基于莫爾斯電碼數據的機器學習的教學環境

中圖分類號：G434文獻標識碼：A論文編號：1674—2117（2025）17—0036-04

莫爾斯電碼（也常被譯為摩爾斯電碼）通過長短信號的組合傳遞文字符號，其中短信號稱為“點（·）”，長信號稱為“劃（—）”。一般來說，在發送信號時，短信號也就是一個點占1個時間單位，長信號也就是一個劃占3個時間單位。同一符號中的點與點、點與劃、劃與劃之間需要間隔1個時間單位，而兩個符號之間需要間隔3個時間單位。每個時間單位可長可短，但總體上需要保持較為恰當的比例。

由于不同的莫爾斯電碼發送者所把握的時間單位各不相同，以及人工發送信號在操作上也不太精確，所以同一符號的莫爾斯電碼所對應的聲音信號具有一定程度的不確定性，而正是這種不確定性，使得莫爾斯電碼數據可能成為機器學習的訓練素材。同樣值得關注的是，圍繞莫爾斯電碼數據，可以將信息技術教學中的信息的數字化、編碼和解碼、數據分析與處理、機器學習等多個內容有機整合起來。

采集莫爾斯電碼及進行二進制編碼

雖然說，可以（相當粗暴地）要求生成式人工智能生成代碼，直接將聲音轉換為對應的莫爾斯電碼，但這樣就是將生成式人工智能作為一種生產工具，而不是作為學習工具來使用，為了深度學習，需要將生產的黑箱打開，展現出更為基本的實現原理。在聲音采集和相應的二進制代碼的轉換過程中，有許多細節的具體實現方式考驗著人的思維能力，需要考慮如下看似簡單的需求：每隔一段時間進行統計，將聲音強度超過某閾值的統計區間記錄為1，將聲音強度未超過某閾值的統計區間記錄為0，如圖1所示。考慮到聲音是一個波，存在這樣的情況，有時盡管聲音響亮，但在某時刻它的波的強度可能沒有超過某閾值，假設不采用現成的工具（如RMS或分貝計算函數），為了判斷某個統計區間內的聲音強度超過某個閾值，需要思考實現方案——具體實現方式具有多樣性，還需要將方案描述為恰當算法。

例如，可以“每隔0.001秒記錄一次聲波幅度值，將這些采樣的幅度值的絕對值累加起來（這里假設聲波是一個帶正負符號的數值），連續記錄0.1秒，然后判斷其是否大于某個閾值”，那么，這個方法是否可行呢？可以將這個想法提交給生成式人工智能，讓它幫助對此方案進行分析，并分析優缺點。考慮到絕大多數生成式人工智能工具的表現都能被接受，這里就不特別說明采用哪一種生成式人工智能工具，一般來說，它們認為這種方案在一定程度上是可行的，然后給出了若干缺點，如會提示說這樣的方法無法有效區分高頻低振和低頻高振這兩種類型的信號，如圖2所示。

圖1聲音強度超過某閾值記錄為1，未超過某閾值記錄為0

生成式人工智能除了分析此方案的優點和缺點，另外還提示了存在采用其他方案的可能性。在參考其分析和意見后，往往可以產生出新的解決問題的思路，如可以采用“按音頻采樣率，記錄在連續的0.128秒時間區內，采樣點振幅超過某個閾值的數量，然后判斷這個數量是否超過某個閾值”的方案，重新提交給生成式人工智能分析新方案的優點和缺點。生成式人工智能認為，新的方案較為簡便，也能夠適用于將莫爾斯電碼轉換為二進制數據。接下來，就可以將方案用自然語言的方式描述為算法，要求生成式人工智能生成相應的程序代碼。一個提示詞的示例如下：“按下按鈕后開始錄制麥克風的聲音，持續時間為8.192秒，以每0.128秒為區間，按音頻采樣率，記錄采樣點振幅超過某個閾值的數量（如可以將最大振幅強度的三分之一作為閾值），然后判斷這個數量是否超過某個閾值（注意這里是計算數量的閾值），如果超過，則記錄為1，否則記錄為0，最后得到一個64個數值的列表，在窗口顯示列表的數值，在終端打印列表。”

在提示中，并沒有明確給出判斷超限采樣點數量的閾值，生成式人工智能自行推薦統計超限點數量閾值為20，并提示用戶，可以自行調整以獲得最佳效果。在實際測試中，發現這個閾值數值是恰當的。限于篇幅，這里不列出全部程序代碼。圖3所示的是程序代碼運行時的效果。

在教學中，可以用麥克風錄音，通過發出“嘟—嘟——”的聲音來模擬莫爾斯電碼發送信號的過程，然后將點劃信號轉換為二進制代碼記錄下來，實施過程較為有趣。

以上過程可以歸納為“設計方案——用生成式人工智能進行分析——完善方案——用生成式人工智能進行驗證”四步，當然，分析和修改方案的過程可能要經過多次迭代。這當中有一個值得教師思考的問題，在實際操作中，當然也可以在“設計方案”后直接“用生成式人工智能進行驗證”，這樣做的結果是，很可能在有限的測試中，發現方案確實是可行的，但遺漏了某些特殊的條件所產生的不良后果，這讓人聯想到人工智能中經典的框架問題（FrameProblem）。框架問題指在構建系統時，如何有效界定問題的范圍和關聯因素，避免因過多考慮無關信息或遺漏關鍵信息而影響結果。在框架問題提出時，面臨此問題的是機器而不是人，然而到了當今時代，人作為個體卻依賴人工智能來避免框架問題所產生的不良后果。考慮到必須承認人的經驗和思考能力是有限的，固然人可以在“設計方案”后自行對方案進行分析，但人工智能不僅僅幫助人們對方案進行查漏補缺，更重要的是，它可以將問題的解決方案從思維中隨心所欲的暢想導向成熟的學科范式。

圖2高頻低振和低頻高振聲音信號

圖3將莫爾斯電碼音頻轉換為二進制代碼的程序運行效果

構造莫爾斯電碼數據集

為了能夠判斷先前輸入的二進制數據到底對應何種莫爾斯碼，需要構建莫爾斯電碼的數據集，如果學校有無線電社團，可以讓學生真實采集數據。更便捷的做法是，用網絡搜索并下載莫爾斯電碼數據。通常，需要對數據進行必要的整理和轉換，才能將其作為機器學習的訓練數據使用。

例如，某莫爾斯電碼數據，它由morsecodedatax.csv和morsecodedatay.csv兩張數據表組成，morsecodedatax.csv中只記錄了音頻信號，morsecodedatay.cSv中采用獨熱碼的方式，記錄了音頻所對應的幾十種符號，含字母、數字及其他一些特殊符號。圖4所示的是兩張表的一小部分。

在morsecodedatax.csv表中，0表示沒有檢測到聲音，有浮點數數值的表示檢測到聲音，數值的大小對應聲音持續的長度，為簡便起見，可以將所有浮點數數據轉換為數字1。原表數據量非常龐大，總共有32萬條數據，考慮到算力的限制，可以對其進行大幅度削減，而這基本上不影響機器學習訓練的效果，如只保留“B”“F”“H”“L”“R”五個字母對應的莫爾斯碼數據其目的是在不久的未來將這些符號用于智能小車運動的控制，并將數據記錄削減到1000條。另外，為了進一步簡化后續機器學習的操作流程，可以將音頻數據和標簽數據合并在一張數據表中，并在首行記錄之前加上恰當的字段名。

構造莫爾斯電碼人工智能識別模型

有了莫爾斯電碼的特征和種類的數據集，就可以構造不同的莫爾斯電碼人工智能識別模型。建議先規劃一下可以采用哪一種機器學習算法，以及采用這種算法的優缺點。例如，可以采用K近鄰算法進行分類，優點是實現原理簡單、代碼量少，缺點是訓練過程需要遍歷全體數據，計算涉及的數據量大，很多邊緣計算設備不支持對較大量的數據進行計算；也可以通過訓練神經網絡來進行識別，雖然訓練神經網絡耗時較長（具體耗費時間依賴實際計算機配置，一般來說，普通的PC機可以在幾分鐘內完成訓練），但只要訓練結束，純粹運行推理模型所耗費的算力是較小的，可以部署在邊緣計算設備上。

在基礎教育階段，教材中介紹的機器學習算法還是比較少的，所以，可以鼓勵學習者充分利用生成式人工智能，了解其他機器學習算法的基本原理，并對分類效果進行實驗。當較為詳細地描述莫爾斯電碼的數據集的結構以及分類任務后，有不少生成式人工智能工具推薦可采用隨機森林來進行分類，圖5是借助生成式人工智能生成采用隨機森林算法進行莫爾斯電碼分類的結果，以混淆矩陣形式表達，正確率在 85% 以上。

圖5采用混淆矩陣表達5個莫爾斯電碼的分類效果

圖6按先聚類再分類的方法判別1000條莫爾斯電碼數據的結果

最后給出一個有意思的現象，一方面，機器對人類語言的分析處理，能夠使之幫助人類解決實際問題，但另一方面，這種分析處理是基于機械性流程的，是難以表現出某種真正的創造性的。考慮以下這段提示詞：“存在這樣的數據集，它的結構如下…數據集部分內容如下該數據集反映了莫爾斯電碼的特征和種類，前64個字段是特征，1表示有聲音，0表示沒有，連續的1的長度表示聲音長短。最后5個字段是獨熱碼編碼的莫爾斯電碼所對應的字符。請問，假設已有1000條莫爾斯電碼數據，用哪些機器學習的方法，能構造人工智能的莫爾斯電碼的識別程序？列出常用的可采用的方法，對不同的方法給出優缺點分析。”生成式人工智能給出的都是分類算法（其實對于人來說，這樣的描述也極具朝向分類算法的導向性），但卻較難想到，聚類算法可能是最終實現分類過程中的非常重要的手段。可以首先用聚類算法，將1出現的長度分為長和短兩類（除了要首先篩選出全部為短的特例），然后直接比對莫爾斯碼規則表就能得到分類結果，實際上，莫爾斯碼規則表就是一個完善的分類模型，采用先聚類再分類的過程，更接近人在現實中對莫爾斯電碼進行分類的過程。圖6展現了按先聚類再分類的方法判別1000條莫爾斯電碼數據的結果，正確率意外地達到 100% ，且消耗算力較小，可輕松地在邊緣計算設備上實現對莫爾斯碼的識別。

甚至于可以僅采用簡單的數學方法來判別聲音的長短，如本文一開始所說，“同一符號中的點與點、點與劃、劃與劃之間需要間隔1個時間單位，而兩個符號之間需要間隔3個時間單位”，那么代表間隔的“0”的重復次數，就可以作為計算聲音長度的標尺，而到底多長的聲音作為劃，多短的聲音作為點，是可以從訓練數據中經由統計計算獲得的，這就是用數學建模的方式來進行識別。

當然，會有人問，這還能算是人工智能解決問題的教學內容嗎？筆者建議不要過于糾結這種稱謂上的問題，教學的關鍵是，讓學生體驗建立訓練數據、從訓練數據中尋找規律并建立模型的過程，而具體的實現方式是具有多樣性的。在識別莫爾斯電碼的整體項目任務框架中，通過特定的梳理和挖掘，能顯現出體現人的獨特創造作用的路徑。盡管說，學生學習了人工智能的機器學習算法，然后在具體情境中運用學習成果，這是相當合理的學習過程，但也不要放棄對更理想狀態的追求，為了創造而運用學習到的知識，但又不被已熟悉的解決問題的模式所束縛。