群算法的认知无线电决策引擎[J].物理学报， 2009，58(7)：5118-5125.
[6] NEWMAN T R, EVANS J B. Parameter sensitivity in cognitive radio adaptation engines[C]. New Frontiers in Dynamic Spectrum Access Networks, DySPAN 2008, 3st IEEE International Symposium on, Chicago, IL(2008-01-05.