隨著無線電技術的迅速發展，有限的頻率資源已無法滿足日益增長的用頻需求。為提高頻率資源的利用效率，頻率資源綜合管理得到了廣泛關注。在傳統的靜態管理向動態管理發展的過程中，認知無線電、TDOA定位等新技術得到了飛速發展。然而，目前最為前沿的人工智能技術將更高效地完成數據到決策的轉換，更智能地完成綜合性任務。

認知無線電

解決頻譜利用率問題

動態頻譜共享是認知無線網絡研究中的重要課題，旨在提高無線頻譜利用率。

目前無線網絡普遍采用固定頻譜分配方式，幾乎所有的無線終端都工作在一些頻譜管理機構（如國際電信聯盟、各國頻譜管理機構）分配好的頻譜之下。研究表明，在該方式下，大部分已經分配好的頻譜很多時候在很多地區沒有被充分使用，其利用率在15％～85％不等。動態頻譜共享是認知無線網絡研究中的一個重要課題，旨在提高無線頻譜資源的利用效率。在機會的驅動下，認知無線電允許無線終端自動感知、識別并利用任何空閑的頻譜資源。一旦在使用的頻譜段上的授權用戶出現，無線終端將主動地讓出相應的頻譜，并切換到另一段可使用的頻譜上。

為解決頻譜動態利用率問題，認知無線電技術近些年發展迅猛。認知無線電的研究主要有：美國國防高級研究計劃署（DARPA）資助的下一代無線通信（xG）項目，美國Rutgers大學winlab實驗室正在做的一個有關認知無線技術的國家自然科學基金項目，英國的移動電信技術虛擬中心的自適應射頻技術研究，歐洲通信協會資助的DRIVE、OverDRiVE和TRUST，國家“863”計劃認知無線電系統中的合作及跨層設計技術、空間信號檢測和分析及QoS保證機制等。

認知無線電是可以根據環境變化改變傳送端參數的無線電技術。它可以在沒有用戶使用授權頻段的時候使用這個頻段，極大地提高了頻譜利用率，彌補了固定頻譜分配的缺陷，是下一代網絡的關鍵技術。從技術角度上說，認知無線電可以根據環境變化改變傳送端參數。它用于自適應頻譜管理及子系統的研發——智能天線、傳感器和接收機、自適應調制和波形技術等，是下一代網絡動態使用頻譜的關鍵。認知無線電可以在沒有用戶使用授權頻段的時候使用這個頻段，極大地提高了頻譜利用率，彌補了固定頻譜分配的缺陷。

認知無線電主要具備兩大能力。一個是認知能力。認知能力就是從環境中獲取感知信息的能力。用復雜的技術獲得環境瞬時的空間變量并避免對其他用戶的干擾。另一個是重置能力。認知能力感知頻譜，而重置能力則使無線電可以動態地配置硬件參數，使其可以在不同的頻率上發送和接收，還可以使用由硬件設備支持的不同傳送接入。因此，認知無線電在動態頻譜管理中能實現多種功能。首先是頻譜感知，判斷哪些頻譜是可用的，并探測當用戶工作在一個已授權的頻段上時是否存在授權用戶。其次是頻譜管理，選擇最優的可用信道使用。再次是頻譜共享，調整與其他用戶的信道接入，為用戶提供適當的頻譜安排方法。最后是頻譜移動，在檢測到授權用戶時空信道后，遷移到其他的頻段上。

認知無線電技術存在的不足之處是大幅增加了系統的復雜度，通信質量無法完全保證。因此，國際上提出一種新的體制，即動態授權管理體制。也就是說允許廣電等公司將空閑的頻譜出租給熱點地區用戶使用。現在國際上研究前沿的主要代表為歐盟的LSA和美國的SuperWiFi。雖然認知無線電從無線電用戶角度部分解決了某一頻段的動態頻譜管理問題，但是對于無線電管理機構對全頻譜的動態管理仍然缺少有效的解決方案。在無線電頻譜管理的技術分析過程中，經常要對重點信號以及異常信號進行識別。在頻段中信號類別多、發射臺站多的情況下，多個信號將重疊在同頻段，給頻譜管理帶來巨大挑戰。認知無線電技術中的頻譜感知能快速識別空閑頻譜，建立空閑頻譜池，但是對于不斷變化的無線電頻譜情況無法解決頻譜動態分配問題。頻譜動態管理需要解決的不僅是動態感知頻譜環境，還要緊密結合自主決策來實現動態管理。人工智能的興起或許為動態頻譜管理帶來發展契機。

人工智能商業化

取得高速發展

隨著技術發展，人工智能已經在電子商務、金融以及醫療等方面得到了應用。

人工智能一詞最早由認知科學家約翰·麥卡錫在研究中提出，他對人工智能的解釋是這項研究的一種推測，即任何學習行為或其他智力特征原則上能被精確描述，從而可以制造出一臺機器來模擬它。隨著技術發展，人工智能已經在電子商務、金融以及醫療等方面得到了應用。同時，機器學習和深度學習也經常與人工智能一并被提及。機器學習是人工智能的一種途徑或子集，它強調學習而不是計算機程序。一臺機器使用復雜的算法來分析大量數據，識別數據中的模式，并做出預測。深度學習是機器學習的一個子集，它用大量的數據和計算能力來模擬深度神經網絡。這三個概念緊密聯系，但又各有側重。

人工智能在1956年達特茅斯會議上被正式提出來，2006年進入高速發展期。隨著深度學習算法在語音和圖像識別上取得的突破，人工智能商業化取得高速發展。2016年，AlphaGo戰勝李世石，人工智能受到世界空前的關注。人工智能產品與服務不斷推出，如亞馬遜Echo智能音箱、Facebook利用人工智能提升用戶體驗，都得到了市場的廣泛認可，BAT也在積極推進人工智能項目。

在政策助力方面，政府大力扶持人工智能產業，今年7月發布的《新一代人工智能發展規劃》中提出，到2020年，我國人工智能總體技術和應用與世界先進水平同步；到2025年，我國人工智能基礎理論實現重大突破，部分技術與應用達到世界領先水平；到2030年，我國人工智能理論、技術與應用總體將達到世界領先水平，成為世界主要人工智能創新中心。

2017年6月7日至9日在日內瓦舉行的“人工智能造福人類全球峰會”旨在加速人工智能（AI）解決方案的發展和大眾化，以應對貧困、饑餓、健康、教育、平等和環境保護等全球性挑戰。作為聯合國負責信息通信技術的專門機構，國際電聯旨在引導人工智能不斷實現創新，以最終實現聯合國可持續發展的目標，國際電聯秘書長趙厚麟指出：“我們正在為國際對話提供一個中立的平臺，以便達成對新興人工智能技術能力的共識。”

“在我們組織的許多公共競賽中，可以看到各個團隊利用人工智能作為眾多領域的基礎工具，從為無法獲得正規教育的坦桑尼亞兒童創造個性化學習體驗，到賦能消費者通過醫用三錄儀器設備做出醫療方面的決定，再到引導先進、自主的機器人車輛探索深海或在月球表面尋找路徑。”X獎基金會（XPRIZE）首席執行官（CEO）MarcusShingles說，“我們認識到，隨著人工智能的加速推進和大眾化，新一代問題解決者在應對全球挑戰時面臨極大的機遇。”這次活動是關于人工智能年度大會系列活動的第一次會議，有來自政府、行業、聯合國機構、民間團體和人工智能研究界的各方代表參加，探討人工智能的最新發展及其對監管、道德以及安全與隱私等問題的影響。

人工智能開啟

頻譜管理新模式

為了解決電磁頻譜資源緊缺的問題，人工智能將著眼于智能化決策。

頻譜研究專家吳啟輝教授在“2017全球未來網絡發展峰會”上發言談到，傳統的頻譜決策是一種人工方式，主要是情景比較簡單，可能不需要決策，甚至只要預測一下就行了。但是現在頻譜作戰是在一個復雜的電磁頻譜環境下進行的，復雜性主要體現在多樣性、密集型、大規模、高動態和高對抗。我們研究智能頻譜決策或自主頻譜決策，從作戰角度來說，主要解決戰前快速規劃、戰時自我協同和與敵方對抗。主要利用人機混合的智能決策方法進行預先決策和臨時決策。

在移動互聯網、物聯網、天地一體化信息網絡的驅動下，未來無線網絡會向速率更高、接入更多、覆蓋更廣的方向發展，對頻譜資源提出更多的挑戰。為了應對這三大挑戰，我們需要在頻譜方面展開三方面變革，這三方面的變革也體現了互聯網＋、人工智能＋，以及頻譜轉型。

為了解決電磁頻譜資源緊缺的問題，推動頻譜資源從靜態獨占向動態共享轉變，人工智能將著眼于智能化決策，促進從孤立監測向網格化監測和分析轉變，同時在復雜電磁環境中由人工決策向自主決策轉變。無線電頻譜機器學習系統是人工智能在無線電頻率管理方面的技術應用。

美國國防高級研究計劃署（DARPA）資助的無線電頻譜機器學習系統由四大技術組成部分：

1．特征學習：從信號數據中識別信號并按用戶設置進行歸類。

2．智能監測：從實時采集的海量數據中智能關注到頻譜中的重點頻段或者頻點。根據用戶設置的規則預測并調整到相應的重點監測頻段或頻點。

3．自動感知識別：根據用戶任務需要自動調整監測設置。

4．信號合成：根據用戶需要數字化合成信號并能夠改善合成信號質量。

在無線電頻譜管理的技術分析過程中，經常要對重點信號以及異常信號進行識別，這通常依靠監測設施和工程師的經驗，一旦遇到黑廣播、偽基站等突發情況，往往需要投入大量人力花時間巡查定位。此外，為提高頻率使用效率，管理部門希望提高頻段共享技術，預測到頻段的使用情況，以便在不引起干擾的前提下進行頻率復用。

誠然，人工智能在無線電管理方面的應用也面臨許多挑戰。例如，人工智能在動態頻譜管理方面的應用基礎是大數據。所需要的數據不僅量大而且紛繁復雜。無線電監測數據、頻率數據、臺站數據各有側重但又密不可分。另一方面，深度學習若達到自主決策還需要一套嚴密的研判規則，需要對頻譜進行可量化的評估。《國家無線電管理規劃（2016—2020）》指出：“十三五”期間，首要任務是創新頻譜管理，建立科學合理的頻譜使用評估和頻率回收機制，形成行政審批和市場化配置管理體系。因此，我們一方面夯實基礎，另一方面也要緊跟前瞻性技術發展趨勢，利用人工智能技術服務頻譜動態管理，服務新形勢下的無線電管理。