基于人工智能的无线电台事件分析方法及系统

本发明属于电台事件分析，具体是基于人工智能的无线电台事件分析方法及系统。

背景技术：

1、无线电台事件分析方法是一种利用信号监测技术、语音识别技术获取无线电台传播的内容，通过自然语言处理技术，对内容进行文本分析，提取关键信息、观点和情感倾向，旨在了解公众对特定事件和话题在无线电台这个渠道上的舆论态势，进一步结合大数据分析来洞察舆论的发展趋势、关联因素，以便更好地进行应对和决策。

2、但是现有的无线电台事件分析方法存在电台事件数据较为复杂，总体特征不明确，导致电台事件评估不准确，影响电台的运营和发展方向，造成听众体验不佳的技术问题；存在不同电台事件在分类上不一致，面对众多事件难以合理安排先后顺序，造成资源分配不合理，对电台事件的独特性分析不全面，容易产生主观判断偏差的技术问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了基于人工智能的无线电台事件分析方法及系统，针对存在电台事件数据较为复杂，总体特征不明确，导致电台事件评估不准确，影响电台的运营和发展方向，造成听众体验不佳的技术问题，采用电台事件评估，具体为进行数据预处理，选择重要特征构建决策树结构，通过计算信息增益确定特征和分支，计算累积残差熵评估整体电台事件数据的不确定性，帮助了解数据的复杂程度，把握电台事件的总体特征，计算条件累积残差熵评估特征和评估结果的关系，提升评估准确性；针对存在不同电台事件在分类上不一致，面对众多事件难以合理安排先后顺序，造成资源分配不合理，对电台事件的独特性分析不全面，容易产生主观判断偏差的技术问题，采用重新定位确保分类一致性，并参照电台事件的作用、引入独特性指标，计算个体的综合评估值确定电台事件处理优先级和资源分配。

2、本发明采取的技术方案如下：本发明提供的基于人工智能的无线电台事件分析方法，该方法包括以下步骤：

3、步骤s1：数据采集，具体为采集到无线电台信号的音频数据和对应的时间戳信息数据，得到电台事件数据集；

4、步骤s2：特征提取，具体为提取音频特征和时间特征，分析电台事件数据的规律；

5、步骤s3：电台事件评估，具体为进行数据预处理，选择重要特征构建决策树结构，通过计算信息增益确定特征和分支，计算累积残差熵评估整体电台事件数据的不确定性，帮助了解数据的复杂程度，把握电台事件的总体特征，计算条件累积残差熵评估特征和评估结果的关系，提升评估准确性；

6、步骤s4：电台事件分类处理，具体为重新定位确保分类一致性，并参照电台事件的作用、引入独特性指标，计算个体的综合评估值确定电台事件处理优先级和资源分配；

7、步骤s5：结果反馈优化，具体为根据电台事件分类结果按照事件类型合理配置人力物力资源。

8、进一步地，在步骤s1中，所述数据采集，包括以下步骤：

9、步骤s11：利用专门的无线电信号接收装置，实时接收无线电台信号，将接收到的无线电台音频进行录制，获取原始数据；

10、步骤s12：利用时间戳信息对接收的信号进行分段和整理，以便后续分析对应不同时间段的事件；

11、步骤s13：采集到无线电台信号的音频数据和对应的时间戳信息数据，得到电台事件数据集。

12、进一步地，在步骤s2中，所述特征提取，具体为从音频数据中提取音频特征，从时间戳信息中提取事件发生的时间间隔和时间段内的事件频率，结合音频内容进行语义分析，提取出事件主题和关键词特征，用于进一步理解和分析电台事件数据的规律；

13、所述音频特征包括语调、音色、音频强度变化和音频的持续时长。

14、进一步地，在步骤s3中，所述电台事件评估，包括以下步骤：

15、步骤s31：数据预处理，将收集到的电台事件信息，进行数据预处理和特征选择，将对电台事件评估重要的特征作为决策树的节点，生成决策树结构，分支表示不同的特征条件和判断路径；

16、所述对电台事件评估重要的特征包括事件主题、发言者身份、言论关键词、情感关键词、传播热度和事件的时间信息；

17、步骤s32：构建决策树模型，选择信息增益最大的特征作为决策树的根节点，对于特征的取值，细分数据，形成子节点，在每个子节点处，计算新的信息增益并选择特征继续构建分支，直到达到预定的树深度，所用公式如下：

18、；

19、式中，表示信息增益，表示第i个电台事件特征信息，是训练数据集中电台事件评估结果的累积残差熵，y表示与电台事件相关的连续随机变量，是条件累积残差熵；

20、步骤s33：训练决策树，使用已知电台事件结果的训练数据调整决策树的参数，更好地对电台事件进行分类和预测；

21、步骤s34：通过验证集评估决策树的性能，进行优化和调整，确保决策树能准确地对新的电台事件数据输入进行评估和判断，包括判断新事件的热度和受关注的程度；

22、步骤s35：计算累积残差熵，用于评估整体电台事件数据的不确定性，所用公式如下：

23、；

24、式中，i表示特征信息的索引，n表示特征信息的总数，yi表示电台事件评估结果的值，yi-1表示与yi相邻的前一个电台事件评估结果的值，表示连续随机变量大于等于电台事件评估结果的概率；

25、步骤s36：计算条件累积残差熵，用于更准确地评估特征和电台事件评估结果之间的关系，所用公式如下：

26、；

27、式中，表示在特征的条件下的条件累积残差熵，j表示不同类别特征的数量，j表示不同类别特征的索引，表示整个电台事件评估结果数据集的大小，表示在特征为第j个类别时所对应的电台事件评估结果的子集。

28、进一步地，在步骤s4中，所述电台事件分类处理，包括以下步骤：

29、步骤s41：重新定位，用于确保不同电台事件在分类上的一致性，避免混乱和矛盾，所用公式如下：

30、；

31、式中，表示电台事件标准的分类位置向量，所述位置表示根据不同的信号特征、频率范围、事件类型来确定的一个相对位置，表示电台事件实际的分类位置向量，m表示重新定位过程中用于电台事件分类的目标维度总数量，表示重新定位后电台事件的分类位置向量，k表示遍历各个目标维度的索引；

32、步骤s42：随机扩散，所用公式如下：

33、；

34、式中，x表示个体的电台事件，sde表示随机扩散机制，sf表示位置修改操作，表示第一个参照电台事件，表示第二个参照电台事件，表示第n-1个参照电台事件，表示个体的电台事件与第一个参照电台事件之间的距离度量，n表示电台事件总数；

35、所述参照电台事件在扩散过程中起到对比和参考的作用，通过与参照电台事件进行比较和度量，确定个体电台事件在随机扩散中的位置关系和变化程度；

36、步骤s43：引入独特性指标，用于快速衡量电台事件个体在整个电台事件群体中的相对位置和独特性，有助于快速定位和区分具有特殊性质的电台事件，所用公式如下：

37、；

38、式中，a1表示独特性指标，x表示电台事件集合；

39、步骤s44：综合评估，计算电台事件个体的综合评估值，用于确定优先处理哪些事件、资源如何进行分配，所用公式如下：

40、；

41、式中，表示电台事件个体的综合评估值，表示电台事件严重程度，表示电台事件严重程度最小值，表示电台事件严重程度最大值；

42、所述严重程度表示电台事件引发广泛争议、造成不良社会反响和对公众认知产生误导的程度，严重程度高的电台事件需要更加紧急和优先的处理，减少负面影响和危害。

43、进一步地，在步骤s5中，所述结果反馈优化，具体为根据电台事件分类结果，依据事件类型，合理分配人力、物力资源，针对易发生的事件类型完善预警系统，提升相关人员处理事件的能力。

44、本发明提供的基于人工智能的无线电台事件分析系统，包括数据采集模块、特征提取模块、电台事件评估模块、电台事件分类处理模块和结果反馈优化模块；

45、所述数据采集模块，具体为采集到无线电台信号的音频数据和对应的时间戳信息数据，得到电台事件数据集；

46、所述特征提取模块，具体为提取音频特征和时间特征，分析电台事件数据的规律；

47、所述电台事件评估模块，具体为进行数据预处理，选择重要特征构建决策树结构，通过计算信息增益确定特征和分支，计算累积残差熵评估整体电台事件数据的不确定性，帮助了解数据的复杂程度，把握电台事件的总体特征，计算条件累积残差熵评估特征和评估结果的关系，提升评估准确性；

48、所述电台事件分类处理模块，具体为重新定位确保分类一致性，并参照电台事件的作用、引入独特性指标，计算个体的综合评估值确定电台事件处理优先级和资源分配；

49、所述结果反馈优化模块，具体为根据电台事件分类结果按照事件类型合理配置人力物力资源。

50、采用上述方案本发明取得的有益成果如下：

51、（1）针对存在电台事件数据较为复杂，总体特征不明确，导致电台事件评估不准确，影响电台的运营和发展方向，造成听众体验不佳的技术问题，采用电台事件评估，具体为进行数据预处理，选择重要特征构建决策树结构，通过计算信息增益确定特征和分支，计算累积残差熵评估整体电台事件数据的不确定性，帮助了解数据的复杂程度，把握电台事件的总体特征，计算条件累积残差熵评估特征和评估结果的关系，提升评估准确性；

52、（2）针对存在不同电台事件在分类上不一致，面对众多事件难以合理安排先后顺序，造成资源分配不合理，对电台事件的独特性分析不全面，容易产生主观判断偏差的技术问题，采用重新定位确保分类一致性，并参照电台事件的作用、引入独特性指标，计算个体的综合评估值确定电台事件处理优先级和资源分配。