本发明涉及电数字数据处理。更具体地，本发明涉及一种基于人工智能的电台信号识别补盲方法及系统。
背景技术：
1、在无线通信领域，无线电台通信目前在在军事、人防、电力、水利、铁路、燃气管道监控、热网监控等行业中都有着重要的应用，因此，准确识别电台信号至关重要。然而，由于信号干扰、多径传播以及复杂多变的环境条件等因素，信号容易出现丢失的情况，导致信号识别存在盲区，影响了信号检测的准确性和完整性。
2、所以，对于电台信号中不良信号的准确识别，以实现精准的信号补盲，得到完整的电台信号是尤为重要的。
3、相关技术中，如公布号为cn115276847a，名称为“基于卷积神经网络的无线电调频引信干扰信号识别方法”的专利申请文件，其公开了使用深度学习方法对干扰信号进行检测识别。
4、上述方案中利用的深度学习方法为卷积神经网络cnn，该网络模型擅长识别信号中的复杂模式，如频率、相位和幅度的变化，从而提高了信号识别的准确率。
5、但是，在进行无线电台识别时，传统的cnn卷积神经网络在使用梯度下降法进行权重更新时，往往需要通过学习率来调整权重更新的幅度，即学习率决定了权重更新的步长大小。而实际操作过程中往往仅根据经验或者实验结果来手动调整学习率，以进行目标识别，其并未考虑是否适合当前场景内的信号的识别，因此，当学习率设置的过大或过小，均影响电台信号的准确识别，进而无法达到精准的信号补盲，无法确保通信安全。
技术实现思路
1、本发明的目的在于提出一种基于人工智能的电台信号识别补盲方法及系统，用以解决现有技术中无法准确识别电台信号，进而无法达到精准进行信号补盲的问题；为此，本发明在如下的两个方面中提供方案。
2、在第一方面中，本发明提供的一种基于人工智能的电台信号识别补盲方法，包括：
3、将采集的当前时间段内的电台信号数据输入预先训练好的网络模型，识别出异常信号和正常信号；
4、对所述异常信号进行信号补盲，得到完整电台信号数据；
5、其中，在网络模型训练过程中，对当前次迭代的学习率进行更新，更新规则为：利用调节系数对上一次迭代的学习率进行调整；所述调节系数为稳定度与影响度之和；稳定度为第一稳定度、第二稳定度以及目标稳定度中的一种，所述目标稳定度为第一稳定度与第二稳定度之和；
6、所述第一稳定度为：；是历史设定时间段内第t个采样时刻下电台信号的稳定程度，是历史设定时间段内所有电台信号的平均稳定程度，max（）为最大值函数，norm（）为归一化函数；所述稳定程度与对应采样时刻下的电台信号的幅度值差异、频率值负相关；
7、所述第二稳定度为所有时刻对应的第一稳定度的方差的倒数；
8、所述影响度与上一次迭代时网络模型中所有网络权重的梯度均值呈正相关、与所有网络权重的梯度方向的方差值呈反相关。
9、上述方案通过对网络模型输入的电台信号数据以及训练过程中的模型参数的两方面的分析，能够基于历史电台信号的变化以及网络在训练过程中的变化，来动态调节网络模型的学习率，使得训练好的网络模型能够准确进行当前电台数据的识别，达到进准补盲的效果。
10、在一个实施例中，所述稳定程度为：；
11、其中，表示第t个采样时刻下电台信号所在的时序段中所有电台信号的幅度值均值；为第t个采样时刻下电台信号的频率值，为第t个采样时刻下电台信号的幅度值；表示以自然常数e为底数的指数函数；所述时序段为从历史设定时间段内中截取的设定数量的电台信号，且第t个采样时刻下电台信号为时序段的中心。
12、上述方案计算的稳定程度能够表征历史设定时间段内电台信号数据的电台信号的稳定性，在电台信号稳定性较差时，能够通过降低学习率，来降低网络的学习速度，使网络模型更加关注电台信号的微小变化特征。
13、在一个实施例中，所述预先训练好的网络模型的训练过程为：
14、构建网络模型，包括卷积层、池化层和全连接层；
15、获取训练数据集；所述训练数据集包括多个连续的历史时间段的电台信号数据和标签；
16、初始化初始学习率和模型参数；并将训练数据集输入网络模型中，并使用梯度下降算法更新模型参数，响应于网络模型达到设定最大训练次数或网络模型的损失函数的损失小于设定阈值时结束训练；所述损失函数为均方差损失；
17、获得训练好的网络模型。
18、上述方案中网络模型的训练过程中，通过不断动态更新学习率，以实现网络模型的准确收敛，避免陷入局部最优值的问题。
19、在一个实施例中，所述影响度为：
20、；
21、其中，表示第m次迭代时第n个网络权重的梯度值与拟合直线之间的距离，为第m次迭代时所有距离的均值，表示绝对值函数，是第m次迭代时第n个网络权重的梯度值，为第m次迭代时所有网络权重的梯度方向的方差值，是网络权重的总个数，n表示网络权重的序号，m为迭代次数的序号，表示以自然常数e为底数的指数函数。
22、上述方案通过引入距离作为每个网络权重的梯度值的权重，能够使得距离与平均值的差异越近，则该梯度值的可参考性就越好。同时，引入梯度方向的方差值能够表征模型训练过程中的方向的一致性，一致性越差，则降低网络模型的学习率，慢慢进行模型的学习。
23、在一个实施例中，所述距离的获取过程为：
24、获得当前迭代时每个网络权重对应的梯度值以及梯度方向；
25、以网络权重为横坐标，以梯度值为纵坐标，绘制每个网络权重对应的梯度值的散点图，并进行最小二乘法拟合，获得散点图的拟合直线，计算散点图中每个网络权重所在的点与拟合直线之间的距离。
26、上述方案计算的距离能够表征每个网络权重的重要性。在一个实施例中，对所述异常信号进行信号补盲采用插值的方法。
27、在一个实施例中，所述网络模型采用cnn网络。
28、在第二方面中，本发明提供的一种基于人工智能的电台信号识别补盲系统，包括：
29、处理器；
30、存储器，其存储有基于人工智能的电台信号识别补盲的计算机指令，当所述计算机指令由所述处理器运行时，使得系统执行上述的一种基于人工智能的电台信号识别补盲方法。
31、本发明的有益效果为：
32、本发明的方案通过对历史设定时间段的电台信号进行分析，能够获取电台信号的稳定度，并根据稳定度以及网络训练过程中的网络权重的梯度值和梯度方向，即从两个方面进行综合分析，动态调节网络模型的学习率，使得在后续的电台信号的识别过程中，能够准确识别电台信号，进而精准地进行信号补盲。
1.一种基于人工智能的电台信号识别补盲方法，其特征在于，包括：
2.根据权利要求1所述的一种基于人工智能的电台信号识别补盲方法，其特征在于，所述稳定程度为：；
3.根据权利要求1所述的一种基于人工智能的电台信号识别补盲方法，其特征在于，所述预先训练好的网络模型的训练过程为：
4.根据权利要求1所述的一种基于人工智能的电台信号识别补盲方法，其特征在于，所述影响度为：
5.根据权利要求4所述的一种基于人工智能的电台信号识别补盲方法，其特征在于，所述距离的获取过程为：
6.根据权利要求1所述的一种基于人工智能的电台信号识别补盲方法，其特征在于，对所述异常信号进行信号补盲采用插值的方法。
7.根据权利要求3所述的一种基于人工智能的电台信号识别补盲方法，其特征在于，所述网络模型采用cnn网络。
8.一种基于人工智能的电台信号识别补盲系统，其特征在于，包括：
