一種基於機器學習的Morse信號自動檢測解碼方法與流程
2023-09-27 08:27:35 1
本發明涉及機器學習
技術領域：
，尤其是涉及一種基於機器學習的Morse信號自動檢測判別與解碼的方法。
背景技術：
：作為計算機實現自動模式識別的關鍵
技術領域：
，機器學習旨在利用計算機模仿人類基於已有知識，進而對新數據進行分析判斷的決策過程。其中，分類器是機器學習技術的重要研究方向。分類的概念是指在已有數據的基礎上得出一個分類函數或構造出一個分類模型(即分類器)。該函數或模型能夠把資料庫中的數據紀錄映射到給定類別中的某一個，從而可以應用於數據預測。總之，分類器是數據挖掘中對樣本進行分類的方法的統稱，包含決策樹、邏輯回歸、樸素貝葉斯、神經網絡等算法。其中，決策樹是一種常用的分類方法，相比於其他分類方法，其具有算法複雜度低，數據預測速度快的特點。決策樹的預測過程為通過對已知數據的分析，構建一種樹形結構，樹形的各個分支節點代表一個測試輸出，末端節點為最終的預測結果輸出。在預測未知數據結果時，通過從樹頂端開始向末端節點延伸，期間經過多個分支節點，最終指向唯一的末端節點，得到預測結果值。本發明技術所針對的Morse信號是短波通信中的一種通信方式，其具有信號帶寬窄，設備簡單，機動性、抗毀性強等特點，是強噪聲幹擾背景下信號通信的主要信號類型之一。通過信號接收儀器，對當前信道中存在的Morse信號頻段進行定位，並進行碼文翻譯，從而完成基於Morse碼的通信信息交互，是通信工作的重要任務之一。目前，Morse信號的接收仍然採用人工值守方式，隨著科學技術的進步發展，這種人工方式日益暴露出一些弊端。人用耳朵接收到Morse信號後，大腦需要對Morse信號含義做出判別，才能翻譯出所接收到Morse信號的含義。但人的反應能力畢竟是有限的，不可能長時間保持高度有效的工作狀態。當信息量逐漸增加，要求對所接收到的信號做快速解碼處理時，這就對報務員提出了一定的挑戰。因為耳朵識別信號和解碼都需要一定的時間，報務員在長時間精力高度集中的狀態下工作，難以保證對Morse信號含義進行準確解碼。這種重複的工作枯燥、易使人疲勞，所以，誤譯、漏譯的情況是不可避免的。更重要的是，培養一名優秀的報務員，需要一定的時間和財力。因此，研究一種能夠部分取代人的自動檢測與判別系統，實現Morse信號的自動檢測與解碼，具有重要的意義。現有的Morse自動檢測解碼方法，存在信號判別類型固定、對手工發報的Morse信號的解碼準確率較低的問題。本發明針對於人工進行Morse信號檢測解碼方法存在的人力成本高、準確率不穩定、以及現有其他一些Morse自動檢測解碼方法存在的檢測解碼適用性不高的問題，提出一種基於機器學習的Morse信號自動檢測解碼方法，在保證保持高檢測解碼準確率的同時，有效減少檢測解碼所需的人工成本，提高Morse檢測解碼的時效性。技術實現要素：本發明所要解決的技術問題是針對傳統Morse信號檢測解碼方式存在的人工成本高、準確率受人為因素影響大的問題，提供一種基於機器學習構建的分類器Morse檢測解碼方法，在保證檢測解碼準確率的前提下，有效降低人工成本，提高Morse檢測解碼的效率。本發明解決上述技術問題所採用的技術方案為：一種基於機器學習的Morse信號特徵構建分類器方法，針對Morse信號進行信號檢測和解碼。本發明的技術方案流程如圖1所示。本方法包含如下步驟：1)讀入寬帶信號數據，並進行fft變換，得到寬帶信號時頻圖譜。2)基於能量累積的有效信號檢測：對寬帶信號時頻圖譜沿頻率方向求能量累積。根據信號強度與時頻圖譜能量成正比可知，當某一頻率區間存在可檢測的信號時，沿該頻段方向求得的能量累積值將明顯高於相鄰的無檢測信號區域的能量累積值。該過程如圖2所示。圖2中，上小圖為時頻圖譜示例，下小圖為沿頻率方向求能量累計的能量累積曲線。可以發現，時頻圖譜存在可檢測信號的頻率段，對應下方的能量累積曲線的局部峰值。具體的峰值劃分閾值的計算方法為計算輸入時頻圖的行和矩陣V的均值μ與標準差σ，定位閾值T＝μ+C*σ，C為常數係數，默認為1。將能量累積曲線中各個高於定位閾值T的連續區間定義為峰值區間。因此，通過按照能量累積曲線的等值區間，對時頻圖譜相應頻率段進行截取，可以獲取到有效信號時頻圖譜。3)對檢測到的有效信號進行特徵提取，得到有效信號的特徵矩陣：通過對已獲取的有效信號時頻圖進行特徵分析，可以得到用於比對描述該有效信號時頻圖與Morse特徵差距的特徵矩陣。特徵矩陣包含了以下幾種特徵：3.1)波動度特徵信號的間斷性是Morse信號的重要特徵之一。該特徵可以描述為對信號所處頻段的時頻圖譜，沿頻率方向求累積值，可得到較為規則的非等間距方波曲線，對該方波信號峰值部分的間斷呈現出波動但不劇烈且持續的特點。為了這一特徵數值化，採用對能量累積曲線的峰值部分求取標準差。上述過程可用以下公式描述：I_ij表示信號時頻圖，i表示y軸坐標，j表示x軸坐標，其中y軸坐標範圍為[1,m]，x軸坐標範圍為[1,n]。對於y軸投影曲線最大值所在行稱為圖像局部區域，對該區域進行x軸投影：Hj＝Ikj(k＝i，k為y軸投影最大點)(j＝1,2…n)。基於y軸投影最大區域位置行的x軸投影：(k為y軸投影最大點)(j＝1,2…n)。對投影曲線求取標準差：標準差公式為將該標準差數值結果作為波動度特徵結果輸出。3.2)鏡像度特徵信號的鏡像度是Morse信號的重要特徵之一。該特徵可以描述為對於Morse信號，信號時頻圖沿時間方向的能量累積曲線以最高點為中心近似對稱。該特徵主要為Morse信號等線性聚集信號所獨有，而話音信號等不具備該特徵，因此可以有效區分Morse信號與其他類型的信號。該特徵如圖3所示。其中圖3左小圖為Morse信號的能量累積曲線，右小圖為話音信號的能量累積曲線，對比圖3左右兩小圖可以觀察到Morse信號具有很高的鏡像度，而話音信號的鏡像度很低。為了這一特徵數值化，採用如下方式對鏡像度進行計算：定義信號能量曲線的有效值域區間[a,b]，設定閾值C，曲線中高於C的部分為有效區域。其中，C＝0.3*(b-a)+a。以曲線最高點為起始點，向兩側找曲線第一次衰落到C以下時的位置作為結束點，分別求起始點與兩側結束點的距離L_l和L_r。求M＝|L_l-L_r|，對稱時結果接近0；將鏡像度度量值M作為鏡像度特徵提取結果進行輸出。3.3)分散度特徵信號的分散度是Morse信號的重要特徵之一。該特徵可以描述為對於Morse信號，對信號區域對應的時頻圖譜沿時間方向累積得到能量曲線，實際上得到的是信號在每個離散頻點的能量累積量，這些累積量的幅度分布是不均勻的，通過累積量的幅度分布間隔，可以區分。因此，對頻點幅度對應的值域區間中包含的離散頻點個數進行統計，得到曲線的空間分散度特徵。通過區分度量指標，可以得到不同信號的曲線空間分布密度特徵，表現為以下三種特徵：高位聚集、中位聚集、低位聚集。Morse信號具有較強的低位聚集的曲線空間分布密度特徵，如圖4左小圖所示；而話音信號、FM等信號的低位聚集特徵不明顯，如圖4右小圖所示。為了這一特徵數值化，採用如下方式對分散度進行計算：求能量累積曲線的值域區間|V(i)|∈[a,b]，設區間大小為k(k＝b-a)，對k劃分(通過研究k值與時頻解析度的關係，得到對應關係數組)，統計每個區間中的散點數量。將包含各區間的散點數量的數組作為分散度特徵提取結果輸出。對以上三種特徵的輸出結果進行合併，得到待檢測信號時頻圖的特徵矩陣。4)基於機器學習構建的決策樹分類器，通過對有效信號的特徵矩陣進行分析，從而實現Morse信號判別：通過對已知的信道環境下的Morse信號特徵矩陣進行收集，構建決策樹分類器並完成分類器訓練。隨後將待檢測的信號的特徵矩陣輸入到已訓練好的決策樹分類器，得出Morse信號的判別結果。5)基於K-均值的Morse解碼：Morse解碼可理解為將以數據長度形式表示的Morse信號轉換成有實際意義且可閱讀的Morse電碼報文。因此解碼算法包括兩部分內容：基於K-means的點劃識別和查表解碼。標準Morse碼的各符號(點、劃、碼間隔、字符間隔、字間隔)的時寬存在1:3:1:5:7的比例關係。但在實際發報中，由於發報人手法各異以及信道中的噪聲幹擾，會使得Morse信號報文的數據長度不能嚴格滿足上述比例關係。因此採用機器學習中的K-means聚類算法，從而提高點劃的識別率。分析Morse時頻圖像，矩形塊為信號區域，矩形塊的長度代表碼長，通過分析碼長可以判斷矩形塊屬於點還是劃。相鄰矩形塊的距離代表了間隔，其長短代表了間隔的類型，包括碼間隔、字符間隔和字間隔，通過間隔來對點划進行正確的分組。參數提取主要是獲得碼和間隔的長度。設Morse信號的時頻二值化圖像對應的時頻矩陣為I(x,y)，算法如下：Step1：通過對時頻矩陣I求取列和，得到一維矩陣IA；Step2：一維矩陣IA中大於0的值設為1，得到二值矩陣B，其中0代表空碼、1代表傳碼；Step3：定位到首個1出現的時間，並記錄Pos_1；Step4：定位到首個0出現的時間，記錄Pos_0，計算傳碼碼長：ΔT1＝Pos_0-Pos_1；Step5：定位到下一個1出現的時間，更新Pos_1，計算空碼碼長：ΔT0＝Pos_1-Pos_0，如未定位到，則終止，否則跳轉至Step4。通過以上步驟，可以得到更具有信息量的0、1分布情況的二維矩陣B(2行n列)。第一行表示0出現或者1出現；第二行表示0或者1的持續時間。這樣就記錄了碼文和間隔的長度，可用於點劃識別。隨後，使用基於K-means的聚類算法對三種符號的長度進行聚集分類。方法如下：Step1：求初始聚類中心：對間隔長度直方圖採用最大值方法，求得第一個峰、第二個峰的間隔長度和最大間隔長度作為初始中心；Step2：用K-means聚類算法聚類；Step3：將3個聚類結果歸類為碼間隔、字符間隔和字間隔。該過程如圖5所示，其中左上圖為Step1過程，右上圖為Step2過程，下圖為基於K-means的聚類算法的聚類劃分結果，對Morse信號圖進行三種符號的劃分。隨後，基於以上過程，對Morse報文進行二值化和間斷化表示，最終完成由Morse信號時頻圖到Morse報文的轉換。最後，按照圖6所示Morse解碼碼錶的電子表格，將報文自動化的轉換為碼文，實現Morse信號的解碼過程。與傳統的Morse檢測解碼技術相比，本發明的優點在於：傳統的人工檢測解碼方法需要進行大量的人員培訓工作，同時對於完成人工Morse信號檢測解碼的人員的經驗要求很高，且在長時間進行信號檢測工作後，檢測解碼準確率會隨著人員的疲勞而下降。現有的Morse自動檢測解碼方法，主要以標準Morse信號為檢測前提，沒有充分考慮Morse信號碼文長度因發報人員的習慣手法而導致的同一符號的長度不等。本發明充分利用Morse信號的時頻圖譜特徵，引入機器學習領域的決策樹分類器判別方法，通過對信號的特定特徵進行提取，對Morse信號進行判別。同時，針對於Morse報文的長度不統一性，引入K-means聚類算法，解決不規範的Morse報文的解碼。該方法可以在保證Morse信號檢測解碼的準確率的同時，有效提高Morse信號檢測解碼過程的自動化以及對不規範Morse碼文的抗幹擾能力，保持監測解碼的高時效性。實驗結果表明，本發明的方法與3D-HEVC中採用的合併模式快速判定方法相比，能夠在碼流只有少許增加，編碼質量基本不降低的情況下，節省平均20.4％的非獨立視點紋理圖編碼時間。所述4)中採用了基於信號的波動度、鏡像度、分散度特徵的決策樹分類器構建方法，進而實現對於Morse信號的檢測。所述5)中對Morse碼文的三種符號間隔進行統計，並使用K-means聚類算法對三種符號的間隔進行聚類，得出基於聚類結果的間隔識別，對報文解碼進行間隔識別。附圖說明圖1是本發明方法的流程圖；圖2是基於能量累積的有效信號檢測示意圖；圖3是鏡像度特徵示意圖；圖4是分散度特徵示意圖；圖5是基於K-means聚類方法的碼文符號分析示意圖。圖6是Morse解碼碼表示意圖。具體實施方式以下結合附圖對本發明作進一步詳細闡述。本發明針對Morse信號的檢測與解碼特點，設計了基於機器學習的Morse自動檢測與解碼方法。在實際的使用中，計算機將調用基於本發明方法流程的程序完成具體的Morse信號自動檢測解碼工作。圖1為本發明方法的流程圖。本發明的方法步驟如下：第一步：讀入寬帶信號數據，並進行fft變換，得到寬帶信號時頻圖譜。第二步：基於能量累積的有效信號檢測：對寬帶信號時頻圖譜沿頻率方向求能量累積。根據信號強度與時頻圖譜能量成正比可知，當某一頻率區間存在可檢測的信號時，沿該頻段方向求得的能量累積值將明顯高於相鄰的無檢測信號區域的能量累積值。該過程如圖2所示。圖2中，上小圖為時頻圖譜示例，下小圖為沿頻率方向求能量累計的能量累積曲線。可以發現，時頻圖譜存在可檢測信號的頻率段，對應下方的能量累積曲線的局部峰值。因此，通過按照能量累積曲線的峰值位置，對時頻圖譜相應頻率段進行截取，可以獲取到有效信號時頻圖譜。第三步：對檢測到的有效信號進行特徵提取，得到有效信號的特徵矩陣：通過對已獲取的有效信號時頻圖進行特徵分析，可以得到用於比對描述該有效信號時頻圖與Morse特徵差距的特徵矩陣。特徵矩陣包含了以下幾種特徵：3.1)波動度特徵信號的間斷性是Morse信號的重要特徵之一。該特徵可以描述為對信號所處頻段的時頻圖譜，沿頻率方向求累積值，可得到較為規則的非等間距方波曲線，對該方波信號峰值部分的間斷呈現出波動但不劇烈且持續的特點。為了這一特徵數值化，採用對能量累積曲線的峰值部分求取標準差。上述過程可用以下公式描述：I_ij表示信號時頻圖，i表示y軸坐標，j表示x軸坐標，其中y軸坐標範圍為[1,m]，x軸坐標範圍為[1,n]。對於y軸投影曲線最大值所在行稱為圖像局部區域，對該區域進行x軸投影：Hj＝Ikj(i＝k，k為y軸投影最大點)(j＝1,2…n)。基於y軸投影最大區域位置行的x軸投影：(k為y軸投影最大點)(j＝1,2…n)。對投影曲線求取標準差：標準差公式為將該標準差數值結果作為波動度特徵結果輸出。3.2)鏡像度特徵信號的鏡像度是Morse信號的重要特徵之一。該特徵可以描述為對於Morse信號，信號時頻圖沿時間方向的能量累積曲線以最高點為中心近似對稱。該特徵主要為Morse信號等線性聚集信號所獨有，而話音信號等不具備該特徵，因此可以有效區分Morse信號與其他類型的信號。該特徵如圖3所示。其中圖3左小圖為Morse信號的能量累積曲線，右小圖為話音信號的能量累積曲線，對比圖3左右兩小圖可以觀察到Morse信號具有很高的鏡像度，而話音信號的鏡像度很低。為了這一特徵數值化，採用如下方式對鏡像度進行計算：定義信號能量曲線的有效值域區間[a,b]，設定閾值C，曲線中高於C的部分為有效區域。其中，C＝0.3*(b-a)+a。以曲線最高點為起始點，向兩側找曲線第一次衰落到C以下時的位置作為結束點，分別求起始點與兩側結束點的距離L_l和L_r。求M＝|L_l-L_r|，對稱時結果接近0；將鏡像度度量值M作為鏡像度特徵提取結果進行輸出。3.3)分散度特徵信號的分散度是Morse信號的重要特徵之一。該特徵可以描述為對於Morse信號，對信號區域對應的時頻圖譜沿時間方向累積得到能量曲線，實際上得到的是信號在每個離散頻點的能量累積量，這些累積量的幅度分布是不均勻的，通過累積量的幅度分布間隔，可以區分。因此，對頻點幅度對應的值域區間中包含的離散頻點個數進行統計，得到曲線的空間分散度特徵。通過區分度量指標，可以得到不同信號的曲線空間分布密度特徵，表現為以下三種特徵：高位聚集、中位聚集、低位聚集。Morse信號具有較強的低位聚集的曲線空間分布密度特徵，如圖4左小圖所示；而話音信號、FM等信號的低位聚集特徵不明顯，如圖4右小圖所示。為了這一特徵數值化，採用如下方式對分散度進行計算：求能量累積曲線的值域區間|V(i)|∈[a,b]，設區間大小為k(k＝b-a)，對k劃分(通過研究k值與時頻解析度的關係，得到對應關係數組)，統計每個區間中的散點數量。將包含各區間的散點數量的數組作為分散度特徵提取結果輸出。對以上三種特徵的輸出結果進行合併，得到待檢測信號時頻圖的特徵矩陣。第四步：基於機器學習構建的決策樹分類器，通過對有效信號的特徵矩陣進行分析，從而實現Morse信號判別：通過對已知的信道環境下的Morse信號特徵矩陣進行收集，構建決策樹分類器並完成分類器訓練。隨後將待檢測的信號的特徵矩陣輸入到已訓練好的決策樹分類器，得出Morse信號的判別結果。第五步：基於K-均值的Morse解碼：Morse解碼可理解為將以數據長度形式表示的Morse信號轉換成有實際意義且可閱讀的Morse電碼報文。因此解碼算法包括兩部分內容：基於K-means的點劃識別和查表解碼。標準Morse碼的各符號(點、劃、碼間隔、字符間隔、字間隔)的時寬存在1:3:1:5:7的比例關係。但在實際發報中，由於發報人手法各異以及信道中的噪聲幹擾，會使得Morse信號報文的數據長度不能嚴格滿足上述比例關係。因此採用機器學習中的K-means聚類算法，從而提高點劃的識別率。分析Morse時頻圖像，矩形塊為信號區域，矩形塊的長度代表碼長，通過分析碼長可以判斷矩形塊屬於點還是劃。相鄰矩形塊的距離代表了間隔，其長短代表了間隔的類型，包括碼間隔、字符間隔和字間隔，通過間隔來對點划進行正確的分組。參數提取主要是獲得碼和間隔的長度。設Morse信號的時頻二值化圖像對應的時頻矩陣為I(x,y)，算法如下：Step1：通過對時頻矩陣I求取列和，得到一維矩陣IA；Step2：一維矩陣IA中大於0的值設為1，得到二值矩陣B，其中0代表空碼、1代表傳碼；Step3：定位到首個1出現的時間，並記錄Pos_1；Step4：定位到首個0出現的時間，記錄Pos_0，計算傳碼碼長：ΔT1＝Pos_0-Pos_1；Step5：定位到下一個1出現的時間，更新Pos_1，計算空碼碼長：ΔT0＝Pos_1-Pos_0，如未定位到，則終止，否則跳轉至Step4。通過以上步驟，可以得到更具有信息量的0、1分布情況的二維矩陣B(2行n列)。第一行表示0出現或者1出現；第二行表示0或者1的持續時間。這樣就記錄了碼文和間隔的長度，可用於點劃識別。隨後，使用基於K-means的聚類算法對三種符號的長度進行聚集分類。方法如下：Step1：求初始聚類中心：對間隔長度直方圖採用最大值方法，求得第一個峰、第二個峰的間隔長度和最大間隔長度作為初始中心；Step2：用K-means聚類算法聚類；Step3：將3個聚類結果歸類為碼間隔、字符間隔和字間隔。該過程如圖5所示，其中左上圖為Step1過程，右上圖為Step2過程，下圖為基於K-means的聚類算法的聚類劃分結果，對Morse信號圖進行三種符號的劃分。隨後，基於以上過程，對Morse報文進行二值化和間斷化表示，最終完成由Morse信號時頻圖到Morse報文的轉換。最後，按照圖6所示Morse解碼碼錶的電子表格，將報文自動化的轉換為碼文，實現Morse信號的解碼過程。為了檢驗本發明所提出的方法的性能，將基於本發明方法的電腦程式對多個包含不同類型信號的信道的數據進行實際測試，並對該Morse自動檢測解碼的結果進行人工復檢，得出本發明方法結果的正確率。實驗硬體環境為Intel(R)Core(TM)i5-4200MCPU，8GBRAM配置的計算機。實驗軟體平臺為VisualStudio2010，用於測試的信道數據包括5MHz、7MHz、9MHz、12MHz等多個頻段的時長為101秒的採樣時頻數據.dat文件。表1為部分信道環境下的本發明方法的檢測解碼性能統計結果。由於各個信道數據除包含Morse信號外，還包含大量其他類型的信號(如話音信號、調頻信號、調幅信號等)，同時這些非Morse類型的信號在信號特徵上各有異同，因此可以使用這些信道數據來測試本發明的算法在複雜信號環境下的Morse信號檢測解碼的適用性。與傳統的檢測解碼過程相比，本發明方法克服了作業人員的疲勞導致的對於檢測解碼正確率的影響。同時，對於手工發報的不規範碼文的解碼準確率也處於同領域的較高水平。表1的第二行內容為在各個信道環境下，實際真實存在的Morse信號數量、基於本發明方法檢測到的Morse信號數量，以及經過人工復檢後，在基於本發明方法所檢測到的Morse信號中包含正確的Morse的信號數量。後幾行內容分別為Morse信號數量檢測的正確率，Morse信號解碼的正確率，以及同一頻點的Morse信號的平均處理延遲。從表中可以看出，本發明在所列的4種信道環境下，能夠高效地對Morse信號進行檢測捕獲，同時對信道中存在的非Morse信號類型具備抗檢測幹擾能力，檢測正確率保持在95％以上。在解碼方面，本發明方法對於信道中存在的機器碼和手工碼均具有較好的解碼識別能力，解碼正確率保持在80％以上。同時，通過統計平均單個頻點Morse信號的檢測解碼過程處理延遲，可以發現平均到每個Morse信號，數據從開始檢測到解碼完成能夠在0.25s內完成，Morse信號檢測解碼的高實時性。表1部分測試信道環境下的本發明方法的檢測解碼性能統計結果數據源(MHz)5MHz7MHz9MHz12MHz存在/檢測/正確Morse數量25/26/2546/47/4542/43/4214/14/14檢測正確率0.9620.9570.9771解碼正確率0.8210.8370.8580.843平均處理延遲(s)0.250.240.270.22表2為對比基於人工的Morse檢測解碼方法、現有的一種基於時域分析的檢測解碼方法，以及本發明的基於機器學習的Morse自動檢測解碼方法。從表中可以看出，本發明方法在Morse信號的檢測準確率方面，與具有豐富信號檢查的經驗的人員完成的人工檢測解碼方法的檢測準確率基本持平，且高於現有的時域檢測解碼方法；在準確率波動性方面，本發明方法由於是基於計算機自動執行，因此受人員持續工作等因素的影響波動性明顯少於人工檢測解碼的準確率穩定性；在解碼正確率方面，本發明方法與具有豐富信號檢測經驗的人員完成的人工解碼正確率基本持平，並高於現有的時域檢測解碼方法；在完成檢測解碼的平均用時方面，少於人工檢測解碼方法與時域檢測解碼方法。從而證明本發明方法在Morse檢測解碼的準確、穩定、高效方面具有先進性。表2不同Morse檢測解碼方法性能的對比Morse檢測解碼方法人工檢測解碼一種時域檢測解碼方法本發明方法檢測準確率95％75％95％準確率波動性±20％±5％±5％解碼正確率85％60％84.3％檢測解碼延遲(秒/字符)＞1s＜500ms＜250ms當前第1頁1 2 3