[發明專利]一種基于人工智能的信號識別自學習方法

在審

• 申請號: 202011138962.5
• 申請日: 2020-10-22
• 公開（公告）號: CN112257592A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 劉紅杰;牛項朋;郭健;洪衛軍;趙光焰;崔睿
• 申請（專利權）人: 北京博識創智科技發展有限公司;北京博識廣聯科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N20/00
• 代理公司: 北京中政聯科專利代理事務所(普通合伙) 11489
• 代理人: 陳超

本發明提出了一種基于人工智能的信號識別自學習方法，包括：采集目標信號數據；將目標信號數據劃分為多段未標記信號數據，存入未標記信號數據庫；將未標記信號數據，分別進行機器學習識別、專家決策判決和手動標注，生成機器學習識別結果、專家決策判決結果和手動標注信號類型結果；進行網絡權重綜合判決；判斷置信度識別結果是否大于等于預設值，如果是則將未標記信號數據和置信度識別結果，存入已標記信號庫；將已標記信號類型與專家決策系統可識別信號類型集合作比較；提取對應的特征參數，創建該類型判決網絡；已標記信號類型與機器學習單元可識別信號類型集合作比較；將與類型標記送入機器學習訓練單元進行訓練。

技術領域

本發明涉及無線電監測技術領域，特別涉及一種基于人工智能的信號識別自學習方法。

背景技術

隨著無線電技術的發展，針對信號的特征檢測和識別已經大量應用于無線電信號情報、航空測控和電子對抗等領域。在無線電頻譜資源監測方向，近年來無線設備類型快速增長，通信制式越來越復雜，對無線電監測的精細化、智能化提升提出了更高的要求，對無線信號類型的智能識別也成為必須。

信號類型識別有很多方法，如統計特征參數分類識別、基于變換的特征提取、高階累積量、模糊類型識別、基于神經網絡和機器學習的識別等等，這些方法僅是為了解決信號識別的某一個或某一類的問題，并未形成可實際應用的綜合性信號識別系統。

發明內容

本發明的目的旨在至少解決所述技術缺陷之一。

為此，本發明的目的在于提出一種基于人工智能的信號識別自學習方法。

為了實現上述目的，本發明的實施例提供一種基于人工智能的信號識別自學習方法，包括如下步驟：

步驟S1，采集目標信號數據；

步驟S2，將所述目標信號數據劃分為多段未標記信號數據，記為S_i[n]，存入未標記信號數據庫；

步驟S3，將所述未標記信號數據S_i[n]，分別進行機器學習識別、專家決策判決和手動標注，生成機器學習識別結果、專家決策判決結果和手動標注信號類型結果；

步驟S4，對所述機器學習識別結果、專家決策判決結果和手動標注信號類型結果進行網絡權重綜合判決，判斷上述機器學習識別結果、專家決策判決結果和手動標注信號類型結果的置信度，輸出置信度識別結果C₀[t₀、ρ₀]；

步驟S5，判斷所述置信度識別結果是否大于等于預設值，如果是則將未標記信號數據S_i[n]和置信度識別結果，存入已標記信號庫；如果所述置信度識別結果小于預設值，則提示手動標注；

步驟S6，將已標記信號類型t₀與專家決策系統可識別信號類型集合S_z作比較，如果則執行步驟S7；如果t₀∈S_z，則執行步驟S8；

步驟S7，將S_i[n]與類型標記C₀送入專家決策系統，提取對應的特征參數，創建該類型判決網絡，并使用專家決策系統判斷S_i[n]信號類型結果C₂[t₂、ρ₂]，如果ρ₂小于預設值，則重復本步驟；如果ρ₂大于等于預設值，則執行步驟S8；

步驟S8，已標記信號類型t₀與機器學習單元可識別信號類型集合S_m作比較，如果則執行步驟S9；如果t₀∈S_m,則執行步驟S10；