认知网络知识点及例题.pdf

认知网络是一种新型的智能网络，它可以通过感知、规划、决策、行动、学习和策略等步骤，达到对网络环境的自适应和对以前决策的评判以及对未来决策判定的学习能力。认知网络的基本概念和特征，以及它所包含的六个组成部分——感知、规划、决策、行动、学习和策略，是其核心知识点。 认知无线电是认知网络中的一个重要组成部分，它具有侦测、适应、学习、机器推理、最优化、多任务以及并发处理/应用的性能。它的提出背景是由于无线通信技术的飞速发展，频谱资源变得越来越紧张，而现有的频谱资源分配方法使得频谱资源的利用率非常低。为了解决这一问题，提出了认知无线电的概念。它的核心思想是使无线通信设备具有发现“频谱空洞”并合理利用的能力，以此来提高频谱利用率。 机器学习是认知网络中的一个重要领域，它的定义是对某类任务T和性能参数P，计算机程序通过经验E不断改善完成任务T的性能参数P。机器学习可以分为监督学习、非监督学习和增强学习三种类型。监督学习是利用训练样本学习一个函数，非监督学习的训练样本仅有输入值没有人为标注的输出，而增强学习是学习优化任务的动作序列。 决策树学习是机器学习中的一种方法，它通过自上而下的方式生成。每个决策或事件都可能引出两个或多个事件，导致不同的结果，这种决策分支画成图形很像一棵树的枝干，因此得名决策树。每个内部节点表示一个属性上的判断，每个分支代表一个判断结果的输出，最后每个叶节点代表一种分类结果。为了避免决策树过拟合，通常会采取预剪枝、后剪枝、留出法等手段。 贝叶斯推理是认知网络中另一种重要的学习与推理方式，其基础知识包括一维高斯变量、贝叶斯公式和平均错误概率。贝叶斯推理的决策过程需要对观测量进行似然比检验，以最小化平均代价。