认知学习:电磁频谱空间机器学习新范式

阮天宸; 吴启晖; 赵世瑾; 周福辉; 黄洋

摘要

随着无线设备及其应用呈现指数级增长,以及各种无线技术的出现,电磁频谱环境呈现环境多域、态势多维、应用多样、行为多变、信号密集的复杂特性.通过对海量数据进行即时有效的分析和处理,实现有效的频谱资源管控,对于频谱高效利用和电磁致胜显得尤为重要.以机器学习为代表的智能技术方法为电磁频谱数据分析提供了新的发展机遇,目前其已经应用于无线网络、频谱管理、资源管理等场景.然而,将机器学习应用于电磁频谱空间存在许多挑战.因为电磁频谱空间环境任务动态变化、高质量标记样本稀缺、频谱决策对高实时性的需求、知识利用和迁移困难等难点,现有机器学习算法难以很好地适用于电磁频谱空间的智能认知和决策.以干扰识别的研究为例,传统的技术包括信号特征提取和模式识别两个阶段.随着计算机算力的进步,深度学习技术凭借强大的特征表征能力逐渐占据主导地位.然而电磁频谱空间环境和数据往往存在未知、动态变化等不确定性因素,深度学习难以快速学习和适应未观测到的任务,其泛化性较差,且依赖大量高质量标记样本和人工调整超参数进行离线训练.因此,尽管深度学习在大多数研究场景中展现出了传统机器学习难以望其项背的结果,传统的机器学习图像识别模型仍然在某些场景中具备优势.在干扰识别中,若根据环境和任务特征动态地调度传统机器学习算法和深度学习算法及其超参数,则可以避免单一算法的缺陷,使总体性能得到改善.由此可见,提出一个能够自适应动态环境与任务、不断积累新知识、对错误样本数据具有鲁棒性、部分可解释的学习范式,对于从感知智能向认知智能跨越、迈向通用人工智能具有重要的研究意义和实际应用价值.本文从频谱特性出发,提出了电磁频谱空间机器学习新范式:认知学习,试图在“认知”的层面使用机器学习技术.认知学习范式包括离线训练、在线执行、在线结果反馈、离线自学习过程,对应大脑认知机制的执行控制和内省过程.离线训练探索算法结构和超参数与环境和任务的匹配关系,在线时能够有效地根据实际环境执行快速决策,选择合适的算法和超参数并输出学习结果,同时利用学习结果的反馈传递进行离线自学习的自我优化,形成离线-在线-离线的结构.具体来说,认知特征提取模块建立环境和任务特征与算法类型和超参数之间的匹配关系,从而得到合适的算法类型和超参数;记忆模块调用具体算法和超参数值,进行算法的重构;学习网络模块根据数据执行所选择的算法,输出在线学习结果;认知评估模块对在线学习结果进行内省,调整记忆中的频谱数据库与认知案例库,更新最合适的算法和超参数.在离线阶段,根据当前的学习结果判断是否将其作为新的认知案例存储至记忆空间;认知控制模块重新训练算法和超参数的选择,从而不断优化算法和超参数选择性能.此外,本文揭示了认知学习中的动态匹配定理和最优匹配定理,并根据没有免费午餐定理的思路完成了定理证明.动态匹配定理论证了最优算法和超参数的存在性与动态性,即对于任意环境和任务,总存在一组性能最优的算法和超参数.不同的环境与任务对应不同的最佳算法和超参数,并且本文提出的框架可以为动态环境和任务选择出这组算法和超参数.本文还揭示了最优匹配定理,即当算法和超参数选择的知识增加时,候选的算法类型和超参数搜索空间减小,能够选择到最合适的算法类型和超参数的概率提升.本文设计了一种面向干扰识别的认知学习方案.通过认知特征提取,基于差异性的任务需求和信号模态,对不同问题采取不同算法和超参数产生测试结果,生成认知案例库.将大量认知案例作为训练样本训练算法和超参数选择的神经网络.对于神经网络结构,采用了径向基函数神经网络,其优势是隐藏单元的数量不需要手动设置.当各种问题特征的训练样本数量增加时,隐藏层的大小可以根据近似线性相关准则自动扩展,缓解了神经网络中灾难性遗忘的问题.本文进行了不同数据集和不同识别要求情况下的干扰识别仿真.仿真结果表明,所提框架能适应动态变化的环境和任务、能通过自学习提升性能、能缓解错误标记样本的影响,对电磁频谱空间机器学习的发展具有启发式意义.认知学习的发展仍有进步空间,未来需要从多模态计算、知识的可解释性、大规模任务、学习架构的可扩展性等方向寻求突破.

认知学习:电磁频谱空间机器学习新范式

摘要

著录项

相似文献

相关主题

期刊订阅