【火腿专题】前沿 | 机器学习都能掌握莫尔斯电码了，你还不会？
机器学习系统使用图像来教自己莫尔斯电码
文：Dan Maloney
传统观点认为，学习新语言的最佳方法是沉浸式学习：只要将某人置于无法选择的情况下，他们就会根据情况进行学习。军事人员像外交官和新闻记者一样都使用沉浸式语言教学，显然计算机现在可以使用沉浸式语言自学莫尔斯电码。
Mauri Niininen（AG1LE）的博客读起来像是一篇科学论文，这有充分的理由：Mauri似乎真的对机器学习了解一些。他的方法使用精选的训练数据来构建模型，即莫尔斯电码摘要及其翻译，这是此类系统的常用方法。但是由于Mauri使用Tensorflow手写识别实现来训练他的模型，事情从一开始就发生了意外的转弯。
他使用几行Python将已知的莫尔斯短代码片段转换为看起来有点像条形码的灰度图像，其中浅色区域为浅色和深浅不一，而深色条为静默。第一次训练只产生了约36％的准确度，但随后的摘要较短的结果却是99.5％的准确度。该模型还能够以-6 dB的信噪比将莫尔斯电码信号从各类信号中识别出来，即使它是用更干净的信号训练的。
其他莫尔斯解码器（如上图所示）使用查找表将声音转换为文本，但请注意，这个机器学习是没有的。通过将模式与训练数据中的标签进行比较，可以推断出角色的含义，并在大约一个小时内从本质上讲授了莫尔斯电码。我们发现这很有趣，并且想知道这将对其他哪些应用有利。
网友评论
乔：
AG1LE所显示的图像似乎只是降低了对比度，而没有增加噪声水平。对于以上那些认为莫尔斯很容易阅读的人（即使在无噪音的训练磁带上，我也无法掌握它），当信号清晰时，这并不难，但是如果信号来自世界各地， 已经拾取了各种噪声和干扰，信号电平逐渐减弱，噪声源突然弹出，因此AI可能能够读取低SNR信号，如果最后一个脉冲是点，破折号或弹出声，人类将很难弄清楚。
因此，我看到了这个新闻中的很多价值。所显示的测试图像似乎只是对比度下降（即信号高于本底噪声），而不是随机增加噪声来覆盖信号，对于-6dB，我认为现实中它应该看起来像是静态的，背景中有淡淡的线条 隐约可见。令人印象深刻的工作，但我不确定他的测试数据是否能真实反映出RF噪声！
NONE：
确实。人们忘记的是，成年人没有像孩子那样处于基本的互动水平。人们在要求未知的单词或解释时也没有那么帮助或耐心。
所需数据和相关性的数量不存在，信息过于“高级”，并且仅通过“沉没或游泳”即可学习。
一个成年人可以通过“压缩学习”或差异学习来学习得更好。使用相似性，关键概念和基本差异，然后使用该理论模型来教自己一个直观的模型。然后，您可以通过在成年人的日常生活中进行练习来细化细节。
如果您在基本通信方面遇到困难，几乎没有人会为您提供必要的信息或足够丰富的数据。已经存在如此众多的概念，在其他语言中它们是不同的，因此您需要首先理解它们，并从中得出一个新的连贯整体。
出于这个原因，双语孩子需要更长的发言时间。但是，成年后，您会从更加成熟和详细的概念入手，因此您不能仅仅重新开始并从头学习。
但是，借助基本的技能，您可以通过使用大量（现在有用的信息）进行微调来改善语言，并将其慢慢地滴入您现有的直观模型中。
迈克尔·布莱克（Michael Black）：
莫尔斯电码定义明确。 问题在于它通常是由人而不是机器发送的，因此它因人而异，甚至可能随着一个人的发送而变化。
因此，机器可能对此感到困惑。
我认为那是80年代，但我不记得确切的日期，《73杂志》上有一篇有关CW处理器的文章。不仅是用于音调的滤波器，而且是用于将其转换为DC的检波器，而且还有一些运算放大器在将其发送到计算机之前试图确定什么是点划线。
然后向同伴展示了点，破折号和我认为的空格，只需要将它们转换为字符即可。这很有意义，我想今天的计算机可以很容易地自己进行预处理。
巴特：
现在的问题是计算机如何分辨什么是“点”和什么是“破折号”？ 如何知道何时识别声音是一个字符还是一个单词？例如，“ IT”和“ U”具有相同的dit和dah模式，您如何区分它们？
接收将涉及静态干扰信号，衰落。 更不用说人为因素造成的发送差异（每个人都有与他人不同的特征“拳头”）
据我了解现有的代码阅读器，他们可以做得很好，但并不完美。 我还没有亲自见过。
对于神经网络来说，这将是一个很好的项目。 它相对简单，但并不琐碎。