机器学习系统通过图像教授莫尔斯电码

文：Dan Maloney

传统观点认为，学习新语言的最佳方法是通过沉浸式学习，即将学习者置于必须使用该语言的环境中，促使他们在实际情境中学习。军事人员、外交官以及新闻记者都采用沉浸式教学法，现在计算机也可以利用这种教学法自学莫尔斯电码。

Mauri Niininen（AG1LE）在他的博客中分享了一种创新的方法，该博客的内容类似于一篇学术论文。Mauri似乎对机器学习有深刻的理解。他的方法是使用精心挑选的训练数据来构建模型，即莫尔斯电码摘要及其翻译。然而，由于Mauri采用了TensorFlow的手写识别技术来训练他的模型，事情的发展出现了一些意外的变化。

Mauri编写了几行Python代码，将已知的莫尔斯电码短代码片段转换成类似条形码的灰度图像，其中淡色区域代表不同强度的光，而深色条则表示静默。首次训练的准确率约为36%，但在后续训练中，准确率达到了惊人的99.5%。此外，该模型还能在信噪比为-6 dB的情况下，从各种信号中识别出莫尔斯电码，即使训练信号更加清晰。

其他莫尔斯电码解码器通常使用查找表将声音转换为文本，但Mauri的方法完全不同。通过将模式与训练数据中的标签进行比较，模型可以推断出字符的意义，并在大约一个小时内在本质上教授莫尔斯电码。这一发现非常有趣，也引发了关于这种方法在其他应用中的潜力的思考。

读者反馈

乔： AG1LE展示的图像似乎只是降低了对比度，并没有增加噪声水平。对于那些认为莫尔斯电码容易阅读的人来说，信号清晰时确实不难，但如果信号受到世界各地各种噪声和干扰的影响，情况就不同了。在这种情况下，人类很难分辨最后一个脉冲是点、破折号还是突发的声音。因此，我认为这项工作有很大的价值，但不确定他的测试数据是否真正反映了无线电频率噪声的真实情况。

NONE： 成年人不像孩子那样处于基础的学习阶段，也不像孩子那样主动寻求未知单词或解释。成人需要的数据量和相关性更高，信息过于复杂，单纯依靠“沉没或游泳”的方式难以学习。成人可以通过“压缩学习”或差异学习获得更好的效果，即通过相似性、关键概念和基本差异来建立直观模型，再通过日常生活中的实践来完善细节。然而，如果在基本通信方面遇到困难，很少有人能提供足够的信息或数据。因此，学习过程需要更多的指导和支持。

迈克尔·布莱克（Michael Black）： 莫尔斯电码的定义非常明确，问题在于它通常是由人而非机器发送的，因此发送方式因人而异，甚至在同一人的不同发送过程中也会有所不同。因此，机器可能会对此感到困惑。我记得80年代有一篇关于CW处理器的文章，其中不仅介绍了用于音调的滤波器和将信号转换为直流的检波器，还提到一些运算放大器在将信号发送到计算机之前尝试识别点和划线。那时，只需要将这些点和划线转换为字符，这对今天的计算机来说应该不是难事。

巴特： 计算机如何区分点和破折号？如何判断一个声音是一个字符还是一个单词？例如，“IT”和“U”具有相同的点和划线组合，如何区分它们？接收信号时还会受到静态干扰和衰落的影响，更不用说人为因素造成的发送差异。尽管目前的代码阅读器已经相当不错，但还不够完美。对于神经网络来说，这是一个很好的研究课题，因为这个问题虽然简单但并不平凡。