[发明专利]一种基于机器学习的Morse信号自动检测译码方法

摘要

本发明公开了一种基于机器学习的Morse信号自动检测译码方法。该方法通过对信号时频图中的代表性特征进行提取和比对，实现在包含多类型信号的信道中，对Morse信号的自动检测译码。同时通过引入码文中三类字符长度的聚类，提高了传统的Morse译码方法准确率较低的人工发报码文的译码准确率。通过不同信道环境的实际测试，本发明方法的Morse自动检测正确率保持在95％以上，自动译码准确率保持在80％以上，单个Morse信号的平均处理延迟稳定在0.25秒内，整个Morse检测译码方法具有高时效性。

主权项

1.一种基于机器学习的Morse信号自动检测译码方法，其特征在于：本方法包含步骤过程为：1)读入宽带信号数据，并进行fft变换，得到宽带信号时频图谱；2)基于能量累积的有效信号检测：对宽带信号时频图谱沿频率方向求能量累积；根据信号强度与时频图谱能量成正比可知，当某一频率区间存在可检测的信号时，沿该频率段方向求得的能量累积值将明显高于相邻的无检测信号区域的能量累积值；时频图谱存在可检测信号的频率段，对应下方的能量累积曲线的局部峰值；具体的峰值划分阈值的计算方法为计算输入时频图的行和矩阵V的均值μ与标准差σ，定位阈值T＝μ+C*σ，C为常数系数，默认为1；将能量累积曲线中各个高于定位阈值T的连续区间定义为峰值区间；因此，通过按照能量累积曲线的等值区间，对时频图谱相应频率段进行截取，获取到有效信号时频图谱；3)对检测到的有效信号进行特征提取，得到有效信号的特征矩阵：通过对已获取的有效信号时频图进行特征分析，得到用于比对描述该有效信号时频图与Morse特征差距的特征矩阵；特征矩阵包含了以下几种特征：3.1)波动度特征信号的间断性特征描述为对信号所处频段的时频图谱，沿频率方向求累积值，得到较为规则的非等间距方波曲线，对该方波信号峰值部分的间断呈现出波动但不剧烈且持续的特点；为了这一特征数值化，采用对能量累积曲线的峰值部分求取标准差；用以下公式描述：I_ij表示信号时频图，i表示y轴坐标，j表示x轴坐标，其中y轴坐标范围为[1,m]，x轴坐标范围为[1,n]；对于y轴投影曲线最大值所在行称为图像局部区域，对该区域进行x轴投影：H_j＝I_kj，k＝i，k为y轴投影最大点，j＝1,2…n；基于y轴投影最大区域位置行的x轴投影：对投影曲线求取标准差：标准差公式为将该标准差数值结果作为波动度特征结果输出；3.2)镜像度特征信号的镜像度特征描述为对于Morse信号，信号时频图沿时间方向的能量累积曲线以最高点为中心对称；该特征为Morse信号线性聚集信号所独有，而话音信号不具备该特征，因此能够有效区分Morse信号；对镜像度进行计算过程为：定义信号能量曲线的有效值域区间[a,b]，设定阈值C，曲线中高于C的部分为有效区域；其中，C＝0.3*(b‑a)+a；以曲线最高点为起始点，向两侧找曲线第一次衰落到C以下时的位置作为结束点，分别求起始点与两侧结束点的距离L_l和L_r；求M＝|L_l‑L_r|，对称时结果近似为0；将镜像度度量值M作为镜像度特征提取结果进行输出；3.3)分散度特征信号的分散度特征描述为对于Morse信号，对信号区域对应的时频图谱沿时间方向累积得到能量曲线，实际上得到的是信号在每个离散频点的能量累积量，这些累积量的幅度分布是不均匀的，通过累积量的幅度分布间隔，区分；因此，对频点幅度对应的值域区间中包含的离散频点个数进行统计，得到曲线的空间分散度特征；通过区分度量指标，得到不同信号的曲线空间分布密度特征，表现为以下三种特征：高位聚集、中位聚集、低位聚集；Morse信号具有较强的低位聚集的曲线空间分布密度特征，对分散度进行计算：求能量累积曲线的值域区间|V(i)|∈[a,b]，设区间大小为k， k＝b‑a，对k划分，通过研究k值与时频分辨率的关系，得到对应关系数组，统计每个区间中的散点数量；将包含各区间的散点数量的数组作为分散度特征提取结果输出；对以上三种特征的输出结果进行合并，得到待检测信号时频图的特征矩阵；4)基于机器学习构建的决策树分类器，通过对有效信号的特征矩阵进行分析，从而实现Morse信号判别：通过对已知的信道环境下的Morse信号特征矩阵进行收集，构建决策树分类器并完成分类器训练；随后将待检测的信号的特征矩阵输入到已训练好的决策树分类器，得出Morse信号的判别结果；5)基于K‑均值的Morse译码：Morse译码可理解为将以数据长度形式表示的Morse信号转换成有实际意义且可阅读的Morse电码报文；因此译码算法包括两部分内容：基于K‑means的点划识别和查表译码；标准Morse码的各符号的时宽存在1:3:1:5:7的比例关系；但在实际发报中，由于发报人手法各异以及信道中的噪声干扰，会使得Morse信号报文的数据长度不能严格满足上述比例关系；因此采用机器学习中的K‑means聚类算法，从而提高点划的识别率；分析Morse时频图像，矩形块为信号区域，矩形块的长度代表码长，通过分析码长判断矩形块属于点还是划；相邻矩形块的距离代表了间隔，其长短代表了间隔的类型，包括码间隔、字符间隔和字间隔，通过间隔来对点划进行正确的分组；参数提取是获得码和间隔的长度；设Morse信号的时频二值化图像对应的时频矩阵为I(x,y)，算法过程为：Step1：通过对时频矩阵I求取列和，得到一维矩阵IA；Step2：一维矩阵IA中大于0的值设为1，得到二值矩阵B，其中0代表空码、1代表传码；Step3：定位到首个1出现的时间，并记录Pos_1；Step4：定位到首个0出现的时间，记录Pos_0，计算传码码长：ΔT1＝Pos_0‑Pos_1；Step5：定位到下一个1出现的时间，更新Pos_1，计算空码码长：ΔT0＝Pos_1‑Pos_0，如未定位到，则终止，否则跳转至Step4；通过以上步骤，得到更具有信息量的0、1分布情况的二维矩阵B；第一行表示0出现或者1出现；第二行表示0或者1的持续时间；这样就记录了码文和间隔的长度，可用于点划识别；随后，使用基于K‑means的聚类算法对三种符号的长度进行聚集分类；方法步骤过程为：Step1：求初始聚类中心：对间隔长度直方图采用最大值方法，求得第一个峰、第二个峰的间隔长度和最大间隔长度作为初始中心；Step2：用K‑means聚类算法聚类；Step3：将3个聚类结果归类为码间隔、字符间隔和字间隔。