一种基于零样本学习的黑广播监测方法技术

本发明专利技术涉及一种基于零样本学习的黑广播监测方法，涉及无线电监测领域，旨在解决现有技术智能化程度欠缺，准确率和效率低下等技术问题。本发明专利技术根据机器学习中零样本学习原理设计黑广播识别流程。本发明专利技术通过识别特定时刻广播信号的频谱特征、带宽特征、载噪比特征、功率特征、极化方式特征、语音属性特征，然后将识别到的信号特征从特征空间按照预置的误差门限转换为属性空间内是否具备合法属性，最后在属性空间内根据广播信号所具备的属性按照定义的距离度量方法识别为合法或非法信号。本发明专利技术在信号特征识别的基础上，引入了属性转换和度量方法，提高了黑广播信号识别的智能水平，可以有效的提高黑广播信号识别的效率和准确率。以有效的提高黑广播信号识别的效率和准确率。以有效的提高黑广播信号识别的效率和准确率。

【技术实现步骤摘要】
一种基于零样本学习的黑广播监测方法


[0001]本专利技术涉及通信
，尤其涉及一种基于零样本学习的黑广播监测方法。

技术介绍

[0002]无线电监测是维护无线电秩序的重要手段，利用监测设备对无线电进行技术监测，获取无线电信号的特征测量、测向定位、监听、记录，对其特征进行采集、记录、分析是实现无线电频谱秩序管理的重要手段。黑广播即非法广播电台，包括播出未经相关机构批准擅自增加频率的黑电台、私人架设播放违规药品、保健品广告的黑电台。近年来不法分子私自建设调频广播电台的黑广播日益猖獗，黑广播扰乱正常的无线电广播秩序、极易干扰民航通信导航、电磁辐射超标、侵害人民合法权益，极易成为不法分子发布不良信息和进行发动宣传的工具，直接影响国家安全和社会稳定，造成十分恶劣的社会影响，成为近年来广电等相关执法部门治理的重点和难点。
[0003]2016年实施的《中华人民共和国无线电管理条例》以及2017年公布的《关于办理扰乱无线电通讯管理秩序等刑事案件适用法律若干问题的解释》中明确要加强对重要行业专用频率的保护与检测并严厉处罚黑广播违法犯罪行为。因此，高效识别发现黑广播对于无线电频谱秩序管理具有重要意义。
[0004]零样本学习是机器学习范畴的一类训练场景和解决方法。零样本学习技术最早源自于图像识别领域，现在在多个人工智能子领域均有具体研究和应用。在机器学习领域，经典的监督学习模型需要大量的具有分类标签的样本数据来训练学习器，通过数据的多次迭代，将“经验”固化于学习模型中，从而实现特征空间到分类空间的自动分类。而在现实中，物体的种类服从长尾分布，有大量种类的事物只有很少的样本或者没有采集到样本，零样本学习或属性学习旨在通过学习特征空间到属性空间的映射，通过特定的属性分类方法，从而实现零样本分类。
[0005]随着电子通信技术的快速发展，黑广播设备成本不断下降、设备体积不断缩小，可以实现随时开机、灵活隐蔽等性能。现存的人工监控、识别方法需要耗费大量的人工成本和精力，同时依托群众监督举报，专业人员实地复测记录取证具有一定的迟滞性，在实际中往往给不法份子可乘之机。目前，通过技术手段实现黑广播自动发现并报警记录方面有了长足的进步，依靠人工智能方法来发现识别黑广播的技术手段也不断出现。但是，黑广播本身具有模拟、侵占合法广播信号特征，而人工智能中机器学习模型需要大量样本数据来监督训练模型，同时实际测量频道存在信号衰减、测量误差等情况，现有人工智能方法的监控效率和识别准确率有待进一步提高。

技术实现思路

[0006](一)解决的技术问题
[0007]针对现有技术的不足，本专利技术提供了一种基于零样本学习的黑广播监测方法，解决现有监测技术效率低、识别准确率有待提升，智能化程度不高的问题。
[0008](二)技术方案
[0009]本专利技术提供如下技术方案：一种基于零样本学习的黑广播监测方法：包括以下步骤：
[0010]S1、使用无线电监测设备在特定时刻t对特定监测地点的广播信号进行全频段频谱扫描，生成对应的频道集其中的代表具体的某个频道信号。
[0011]所述对特定时刻t的广播信号进行实时频谱扫描，时刻t应与数据库中该地域对应的合法频道信号采样时刻一致，若数据库中无该地点或时刻t的记录，则需要通过人工方式在该地点该时刻进行人工合法频道数据录入。
[0012]S2、对频道集中的每个频道信号获取其频率特征F
f
、带宽特征F
W
、载噪比特征F
R
、功率特征F
P
、极化方式特征F
PM
、语音属性特征F
text
。
[0013]S3、逐个对比数据库中对应的特征记录，根据特征的定义和误差范围判定该信号是否具备合法属性。
[0014]其中，频率特征F
f
按照设备识别精度和允许的误差范围转换为待判定频道的属性A
f
，可选的，如设置频率误差范围为合法频道带宽的
±
5％。具体的转换方法为，若在误差范围内，并与数据库中某合法记录S
fDB
频率符合，则标记该频道S
f
的属性A
f
＝1，如数据库中无该频道信号记录，则标记监控到的频道S
f
的所有属性A
i
＝0。
[0015]其中，监测到的频道带宽特征F
W
，按照设备识别精度和允许的误差范围转为带宽特征的属性可选的，如设置带宽误差范围为合法频道带宽的
±
5％，具体的转换方法为，若在误差范围内，并与数据库中同频率频道的合法记录带宽符合，则标记待判定频道S
f
的属性若在误差范围内与数据库中同频率频道的合法记录不相符，则标记待判定频道S
f
的属性
[0016]其中，监测到的频道载噪比特征F
R
，按照设备识别精度和允许的误差范围转为载噪比特征的属性可选的，如设置载噪比误差范围为合法频道载噪比的
±
5％，具体的转换方法为，若在误差范围内，并与数据库中同频率频道的合法记录载噪比符合，则标记待判定频道S
f
的属性A
R
＝1，若在误差范围内与数据库中同频率频道的合法记录不相符，则标记待判定频道S
f
的属性A
R
＝0。
[0017]其中，监测到的频道功率特征F
P
，按照设备识别精度和允许的误差范围转为功率特征的属性可选的，如设置功率误差范围为合法频道功率的
±
5％，具体的转换方法为，若在误差范围内，并与数据库中同频率频道的合法记录功率符合，则标记待判定频道S
f
的属性若在误差范围内与数据库中同频率频道的合法记录不相符，则标记待
判定频道S
f
的属性
[0018]其中，监测到的频道极化方式特征F
PM
，并转为极化方式特征的属性A
fPM
，具体的转换方法为若与数据库中同频率频道S
fPMDB
的极化方式相同，则标记待判定频道S
f
的属性A
fPM
＝1，若不相同则标记待判定频道S
f
的属性A
fPM
＝0。
[0019]其中，监测到的语音特征F
text
，使用语音识别技术转换为自然语言文本，可选的，如使用深度学习技术(DNN声学建模技术+RNNLM语言建模技术)将记录到的语音转化为文本，可选的，将转化后的文本使用自然语言处理算法如TextRank算法抽取出关键字，具体的转换方法为若在误差范围内，如可选的设置包含5个关键字相同即视为符合与同频率频道S
fTextDB
的关键字符合，则标记待判定频道S
f
的属性若在误差范围内与数据库中合法记录不相符，则标记待判定频道S
f...

【技术保护点】

【技术特征摘要】
1.一种基于零样本学习的黑广播监测方法，其特征在于：包括以下步骤：S1、对监测点设备对特定时刻t接收的广播信号进行实时频谱扫描，生成频道集S2、对频道集中的每个频道信号获取其频谱特征、带宽特征、载噪比特征、功率特征、极化方式特征、语音属性特征；S3、对待判定信号的特征逐个进行对比数据库中对应的特征记录，根据相应特征的定义和误差范围判定该信号是否具备合法属性，在判断完成后将相应特征进行分析；S4、根据距离度量公式，计算该频道信号与数据库中合法信号对应属性分解的距离；S5、根据距离度量结果，如果距离小于距离门限，则该信号为合法信号，反之，如果距离超过距离门限值，则进行报警并取证记录以备人工核查。2.根据权利要求1所述的一种基于零样本学习的黑广播监测方法，其特征在于：所述步骤1中监测设备对特定时刻t并位于数据库中存在的监测位置上对接收的广播信号进行实时频谱扫描，时刻t应与数据库中该地域对应的合法频道信号采样记录的时刻一致，所述步骤2中所述获取的每个频道信号s的特征包括但不限于其频谱特征、带宽特征、载噪比特征、功率特征、极化方式特征、语音属性特征。3.根据权利要求1所述的一种基于零样本学习的黑广播监测方法，其特征在于：所述步骤3中的相应特征包括频率特征，在对比时首先确定频道信号的属性A
f
是否合法，其合法属性确定方法为对比数据库中是否存在该频率的频道信号，若数据库中存在该频率信号S
fDB
，则将监控信号频率特征的属性记为“1”，若数据库中不存在该频率的信号则所有属性A
fi
记为“0”。4.根据权利要求1所述的一种基于零样本学习的黑广播监测方法，其特征在于：所述步骤3中的相应特征包括带宽特征，其合法属性确定方法为对比数据库中该频率信号的带宽若带宽一致则带宽属性记为“1”，若带宽不一致则属性记为“0”。5.根据权利要求1所述的一种基于零样本学习的黑广播监测方法，其特征在于：所述步骤3中的相应特征包括载噪比特征，其合法属性A
fR
确定方法为对比数据库中该频率信号的载噪比若载噪比一致则载噪比属性记为“1”，若载噪比不一致则属性记为“0”。6.根据权利要求1所述的一种基于零样本学习的黑广播监测方法，其特征在于：所述步...

【专利技术属性】
技术研发人员：张立嘉，刘晓峰，
申请(专利权)人：张立嘉，
类型：发明
国别省市：