人工智能在频谱管理中的应用
引言
人工智能（AI）正准备改变频谱管理的格局，为稀缺的频谱资源提供解决方案。英国通信管理局（Ofcom）将最大化频谱效率作为关键优先事项，AI通过频谱共享、预测驱动的决策和自动干扰控制，能显著提升频谱价值。AI系统的培训成本较高，但可通过迁移学习和数据增强技术降低。AI应用的价值随时间增加，高质量数据对提高效率至关重要，需制定策略频繁更新系统以实现最大效益。
英国频谱管理背景与挑战
英国频谱管理面临无线服务需求增加和最大化社会经济价值的挑战。频谱管理需平衡竞争性需求和促进创新接入，涉及政策、技术和利益相关者利益。频谱分配取决于频率分配表，许可证有效期从几天到无限期，有三种许可方法：拍卖、特定项目许可证和共享框架。频谱管理挑战包括：定义高效共享框架、监测和合规性、推动更优连接、共享频谱中的干扰以及解锁数据驱动的公共补贴高效配置。
人工智能技术简介
AI技术包括深度学习（DL）、神经网络（NNs）、生成式AI、深度强化学习（DRL）等。DL擅长从大量数据中提取复杂特征，CNNs用于实时宽带传感，自编码器用于异常检测，Transformer架构用于大型语言模型（LLMs）。AI能自主决策、持续学习和理解未来行为，但需解决信任和验证问题。
当前人工智能在频谱管理中的应用
当前AI应用包括：深度学习用于频谱感知、干扰预测和动态频谱分配；深度强化学习用于动态频谱共享；机器学习用于许可证申请审查和干扰预测。全球试验如印度电信部门的动态频谱共享实验、美国国防部的频谱需求预测等，均采用混合方法结合AI与传统技术。
人工智能提升频谱管理机遇
AI可提升频谱管理的五个主要领域：
- 定义高效的共享框架：AI可优化共享安排，减少干扰，建立信任。
- 监控与合规执行：AI可主动监控频谱使用，自动标记违规行为，优化传感器安装。
- 频谱共享与干扰管理：AI可预测和管理干扰，支持动态频谱共享，提出解决方案。
- 许可申请：LLMs可自动审查申请，提高效率和一致性。
- 合成数据和国际数据洞察：AI可分析国际数据，增强英国数据集，支持政策制定。
人工智能在许可应用中的应用
AI可用于分析应用、评估许可证影响、创建自动化指标、优化传感器安装和预测干扰事件。LLMs可处理申请表格，机器学习模型可预测干扰并提供建议。特征提取方法可开发有意义利用和覆盖度指标，AI可优化传感器位置，主动监控频谱使用。
人工智能在监控与合规方面的应用
AI可自动标记许可证违规行为，优化传感器安装，将监控从被动转向主动。循环神经网络（RNNs）可识别偏离许可证条件的行为，强化学习（RL）可调整监测灵敏度，提高预警信号敏感性。
人工智能在频谱共享和干扰管理中的应用
AI可预测干扰事件，支持频谱共享，最小化实时干扰。机器学习模型可学习输入特征之间的关系，预测干扰水平。LLMs可用于对干扰事件进行分类和推荐解决方案，减轻Ofcom的调查工作量。
人工智能在合成数据和国际数据洞察方面的应用
AI可使用国际代理增强英国数据集，生成合成数据，提升公共资源分配效率。AI可分析国际频谱数据，揭示基础设施与终端用户之间的联系，支持政策制定。
人工智能模拟信号传播
AI可模拟低频波段环境，预测信号传播和衰减，支持频谱共享和许可证分配。模拟模型可预测覆盖区域、识别潜在干扰区域，以降低干扰可能性。
人工智能频率环境的数字孪生
数字孪生可提供对真实世界的真实模拟，用于测试新的共享技术、补贴和许可政策。数字孪生需要将现实世界条件纳入模型，并需接近实时的数据更新。
成本效益分析（CBA）
CBA需计算实施AI技术的预期成本和收益，包括量化成本和时间、评估利益和时机价值。CBA需考虑社会责任或公共利益，使用社会时间偏好率（STPR）折现，并展示各种可能性范围。
AI速度、素养与监管
AI发展迅速，需保持敏捷和适应性。AI监管框架建立在五个原则之上：安全性、稳健性、可解释性、公平性、责任性和可争议性。英国政府正制定负责任AI实践框架，Ofcom需保持合规和安全。
结论
AI在频谱管理中具有巨大潜力，可提升效率、促进创新和优化资源分配。建议采用混合方法，结合AI与传统技术，并重视数据收集和利用。英国应成为AI驱动的频谱管理的先驱，引领频谱管理的现代化。
