CN112257592A - 一种基于人工智能的信号识别自学习方法 - Google Patents
一种基于人工智能的信号识别自学习方法 Download PDFInfo
- Publication number
- CN112257592A CN112257592A CN202011138962.5A CN202011138962A CN112257592A CN 112257592 A CN112257592 A CN 112257592A CN 202011138962 A CN202011138962 A CN 202011138962A CN 112257592 A CN112257592 A CN 112257592A
- Authority
- CN
- China
- Prior art keywords
- signal
- result
- identification
- machine learning
- type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 238000010801 machine learning Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000002372 labelling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于人工智能的信号识别自学习方法，包括：采集目标信号数据；将目标信号数据划分为多段未标记信号数据，存入未标记信号数据库；将未标记信号数据，分别进行机器学习识别、专家决策判决和手动标注，生成机器学习识别结果、专家决策判决结果和手动标注信号类型结果；进行网络权重综合判决；判断置信度识别结果是否大于等于预设值，如果是则将未标记信号数据和置信度识别结果，存入已标记信号库；将已标记信号类型与专家决策系统可识别信号类型集合作比较；提取对应的特征参数，创建该类型判决网络；已标记信号类型与机器学习单元可识别信号类型集合作比较；将与类型标记送入机器学习训练单元进行训练。
Description
技术领域
本发明涉及无线电监测技术领域，特别涉及一种基于人工智能的信号识别自学习方法。
背景技术
随着无线电技术的发展，针对信号的特征检测和识别已经大量应用于无线电信号情报、航空测控和电子对抗等领域。在无线电频谱资源监测方向，近年来无线设备类型快速增长，通信制式越来越复杂，对无线电监测的精细化、智能化提升提出了更高的要求，对无线信号类型的智能识别也成为必须。
信号类型识别有很多方法，如统计特征参数分类识别、基于变换的特征提取、高阶累积量、模糊类型识别、基于神经网络和机器学习的识别等等，这些方法仅是为了解决信号识别的某一个或某一类的问题，并未形成可实际应用的综合性信号识别系统。
发明内容
本发明的目的旨在至少解决所述技术缺陷之一。
为此，本发明的目的在于提出一种基于人工智能的信号识别自学习方法。
为了实现上述目的，本发明的实施例提供一种基于人工智能的信号识别自学习方法，包括如下步骤：
步骤S1，采集目标信号数据；
步骤S2，将所述目标信号数据划分为多段未标记信号数据，记为Si[n]，存入未标记信号数据库；
步骤S3，将所述未标记信号数据Si[n]，分别进行机器学习识别、专家决策判决和手动标注，生成机器学习识别结果、专家决策判决结果和手动标注信号类型结果；
步骤S4，对所述机器学习识别结果、专家决策判决结果和手动标注信号类型结果进行网络权重综合判决，判断上述机器学习识别结果、专家决策判决结果和手动标注信号类型结果的置信度，输出置信度识别结果C0[t0、ρ0]；
步骤S5，判断所述置信度识别结果是否大于等于预设值，如果是则将未标记信号数据Si[n]和置信度识别结果，存入已标记信号库；如果所述置信度识别结果小于预设值，则提示手动标注；
步骤S6，将已标记信号类型t0与专家决策系统可识别信号类型集合Sz作比较，如果
则执行步骤S7；如果t0∈Sz，则执行步骤S8；
步骤S7，将Si[n]与类型标记C0送入专家决策系统，提取对应的特征参数，创建该类型判决网络，并使用专家决策系统判断Si[n]信号类型结果C2[t2、ρ2]，如果ρ2小于预设值，则重复本步骤；如果ρ2大于等于预设值，则执行步骤S8；
步骤S8，已标记信号类型t0与机器学习单元可识别信号类型集合Sm作比较，如果
则执行步骤S9；如果t0∈Sm,则执行步骤S10；
步骤S9,将Si[n]与类型标记C0送入机器学习训练单元进行训练，并使用识别单元输出判别结果C1[t1、ρ1]；如果ρ1小于预设值，则重复本步骤；如果ρ1大于等于预设值，则执行步骤S10；
步骤S10,完成本次Si[n]信号类型的识别过程，从未标记信号数据库中删除Si[n]；
步骤S11，Si+1[n]进入信号识别网络，重复以上步骤S3至步骤S11，直至完成目标信号识别。
进一步，在所述步骤S4中，对所述机器学习识别结果C1[t1、ρ1]、专家决策判决结果C2[t2、ρ2]和手动标注信号类型结果C3[t3、ρ3]进行网络权重综合判决，判断C1,C2,C3结果的置信度，输出识别结果C0[t0、ρ0]，其中t1、t2、t3表示信号类型，ρ1、ρ2、ρ3表示判断结果的置信度；
若ρ1>ρ2,ρ1>ρ3，则C0＝C1，
若ρ2>ρ1,ρ2>ρ3，则C0＝C2
若ρ3>ρ1,ρ3>ρ2，则C0＝C3。
进一步，通过构建综合判决网络，综合机器学习识别、专家决策判决以及手动标注的方式，实现信号数据训练与识别过程有机结合，持续增加信号识别种类，并提高信号识别准确度。
根据本发明实施例的基于人工智能的信号识别自学习方法，是在机器学习、专家决策网络以及人工识别等技术和方法的基础上，构建具有自学习能力的信号识别智能系统，该系统采用模块化设计，可以根据实际需求增添识别识别算法，提高信号识别准确度。同时采用自主反馈设计，持续优化识别算法，增加系统识别信号的种类。
本发明实施例的基于人工智能的信号识别自学习方法，具体以下特点：
1、构建综合性信号识别网络，通过机器学习、专家决策以及人工识别三种方式综合提高信号识别的准确度；
2、设计自反馈训练网络，动态增加机器学习和专家决策网络的信号识别类型，并提高其识别准确度；
3、专家决策网络采用可扩展逻辑架构，可根据识别结果比对自主扩展信号类型，优化识别精度。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的基于人工智能的信号识别自学习方法的流程图；
图2为根据本发明实施例的基于人工智能的信号识别自学习方法的示意图。
具体实施方式
下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
本发明提供一种基于人工智能的信号识别自学习方法，可以在机器学习、专家决策系统以及人工识别等技术和方法的基础上，构建具有自学习能力的信号识别智能系统，系统包括信号数据库、综合识别网络、自主反馈训练模块等部分。本发明具有广泛适用性，能够用在任何需要信号类型识别的场景。
如图1和图2所示，本发明实施例的基于人工智能的信号识别自学习方法，包括如下步骤：
步骤S1，采集目标信号数据。
步骤S2，将目标信号数据划分为多段未标记信号数据，记为Si[n]，存入未标记信号数据库。
步骤S3，将未标记信号数据Si[n]，分别进行机器学习识别、专家决策判决和手动标注，生成机器学习识别结果、专家决策判决结果和手动标注信号类型结果。
具体的，将Si[n]送入机器学习识别单元，通过多层卷积神经网络对所属信号类型进行识别，输出信号识别结果C1[t1、ρ1],其中t1表示信号类型，ρ1表示判断结果的置信度。
将Si[n]送入专家决策系统，经过信号特征提取、决策判决等过程，输出信号识别结果C2[t2、ρ2]。
将Si[n]送入手动标注单元，人工标注信号类型结果C3[t3、ρ3]。
步骤S4，对机器学习识别结果、专家决策判决结果和手动标注信号类型结果进行网络权重综合判决，判断上述机器学习识别结果、专家决策判决结果和手动标注信号类型结果的置信度，输出置信度识别结果C0[t0、ρ0]。
在步骤S4中，对机器学习识别结果C1[t1、ρ1]、专家决策判决结果C2[t2、ρ2]和手动标注信号类型结果C3[t3、ρ3]进行网络权重综合判决，判断C1,C2,C3结果的置信度，输出识别结果C0[t0、ρ0]，其中t1、t2、t3表示信号类型，ρ1、ρ2、ρ3表示判断结果的置信度。
若ρ1>ρ2,ρ1>ρ3，则C0＝C1，
若ρ2>ρ1,ρ2>ρ3，则C0＝C2
若ρ3>ρ1,ρ3>ρ2，则C0＝C3。
步骤S5，判断置信度识别结果是否大于等于预设值，如果是则将未标记信号数据Si[n]和置信度识别结果，存入已标记信号库；如果置信度识别结果小于预设值，则提示手动标注。在本发明的实施例中，预设值为0.9。
具体的，本步骤中，判断识别结果C0的置信度ρ0。若ρ0<0.9，则提示手动标注信号类型，Si[n]重新进入未标记信号数据库若ρ0≥0.9，则C0及Si[n]进入已标记信号库，同时执行步骤S6。
步骤S6，将已标记信号类型t0与专家决策系统可识别信号类型集合Sz作比较，如果
则执行步骤S7；如果t0∈Sz，则执行步骤S8。
步骤S7，将Si[n]与类型标记C0送入专家决策系统，提取对应的特征参数，创建该类型判决网络，并使用专家决策系统判断Si[n]信号类型结果C2[t2、ρ2]，如果ρ2小于预设值，则重复本步骤；如果ρ2大于等于预设值，则执行步骤S8。
在本发明的实施例中，预设值为0.9。
步骤S8，已标记信号类型t0与机器学习单元可识别信号类型集合Sm作比较，如果
则执行步骤S9；如果t0∈Sm,则执行步骤S10。
步骤S9,将Si[n]与类型标记C0送入机器学习训练单元进行训练，并使用识别单元输出判别结果C1[t1、ρ1]；如果ρ1小于预设值，则重复本步骤；如果ρ1大于等于预设值，则执行步骤S10。
在本发明的实施例中，预设值为0.9。
步骤S10,完成本次Si[n]信号类型的识别过程，从未标记信号数据库中删除Si[n]。
步骤S11，Si+1[n]进入信号识别网络，重复以上步骤S3至步骤S11，直至完成目标信号识别。
本发明通过构建综合判决网络，综合机器学习识别、专家决策判决以及手动标注的方式，实现信号数据训练与识别过程有机结合，持续增加信号识别种类，并提高信号识别准确度。
根据本发明实施例的基于人工智能的信号识别自学习方法，是在机器学习、专家决策网络以及人工识别等技术和方法的基础上，构建具有自学习能力的信号识别智能系统，该系统采用模块化设计，可以根据实际需求增添识别识别算法，提高信号识别准确度。同时采用自主反馈设计，持续优化识别算法，增加系统识别信号的种类。
本发明实施例的基于人工智能的信号识别自学习方法，具体以下特点：
1、构建综合性信号识别网络，通过机器学习、专家决策以及人工识别三种方式综合提高信号识别的准确度；
2、设计自反馈训练网络，动态增加机器学习和专家决策网络的信号识别类型，并提高其识别准确度；
3、专家决策网络采用可扩展逻辑架构，可根据识别结果比对自主扩展信号类型，优化识别精度。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围由所附权利要求及其等同限定。
Claims (3)
1.一种基于人工智能的信号识别自学习方法，其特征在于，包括如下步骤：
步骤S1，采集目标信号数据；
步骤S2，将所述目标信号数据划分为多段未标记信号数据，记为Si[n]，存入未标记信号数据库；
步骤S3，将所述未标记信号数据Si[n]，分别进行机器学习识别、专家决策判决和手动标注，生成机器学习识别结果、专家决策判决结果和手动标注信号类型结果；
步骤S4，对所述机器学习识别结果、专家决策判决结果和手动标注信号类型结果进行网络权重综合判决，判断上述机器学习识别结果、专家决策判决结果和手动标注信号类型结果的置信度，输出置信度识别结果C0[t0、ρ0]；
步骤S5，判断所述置信度识别结果是否大于等于预设值，如果是则将未标记信号数据Si[n]和置信度识别结果，存入已标记信号库；如果所述置信度识别结果小于预设值，则提示手动标注；
步骤S6，将已标记信号类型t0与专家决策系统可识别信号类型集合Sz作比较，如果
则执行步骤S7；如果t0∈Sz，则执行步骤S8；
步骤S7，将Si[n]与类型标记C0送入专家决策系统，提取对应的特征参数，创建该类型判决网络，并使用专家决策系统判断Si[n]信号类型结果C2[t2、ρ2]，如果ρ2小于预设值，则重复本步骤；如果ρ2大于等于预设值，则执行步骤S8；
步骤S8，将已标记信号类型t0与机器学习单元可识别信号类型集合Sm作比较，如果
则执行步骤S9；如果t0∈Sm,则执行步骤S10；
步骤S9,将Si[n]与类型标记C0送入机器学习训练单元进行训练，并使用识别单元输出判别结果C1[t1、ρ1]；如果ρ1小于预设值，则重复本步骤；如果ρ1大于等于预设值，则执行步骤S10；
步骤S10,完成本次Si[n]信号类型的识别过程，从未标记信号数据库中删除Si[n]；
步骤S11，Si+1[n]进入信号识别网络，重复以上步骤S3至步骤S11，直至完成目标信号识别。
2.如权利要求1所述的基于人工智能的信号识别自学习方法，其特征在于，在所述步骤S4中，对所述机器学习识别结果C1[t1、ρ1]、专家决策判决结果C2[t2、ρ2]和手动标注信号类型结果C3[t3、ρ3]进行网络权重综合判决，判断C1,C2,C3结果的置信度，输出识别结果C0[t0、ρ0]，其中t1、t2、t3表示信号类型，ρ1、ρ2、ρ3表示判断结果的置信度；
若ρ1>ρ2,ρ1>ρ3，则C0＝C1，
若ρ2>ρ1,ρ2>ρ3，则C0＝C2
若ρ3>ρ1,ρ3>ρ2，则C0＝C3。
3.如权利要求1所述的基于人工智能的信号识别自学习方法，其特征在于，通过构建综合判决网络，综合机器学习识别、专家决策判决以及手动标注的方式，实现信号数据训练与识别过程有机结合，持续增加信号识别种类，并提高信号识别准确度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011138962.5A CN112257592B (zh) | 2020-10-22 | 2020-10-22 | 一种基于人工智能的信号识别自学习方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011138962.5A CN112257592B (zh) | 2020-10-22 | 2020-10-22 | 一种基于人工智能的信号识别自学习方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112257592A true CN112257592A (zh) | 2021-01-22 |
| CN112257592B CN112257592B (zh) | 2024-07-09 |
Family
ID=74264540
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011138962.5A Active CN112257592B (zh) | 2020-10-22 | 2020-10-22 | 一种基于人工智能的信号识别自学习方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112257592B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113377806A (zh) * | 2021-06-18 | 2021-09-10 | 南通大学 | 一种嵌入式机器学习人工智能数据分析处理系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722719A (zh) * | 2012-05-25 | 2012-10-10 | 西安电子科技大学 | 基于观察学习的入侵检测方法 |
| CN108780560A (zh) * | 2016-01-20 | 2018-11-09 | 梅兹亚德·M·阿尔马苏德 | 用于管理基于人才的交换的系统和方法 |
| CN110968695A (zh) * | 2019-11-18 | 2020-04-07 | 罗彤 | 基于弱监督技术主动学习的智能标注方法、装置及平台 |
| CA3063580A1 (en) * | 2018-12-17 | 2020-06-17 | 10353744 Canada Ltd. | Classifier training method and apparatus, electronic device and computer readable medium |
-
2020
- 2020-10-22 CN CN202011138962.5A patent/CN112257592B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722719A (zh) * | 2012-05-25 | 2012-10-10 | 西安电子科技大学 | 基于观察学习的入侵检测方法 |
| CN108780560A (zh) * | 2016-01-20 | 2018-11-09 | 梅兹亚德·M·阿尔马苏德 | 用于管理基于人才的交换的系统和方法 |
| CA3063580A1 (en) * | 2018-12-17 | 2020-06-17 | 10353744 Canada Ltd. | Classifier training method and apparatus, electronic device and computer readable medium |
| CN110968695A (zh) * | 2019-11-18 | 2020-04-07 | 罗彤 | 基于弱监督技术主动学习的智能标注方法、装置及平台 |
Non-Patent Citations (1)
| Title |
|---|
| 高志华;贲可荣;: "基于主动学习和自学习的噪声源识别方法", 计算机工程与应用, no. 01 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113377806A (zh) * | 2021-06-18 | 2021-09-10 | 南通大学 | 一种嵌入式机器学习人工智能数据分析处理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112257592B (zh) | 2024-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109299741B (zh) | 一种基于多层检测的网络攻击类型识别方法 | |
| CN109962909B (zh) | 一种基于机器学习的网络入侵异常检测方法 | |
| EP3392806A1 (en) | Neural network systems | |
| CN109766992B (zh) | 基于深度学习的工控异常检测及攻击分类方法 | |
| CN107451597A (zh) | 一种样本类别标签纠正方法及装置 | |
| CN108958217A (zh) | 一种基于深度学习的can总线报文异常检测方法 | |
| CN113076994A (zh) | 一种开集域自适应图像分类方法及系统 | |
| CN112367303B (zh) | 分布式自学习异常流量协同检测方法及系统 | |
| Chourasia | Survey paper on improved methods of ID3 decision tree classification | |
| Parvin et al. | A heuristic scalable classifier ensemble of binary classifier ensembles | |
| Gu et al. | Identification of concurrent control chart patterns with singular spectrum analysis and learning vector quantization | |
| CN113158869A (zh) | 图像识别方法、装置、终端设备及计算机可读存储介质 | |
| CN114970694B (zh) | 一种网络安全态势评估方法及其模型训练方法 | |
| CN112257592A (zh) | 一种基于人工智能的信号识别自学习方法 | |
| CN113642378A (zh) | 基于n+1类对抗训练的信号对抗样本检测器设计方法及系统 | |
| CN111639680B (zh) | 一种基于专家反馈机制的身份识别方法 | |
| CN114548195A (zh) | 一种数据标注处理方法、装置、存储介质及电子装置 | |
| CN116484206A (zh) | 基于seim的未知辐射源个体识别方法及系统 | |
| CN116628524A (zh) | 一种基于自适应图注意力编码器的社区发现方法 | |
| CN111340196A (zh) | 对抗网络数据生成方法以及异常事件检测方法 | |
| CN116206208A (zh) | 一种基于人工智能的林业病虫害快速分析系统 | |
| CN109376779B (zh) | 一种复杂机电系统服役模式自动识别方法 | |
| Li et al. | Remote sensing image classification method based on evidence theory and decision tree | |
| Hong et al. | Drainage network flow anomaly classification based on XGBoost | |
| CN108520005A (zh) | 基于机器学习的针对网络主动监控系统的误报消除方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |