一种基于深度学习的Morse信号到达检测方法

本发明涉及一种基于深度学习的morse信号到达检测方法，属于短波通信。

背景技术：

1、morse通信作为应急通信方式仍然发挥着重要的作用。目前，morse信号的接收主要依赖人工值守，即报务员需要时刻关注短波电台是否有电报信号传来。一旦监听到morse信号，报务员需要保存高度集中的进行人工译码。因此，morse信号到达检测方法不仅是实现自动译码的关键前置技术，它还能显著提高接收效率和准确性，减少人工监听的工作强度。通过自动检测morse信号到达，可以及时触发自动译码系统，从而实现快速、准确的电报信息传递。

2、目前对于morse信号到达检测技术的研究不多，可以参考语音信号活动区域检测(voice activity detection，vad)用于区分音频信号中的语音部分与静音部分。语音活动检测(vad)方法主要包括基于能量、频域特征和统计模型的方法。基于能量的方法通过比较信号能量与阈值来检测语音活动，简单易实现，但在噪声环境中效果较差；基于频域特征的方法利用傅里叶变换和梅尔频率倒谱系数(mfcc)等频域特征，提高了在噪声环境中的检测性能；基于统计模型的方法如高斯混合模型(gmm)和隐马尔可夫模型(hmm)，通过建模语音和噪声的统计特性，实现更精确的检测。近年来，深度学习方法在vad中得到了广泛应用。深度学习方法通过神经网络模型(如卷积神经网络(cnn)、循环神经网络(rnn)、长短期记忆网络(lstm)等)自动提取和学习语音信号中的复杂特征。这些方法可以处理大量的训练数据，适应不同的语音和噪声环境，提高检测的准确性和鲁棒性。深度学习方法在vad中表现出色，特别是在高噪声环境下，能够显著降低误检率和漏检率，成为目前最先进的语音活动检测技术之一。

技术实现思路

1、技术问题，本发明提出一种基于深度学习的morse信号到达检测方法，旨在实现morse信号的到达检测与结束点判断。

2、技术方案，为了解决上述问题，本发明提出一种基于深度学习的morse信号到达检测方法，通过逐帧(1s)判决的方式进行morse信号到达检测，系统具有很好的实时性能；通过窄带滤波进行信号预处理，有效的滤除带宽范围之外的噪声，提高系统的抗噪声性能；通过深度神经网络来判断一帧信号内是否包含morse信号，该深度学习判决模型具备很好的抗噪声、抗衰落性能，能够达到很高的判决准确率。为达到上述目的，本发明采用的技术方案如下：

3、以1s内的采样数据为一帧，逐帧判断每一帧信号是否包含morse信号，以1代表包含morse信号；0代表不包含。当连续ns帧信号的判决结果为1时，认为检测到一段morse电报出现。检测到morse电报出现后，即开始基于每一帧信号的判决结果寻找这段morse电报的结束节点，当连续ne帧信号的判决结果为0时，则认为这段morse电报结束。

4、进一步的，所述判断一帧信号是否包含morse信号的方法分为两个模块，数据预处理模块以及深度学习判决模块。数据预处理模块对一帧内的采样数据进行滤波降噪；深度学习判决模块基于深度神经网络的输出结果判断这一帧信号是否包含morse信号。其中，所述深度神经网络为通过以预处理后的特征作为输入，以判断是否包含morse信号为输出训练得到的。

5、进一步的，所述的数据预处理模块对1s内的时域采样数据进行窄带滤波。滤波过程使用4阶带通巴特沃斯滤波器，滤波器的通带频率范围是fc-100到fc+100，其中fc为信号载波频率。morse信号占据带宽较窄，对含有加性噪声的信号进行窄带滤波处理可以有效的滤除带宽范围之外的噪声，提高系统的鲁棒性。滤波后的的采样数据将作为后续神经网络的输入特征。

6、进一步的，所述的深度学习判决模块基于所设计的神经网络来实现。神经网络结构包括一维卷积模块，从输入特征中提取更高维度信息并生成序列特征；bi-gru模块，将序列特征输入bi-gru结构，以充分提取上下文信息；全连接结构，将bi-gru输出结果最后一个时间步对应的特征向量输入全连接网络，得到一个1×2的预测向量；softmax层，将预测向量转化为概率结果，并基于此判断这帧信号是否包含morse信号。

7、进一步的，所述的一维卷积模块由3层一维卷积堆叠而成，每层一维卷积之后跟有归一化层、relu激活层以及最大池化层。

8、有益效果，与现有技术相比，本发明的技术方案具有以下有益技术效果：

9、本发明以1s内的数据为最小判决单位，兼顾了实时性与判决准确率，具备很好的实用价值。本发明使用窄带滤波的方式进行数据预处理，可以有效的滤除带宽范围之外的噪声，提高系统的鲁棒性。本发明的神经网络使用bi-gru结构，能够充分提取morse信号的上下文特征。

技术特征：

1.一种基于深度学习的morse信号到达检测方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的morse信号到达检测方法，其特征在于，步骤(1)中，判断一帧信号是否包含morse信号的方法如下：对一帧内的采样数据进行滤波降噪，以预处理后的特征作为深度神经网络的输入，基于深度神经网络的输出结果判断这一帧信号是否包含morse信号；其中，所述深度神经网络为通过以预处理后的特征作为输入，以判断是否包含morse信号为输出训练得到的。

3.根据权利要求2所述的一种基于深度学习的morse信号到达检测方法，其特征在于，对1s内的时域采样数据使用窄带滤波的方式滤除信号噪声，滤波过程使用4阶带通巴特沃斯滤波器，滤波器的通带频率范围是fc-100到fc+100，其中，fc为信号载波频率，滤波后得到的采样数据即为神经网络的输入特征。

4.根据权利要求2所述的一种基于深度学习的morse信号到达检测方法，其特征在于，神经网络结构包括一维卷积模块，从输入特征中提取更高维度信息并生成序列特征；bi-gru模块，将序列特征输入bi-gru结构，以充分提取上下文信息；全连接结构，将bi-gru输出结果最后一个时间步对应的特征向量输入全连接网络，得到一个1×2的预测向量；softmax层，将预测向量转化为概率结果，并基于此判断这帧信号是否包含morse信号，以0、1表示判决结果，以1代表包含morse信号；0代表不包含morse信号。

5.根据权利要求4所述的一种基于深度学习的morse信号到达检测方法，其特征在于，所述一维卷积模块由3层一维卷积堆叠而成，每层一维卷积之后设置有归一化层、relu激活层以及最大池化层。

技术总结本发明公开了一种基于深度学习的Morse信号到达检测方法，用以在音频信号流中监听Morse信号，是Morse信号自动译码的前置技术。所述方法以每1s的音频采样数据为一帧，对每一帧进行一次信号判决。信号判决的目的是判断某一帧信号是否为Morse信号，包括数据预处理模块，对一帧数据进行降噪和特征提取；深度学习判决模块，将预处理得到的特征输入深度神经网络，基于网络的输出结果判断这一帧信号是否为Morse信号。以每一帧的判决结果为依据，判断Morse信号的到达时刻和结束时刻。本发明能够高效、准确的实现Morse信号的到达检测，该技术是实现Morse信号自动译码的前提，同时本发明对低信噪比、衰落等情况具有较好的适应性，有较广泛的实用价值。技术研发人员：王俊波,高长江,周亚鹏,彭志新,常传文,朱伟受保护的技术使用者：东南大学技术研发日：技术公布日：2024/11/4