淺談機器學(xué)習在短波信號調(diào)制識別中的應(yīng)用

陳弘揚，薛 珂，王心塵

（國家無線電監(jiān)測中心福建監(jiān)測站，福建 廈門 361004）

0 引言

國家短波監(jiān)測網(wǎng)由北京、哈爾濱、上海、福建、深圳、成都、云南、陜西和烏魯木齊等9個短波監(jiān)測站以及短波監(jiān)測指揮控制中心（北京）組成。自建成以來，國家短波監(jiān)測網(wǎng)為短波無線電管理的各項工作，如重大活動保障、國際干擾申訴處置、頻率指配、干擾查找等提供了有力支撐，并為頻率及臺站的規(guī)劃和審批工作提供了可靠支持，有力地維護了短波電波秩序。

隨著短波監(jiān)測網(wǎng)監(jiān)測能力大幅度上升帶來的海量數(shù)據(jù)處理需求，以及大數(shù)據(jù)、云計算、AI、機器學(xué)習等新的概念的普及應(yīng)用，如何實現(xiàn)新概念與短波數(shù)據(jù)分析的結(jié)合，挖掘短波監(jiān)測數(shù)據(jù)藍海中更有價值的內(nèi)容應(yīng)當是未來發(fā)展中值得重點關(guān)注的問題。

1 機器學(xué)習在無線電監(jiān)測方面的應(yīng)用情況調(diào)研

早期的無線電監(jiān)測是以人工耳聽及手動分析為主，而隨著監(jiān)測網(wǎng)技術(shù)水平和建設(shè)規(guī)模的提升及軟件無線電理論的日漸完善，隨之而來的是監(jiān)測數(shù)據(jù)量急劇增加，對于海量數(shù)據(jù)的各種聯(lián)系和規(guī)則的挖掘、主動發(fā)現(xiàn)異常信號數(shù)據(jù)、當前頻譜使用態(tài)勢分析以及對未來頻譜需求預(yù)測，是無線電監(jiān)測工作中的重要部分。而機器學(xué)習技術(shù)的目標正是從雜亂無章的海量數(shù)據(jù)中挖掘出潛在的有價值的信息和知識。

1.1 機器學(xué)習的定義

機器學(xué)習指的是通過設(shè)計某些算法來訓(xùn)練計算機 通過已知數(shù)據(jù)得出一個最適合的模型，再利用這個模型對未知數(shù)據(jù)給出判斷的過程，也就是讓計算 機具備 像人一樣的學(xué)習能力，進而從大量監(jiān)測數(shù)據(jù)中挖掘出其中隱含的規(guī)律，并用于預(yù)測或者分類。

1.2 機器學(xué)習的應(yīng)用

近年來，機器學(xué)習技術(shù)迅速發(fā)展，在社會各行業(yè)得到了廣泛應(yīng)用，如工業(yè)生產(chǎn)、金融投資、醫(yī)學(xué)、旅游、天文氣象等領(lǐng)域。隨著數(shù)據(jù)量的快速增長，傳統(tǒng)的統(tǒng)計分析方法已經(jīng)無法滿足需求，人們開始轉(zhuǎn)而利用計算機的高性能來分析數(shù)據(jù)庫中的海量數(shù)據(jù)，從中挖掘數(shù)據(jù)蘊藏的更深的價值。當前越來越多的技術(shù)工作，如數(shù)據(jù)挖掘、云計算、知識發(fā)現(xiàn)、信號處理等同機器學(xué)習概念聯(lián)系起來[1]，充分證明了機器學(xué)習可以在海量數(shù)據(jù)處理方面發(fā)揮重要的作用。機器學(xué)習可以依托原始樣本分析數(shù)據(jù)規(guī)律，并利用歷史經(jīng)驗，以更加智能的方式產(chǎn)生決策[2]。

機器學(xué)習涉及領(lǐng)域廣泛，包括概率方面、統(tǒng)計方面、算法復(fù)雜度理論等諸多學(xué)科[3]，而隨著機器學(xué)習理論的不斷發(fā)展和計算機性能的提升，機器學(xué)習應(yīng)用得到了進一步發(fā)展，已經(jīng)廣泛應(yīng)用于語音識別、圖像識別、數(shù)據(jù)挖掘、機器人控制等諸多領(lǐng)域。

在無線電監(jiān)測方面，機器學(xué)習的應(yīng)用主要包括針對黑廣播頻譜參數(shù)進行采樣學(xué)習、信號檢測發(fā)現(xiàn)、調(diào)制模式或干擾識別、認知無線電等。

由于機器學(xué)習最本質(zhì)的目的就是從大量的數(shù)據(jù)分析中汲取知識，因此機器學(xué)習與短波大數(shù)據(jù)的結(jié)合顯然值得重點關(guān)注，特別是當短波新技術(shù)發(fā)展及專業(yè)化應(yīng)用趨勢日趨明顯的情況下，如何從無到有地實現(xiàn)機器學(xué)習手段的工程化，進而利用機器學(xué)習方法針對短波大數(shù)據(jù)進行分析處理依然是一項具有挑戰(zhàn)性的工作。

2 機器學(xué)習工具調(diào)研

業(yè)內(nèi)應(yīng)用最廣的3款機器學(xué)習工具是Python、MATLAB和WEKA。

（1）Python是一種用于通用編程的解釋型高級編程語言，目前已有很多機器學(xué)習（深度學(xué)習）框 架，能夠比較 好地支 持機 器 學(xué)習，因此如果需要進行多運行環(huán)境的適配和移植，計算模塊使用Python是個比較理想的方案。

（2）MATLAB是一種多范型數(shù)值計算環(huán)境，它提 供了大量機器 學(xué)習算法，常見的比如PCA、SVM、決策樹、集成學(xué)習等，應(yīng)付日常需求綽綽有余。但同時它也存在無法開發(fā)單獨的應(yīng)用和迭代循環(huán)性能 差的問題，而且 正 版MATLAB的每個 license都價格不菲。如此昂貴的價格以及美國日漸加強的知識產(chǎn)權(quán)保護措施，也使得MATLAB不再適用于大數(shù)據(jù)的機器學(xué)習研究。

（3）WEKA是一款集機器學(xué)習、數(shù)據(jù)挖掘和可視化為 一 體的 軟件，它作為 一 個 免費、公開的數(shù)據(jù)挖掘平臺，包含了大量的機器學(xué)習算法，如數(shù)據(jù)預(yù)處 理、分類、回歸、聚類、關(guān)聯(lián)規(guī)則分析等。WEKA操作簡單，計算速度快，是入門機器學(xué)習的不錯選擇怕，同時用戶還可以通過Java語言，在其架構(gòu)上開發(fā)更多的數(shù)據(jù)挖掘算法。

綜上所述，若有編程基礎(chǔ)，可以選擇功能更加強大的Python，若編程基礎(chǔ)薄弱或沒有編程基礎(chǔ)，則可以使用WEKA。對于大部分無線電監(jiān)測從業(yè)者來說，關(guān)注的是監(jiān)測數(shù)據(jù)的挖掘，也就是機器學(xué)習方法的應(yīng)用，所以WEKA的機器學(xué)習功能能夠滿足無線電監(jiān)測從業(yè)者的需求。

3 WEKA機器學(xué)習應(yīng)用實例

在短波監(jiān)測中，信號的調(diào)制方式是一個非常重要的屬性，它對于分辨信號是否合法有著很大的意義。傳統(tǒng)的信號分析方法是由監(jiān)測人員進行手動分析，但對于越來越大的數(shù)據(jù)量，這個方式存在效率不高的短板。由于短波信號在頻譜上的特征比較明顯，我們可以嘗試在WEKA的知識流界面使用分類方法對海量短波監(jiān)測數(shù)據(jù)進行調(diào)制方式識別的機器學(xué)習。

3.1 分類算法介紹

分類是一種重要的數(shù)據(jù)挖掘形式，它通過一個分類函數(shù)構(gòu)造一個分類模型（即分類器），將未知類別的數(shù)據(jù)對象映射到某個給定的類別。

分類的一個重要預(yù)測模型是決策樹，它是一種與流程圖類似的樹結(jié)構(gòu)，它包括了決策節(jié)點、分支和葉節(jié)點這三個 部分。決策節(jié)點表示待分類樣本的某一個屬性，在此處進行一個判斷，不同判斷結(jié)論形成不同的分支，葉節(jié)點代表一種分類結(jié)果。選擇分支的特征可以用到?jīng)Q策樹中應(yīng)用最廣泛的算法——C4.5算法，它采用信息增益率作為當前最優(yōu)決策屬性的度量標準。本文將使用C4.5算法對短波監(jiān)測數(shù)據(jù)中的調(diào)制方式這一屬性進行決策樹分類的機器學(xué)習。

3.2 基于WEKA的決策樹分類實現(xiàn)

我們使用的短波監(jiān)測數(shù)據(jù)集包含1 230條數(shù)據(jù)，具備頻率、功率、帶寬、定位位置（國內(nèi)或國外）、調(diào)制方式、發(fā)射是否規(guī)律這6個屬性。在WEKA的知識流界面中，添加如圖1所示的組件，其中CSVLoader是數(shù)據(jù)源組件，用于加載數(shù)據(jù)集；ClassAssigner用于指明數(shù)據(jù)集中需要分類的屬性；CrossValidationFoldMaker是交叉驗證組件，用于設(shè)置訓(xùn)練集和測試集的比例等；J48組件是本流程的核心算法部分，J48即WEKA中決策樹下的C4.5 算法；GraphViewer及TextViewer是最后的圖形及文字結(jié)果輸出組件。各組件通過“批量傳遞數(shù)據(jù)”模式連接后，設(shè)置好各組件中的參數(shù)，點擊開始后，WEKA開始運行，結(jié)束后可得到如圖2所示結(jié)果，在1 230條數(shù)據(jù)中，分類正確的是1 199條，正確率為97.48%，這一正確率在大體量的數(shù)據(jù)集中是個不錯的結(jié)果，說明該決策樹分類模型可以用于海量監(jiān)測數(shù)據(jù)的調(diào)制類型分類中。從圖3的結(jié)果中可以看出，錯誤分類的數(shù)據(jù)主要是SSB信號和數(shù)字調(diào)制的信號，要提升分類正確率，還需要更多的準確數(shù)據(jù)或更多的數(shù)據(jù)屬性來豐富決策樹，這也是我們未來努力的方向。

圖1 知識流界面中利用J48算法進行分類

圖2 J48算法分類結(jié)果1

圖3 J48算法分類結(jié)果2

4 結(jié)束語

本文首先介紹了短波監(jiān)測數(shù)據(jù)分析面臨的挑戰(zhàn)，然后通過文獻調(diào)研對機器學(xué)習在短波監(jiān)測數(shù)據(jù)分析方面的應(yīng)用進行了歸納，接著對主流的機器學(xué)習工具進行了調(diào)研，并選取WEKA作為機器學(xué)習工具，對短波監(jiān)測數(shù)據(jù)集中的調(diào)制方式進行分類，得到了較高的正確率，證明了機器學(xué)習在短波監(jiān)測數(shù)據(jù)分析的可行性。