[发明专利]基于隐马尔可夫模型的调频广播信号报时特征识别方法

摘要

本发明公开基于隐马尔可夫模型的调频广播信号报时特征识别方法，本发明涉及无线电监测领域，解决根据频谱特征如何识别广播整点报时的新技术问题。本发明能够仅仅采集多帧整点时段的频谱数据用以训练模型，然后仅需要对整点时刻进行监测即能完成报时特征识别，显著并实质地，降低了数据处理量，加快了“黑广播”自动发现速度；本发明不受地区和时间的限制，节省人力，有助于提高查找黑广播效率；由于整点报时是区分合法广播与“黑广播”的重要指标之一，因此本发明可用于减少“黑广播”的频点的查找数量，增加对“黑广播”识别的准确率。

主权项

1.基于隐马尔可夫模型的调频广播信号报时特征识别方法，其特征在于，包括以下步骤：步骤1、在广播频段内获取整点时刻邻域内各个调频广播信号预设带宽的数据帧集合，通过静音模板匹配方法，对每个数据帧作静音标记，将该数据帧集合标记为静音数据和剩余数据的0‑1序列，在0‑1序列上计算每个滑动区间内的属性，对每个属性进行离散化处理并对离散化处理的结果进行编号，获得编号集，再对编号集进行特征组合后，获得第一特征向量；步骤2、将整点时刻邻域内一个完整的整点报时分为若干过程，将若干过程作为隐马尔可夫模型的隐藏状态集合,将步骤1中的编号集作为隐马尔可夫模型的观察状态集合并将第一特征向量作为隐马尔可夫模型观察序列,然后获得初始化或更新的状态转移矩阵、观察概率矩阵和初始概率分布；步骤3、将预先采集的整点报时和不报时两类数据分别作为两个训练集，每个训练集分别作为步骤1的数据帧集合，然后利用隐马尔可夫模型参数学习算法在步骤1和步骤2内构建关于每个训练集的循环迭代训练，在循环迭代训练结束后，对应两个训练集分别获得报时隐马尔可夫模型和不报时隐马尔可夫模型；步骤4、将实时数据作为步骤1的数据帧集合，通过步骤1获得第二特征向量；步骤5、将第二特征向量分别代入报时隐马尔可夫模型和不报时隐马尔可夫模型，对应获得报时匹配概率和不报时匹配概率，当最大匹配概率等于报时匹配概率时，当前整点时刻信号识别结果为报时。