[发明专利]Morse信号检测与识别方法

说明书

本发明公开了一种Morse信号检测与识别方法，包括对音频时域信号进行短时傅里叶变换，得到第一标准时频图像；对第一标准时频图像进行能量分选及特征提取，确定Morse信号的频点；基于Morse信号的频点对音频时域信号进行数字滤波，得到无干扰信号并进行短时傅里叶变换，得到第二标准时频图像，并得到第二有效时频图像；对第二有效时频图像进行图像增强处理后进行特征序列提取，得到按时域排列的特征序列，再进行报文预测。本发明应用于信号检测与识别领域，解决了检测与识别工作在分辨率方面的矛盾问题，有效提高了低信噪比环境下的识别准确率，验证了其鲁棒性及实用性。

技术领域

本发明涉及信号检测与识别技术领域，具体是一种Morse信号检测与识别方法。

背景技术

Morse信号，是由点、划和间隔组成的排列组合，唯一地表示字母、数字和标点符号。因编码简单、传输高效、带宽成本小且适应恶劣紧急通信环境，Morse电报被广泛用于航空、航海、气象等领域。长期以来，Morse电报由人工听抄，在恶劣复杂通信环境下正确率难以保证，且长时间工作会对报务员身心健康产生诸多负面影响。因此，实现Morse电报的自动接收具有迫切的应用需求。

Morse信号的自动接收分为检测与识别两部分。检测是识别的前提，目的是判断接收到的无线音频中是否存在Morse信号并获得其时频位置。识别是将检测到的Morse信号还原为对应报文信息，是自动接收的最终目标。

Morse信号检测方法主要有时域、频域和时频域法。包络检测是最早出现的方法，实时性强，不需已知信号频率，但抗噪性能差。锁相环法可以在已知目标信号频点的前提下跟踪信号，但对干扰很敏感。卡尔曼滤波法和自适应卡尔曼滤波法，可以在时域有效去除干扰，但需已知目标信号频率，采样点较多时会有一定时间延迟。频域模拟滤波法、频谱方差法基于频域来检测Morse信号，但均难以区分单频信号与目标信号。时频分析法兼顾了信号时域、频域特征，与人工检测方法相似，现有文献采用离散Gabor变换，在时频面上对高频电报信号进行捕捉，还有文献提出基于短时傅里叶变换形成的三维谱图，采用数字图像处理的方法来检测电报信号，证明了其可行性及抗干扰性。目前，效果较好的时频分析检测法大致有三种。其中两种方法通过能量分选提取时频图中有信号的片段，然后设计机器学习分类器或者深度神经网络分类器检测Morse信号。另一种方法，直接在音频数据时频图上进行基于深度学习的目标检测。这几种方法信道环境均为宽带，各类电台信号间隔较远。但在目标Morse信号受到破坏性干扰时，窄带环境内存在大量干扰信号，面临极低信噪比及邻频干扰问题，需要牺牲时频图的时间分辨率获取更高的频率分辨率。这种情况下，时频图中几乎看不出目标信号时域特征，甚至看不到目标信号，深度学习方法基本失效。

Morse信号识别方法可分为传统机器学习方法和深度学习方法。传统机器学习方法，首先估计点、划及间隔的时域持续长度，对其分别分类，分类后根据其排列组合查表译码，适当加入纠错功能。持续时间的计算，不论是直接在时域跟踪信号波形，还是采用时频谱图，均需要预处理工作，识别结果会受到预处理效果的限制。分类阶段应用最广泛的为传统的机器学习模型，如支持向量机、k-means聚类、模糊C均值聚类等，此类方法只使用代码长度作为特征，没有上下文信息，对明显的代码长度偏差缺乏鲁棒性，不可避免地要进行额外的后处理，包括查表和纠错，增加了识别耗时。最近，隐马尔科夫模型(HMM)结合深度神经网络(DNN)的经典语音识别算法、经典文本识别网络CRNN等深度学习方法在Morse识别的应用，避免了分阶段的耗时与错误累积，使识别性能进一步提升。尤其CRNN识别网络，识别准确率可以达到90％，但该网络需要大量训练样本，且信噪比在-10db以下时准确率会逐渐下降。

另外，以往的研究，识别之初就假设提取的时频段只有目标Morse信号，或者直接利用检测阶段检测到的Morse信号时频图段作为识别阶段的输入，并没有在检测与识别两部分之间做处理。识别阶段和检测阶段分别对时间分辨率和频率分辨率有高要求，若直接应用检测阶段输出的Morse信号时频段进行识别，会严重降低识别准确率，影响自动接收效果。

发明内容