一种基于人工智能的信号识别自学习方法技术

本发明专利技术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。记送入机器学习训练单元进行训练。记送入机器学习训练单元进行训练。

【技术实现步骤摘要】
一种基于人工智能的信号识别自学习方法


[0001]本专利技术涉及无线电监测
，特别涉及一种基于人工智能的信号识别自学习方法。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]本专利技术的目的旨在至少解决所述技术缺陷之一。
[0005]为此，本专利技术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。
[0006]为了实现上述目的，本专利技术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：
[0007]步骤S1，采集目标信号数据；
[0008]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S
i
[n]，存入未标记信号数据库；
[0009]步骤S3，将所述未标记信号数据S
i
[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；
[0010]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]；
[0011]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S
i
[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；
[0012]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S
z
作比较，如果则执行步骤S7；如果t0∈S
z
，则执行步骤S8；
[0013]步骤S7，将S
i
[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S
i
[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；
[0014]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S
m
作比较，如果作比较，如果则执行步骤S9；如果t0∈S
m
,则执行步骤S10；
[0015]步骤S9,将S
i
[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；
[0016]步骤S10,完成本次S
i
[n]信号类型的识别过程，从未标记信号数据库中删除S
i
[n]；
[0017]步骤S11，S
i+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。
[0018]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；
[0019]若ρ1>ρ2,ρ1>ρ3，则C0＝C1，
[0020]若ρ2>ρ1,ρ2>ρ3，则C0＝C2[0021]若ρ3>ρ1,ρ3>ρ2，则C0＝C3。
[0022]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。
[0023]根据本专利技术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。
[0024]本专利技术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：
[0025]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；
[0026]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；
[0027]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。
[0028]本专利技术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，或通过本专利技术的实践了解到。
附图说明
[0029]本专利技术的上述和/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：
[0030]图1为根据本专利技术实施例的基于人工智能的信号识别自学习方法的流程图；
[0031]图2为根据本专利技术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
[0032]下面详细描述本专利技术的实施例，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，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0033]本专利技术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。本专利技术具有广泛适用性，能够用在任何需要信号类型识别的场景。
[0034]如图1和图2所示，本专利技术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：
[0035]步骤S1，采集目标信号数据。
[0036]步骤S2，将目标信号数据划分为多段未标记信号数据，记为S
i
[n]，存入未标记信号数据库。
[0037]步骤S3，将未标记信号数据S
i
[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。
[0038]具体的，将S
i<本文档来自技高网...

【技术保护点】

【技术特征摘要】
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S
i
[n]，存入未标记信号数据库；步骤S3，将所述未标记信号数据S
i
[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S
i
[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S
z
作比较，如果则执行步骤S7；如果t0∈S
z
，则执行步骤S8；步骤S7，将S
i
[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S
i
[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S
m
作比较，...

【专利技术属性】
技术研发人员：刘红杰，牛项朋，郭健，洪卫军，赵光焰，崔睿，
申请(专利权)人：北京博识广联科技有限公司，
类型：发明
国别省市：