人工智能在频谱管理中的应用
引言
人工智能（AI）正成为频谱管理的关键技术，为解决频谱资源稀缺问题提供解决方案。英国通讯管理局（Ofcom）将频谱高效利用作为优先事项，AI通过频谱共享、预测决策和自动化干扰控制，显著提升频谱价值。AI系统培训成本高，但可通过迁移学习和数据增强技术降低。高质量数据对AI应用至关重要，需制定策略频繁更新频率分配、许可和合规数据。
当前频谱管理：背景与挑战
英国频谱管理由科学与创新技术部（DSIT）和Ofcom负责，面临无线服务需求增长和最大化频谱社会经济价值的挑战。频谱管理涉及政策、技术和利益相关方利益的平衡。Ofcom负责民用无线电频谱授权和使用规则，公共部门频谱由相关政府部门管理，约52%的英国频谱由公共部门使用。频谱管理政策目标包括获取适当频谱、改善无线连接、增加频谱使用灵活性、提高频谱使用效率，并促进创新与投资。
频谱管理挑战
Ofcom面临五个关键挑战：
- 许可证和合规性监控：当前流程被动，效率低下，需改进。
- 共享频谱中的干扰：过度保守的干扰管理导致频谱资源未被充分利用。
- 定义有效的共享框架：需平衡竞争性需求和促进创新接入。
- 解锁公共补贴的有效配置：数据缺口限制对频谱决策的影响。
- 英国和国际数据最佳实践：需利用国际数据为英国频谱管理提供信息。
人工智能增强频谱管理的机会
AI在频谱管理中的应用领域包括：
- 覆盖范围和信号传播建模：提升频谱利用率。
- 共享技术的测试：推动创新应用。
- 数字孪生：改进政策决策和技术采用。
- 实验性设计方法：用于许可证违规检测。
- 传感器布局的自动化设计：应对干扰和覆盖目标。
- 异常检测方法：用于自动标记可疑活动。
具有前景的人工智能技术在频谱管理中的应用
人工智能技术简介
- 深度学习（DL）：从大型数据集中提取复杂特征，用于频谱感知、理论模型和识别雷达。
- 卷积神经网络（CNNs）：用于实时宽带传感和识别信号。
- 自编码器：用于识别频谱使用中的异常。
- 生成式人工智能：生成新的、相似的数据样本，用于频谱感知和模拟。
- 深度强化学习（DRL）：学习最大化性能和最小化干扰的优化策略。
当前AI在频谱管理中的应用
- 深度学习：用于频谱感知、理论模型、识别雷达、网络流量预测、动态频谱分配等。
- 混合方法：结合AI与传统方法，弥补数据局限性。
- 全球试验和研究：印度电信部、英国国防部、MITRE等组织的AI应用案例。
人工智能技术的优势
- 自主性：AI可自动执行任务，减少人工干预。
- 持续学习：AI模型对环境变化更鲁棒。
- 信任与验证：通过可解释AI、实时验证和人机协同建立信任。
人工智能在频谱管理方面的机遇
用于许可应用的AI
- 大型语言模型（LLMs）：用于自动许可证申请审查，提升效率。
- 机器学习（ML）：预测和优化干扰，实现最大覆盖。
- 特征提取方法：开发面向AI驱动建模的有效利用与覆盖率指标。
用于监控和合规的AI
- 主动监控：AI自动检测并标记可疑行为，将监控从被动式转变为主动式。
- 传感器布局优化：AI基于数据缺失区域，通过贝叶斯实验设计（BED）最佳安装传感器。
用于频谱共享和干扰管理的AI
- 预测干扰：AI预测和管理服务间干扰，优化防护区域。
- 自动化频谱共享：AI嵌入系统，预测总干扰，实现频谱共享。
用于合成数据和国际数据洞察的AI
- 合成数据生成：通过GANs和VAEs生成高质量合成数据集，解决数据稀缺问题。
- 国际数据洞察：AI分析国际数据，为英国频谱管理提供信息。
射频环境的数字孪生
- 模拟：通过模拟环境测试新技术，降低风险。
- 数字孪生：创建全面覆盖的数字孪生模型，实现频谱管理全面测试。
建议摘要表
- AI用于频谱许可：提升许可证效率和一致性，短期实施。
- AI用于监控和合规：引入主动监控和优化传感器安装，短期实施。
- AI用于频谱共享和干扰管理：预测干扰事件，中期实施。
- AI用于模拟信号传播：模拟低频段环境，短期实施。
- AI用于频谱共享中的干扰：测试新的共享技术，中期实施。
成本效益分析（CBA）
- 目标：计算Ofcom和英国政府实施AI技术的预期成本和收益。
- 方法：量化成本和时间，评估收益和时间价值，确定高级时间范围。
- 挑战：收益分配财务价值，选择合理的反事实场景，考虑概率和风险态度。
人工智能的进展、素养和监管
- 技能和知识：提升用户对AI的认知，赋予有效和安全使用工具的技能。
- 监管框架：英国政府制定负责任AI实践框架，基于五个关键原则。
- 治理考量：AI偏见、可解释性、公平性、问责制和可竞争性。
结论
AI在频谱管理中具有巨大潜力，可应对英国频谱管理的挑战。建议涵盖许可证申请、监测和合规自动化、频谱共享和干扰管理、数据扩展、仿真和数字孪生。英国需保持敏捷性和适应性，确保AI应用符合监管框架，引领频谱管理的现代化进程。
