本發(fā)明涉及機(jī)器學(xué)習(xí)
技術(shù)領(lǐng)域：
，尤其是涉及一種基于機(jī)器學(xué)習(xí)的Morse信號自動檢測判別與譯碼的方法。
背景技術(shù)：
：作為計(jì)算機(jī)實(shí)現(xiàn)自動模式識別的關(guān)鍵
技術(shù)領(lǐng)域：
，機(jī)器學(xué)習(xí)旨在利用計(jì)算機(jī)模仿人類基于已有知識，進(jìn)而對新數(shù)據(jù)進(jìn)行分析判斷的決策過程。其中，分類器是機(jī)器學(xué)習(xí)技術(shù)的重要研究方向。分類的概念是指在已有數(shù)據(jù)的基礎(chǔ)上得出一個(gè)分類函數(shù)或構(gòu)造出一個(gè)分類模型(即分類器)。該函數(shù)或模型能夠把數(shù)據(jù)庫中的數(shù)據(jù)紀(jì)錄映射到給定類別中的某一個(gè)，從而可以應(yīng)用于數(shù)據(jù)預(yù)測。總之，分類器是數(shù)據(jù)挖掘中對樣本進(jìn)行分類的方法的統(tǒng)稱，包含決策樹、邏輯回歸、樸素貝葉斯、神經(jīng)網(wǎng)絡(luò)等算法。其中，決策樹是一種常用的分類方法，相比于其他分類方法，其具有算法復(fù)雜度低，數(shù)據(jù)預(yù)測速度快的特點(diǎn)。決策樹的預(yù)測過程為通過對已知數(shù)據(jù)的分析，構(gòu)建一種樹形結(jié)構(gòu)，樹形的各個(gè)分支節(jié)點(diǎn)代表一個(gè)測試輸出，末端節(jié)點(diǎn)為最終的預(yù)測結(jié)果輸出。在預(yù)測未知數(shù)據(jù)結(jié)果時(shí)，通過從樹頂端開始向末端節(jié)點(diǎn)延伸，期間經(jīng)過多個(gè)分支節(jié)點(diǎn)，最終指向唯一的末端節(jié)點(diǎn)，得到預(yù)測結(jié)果值。本發(fā)明技術(shù)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(shè)備簡單，機(jī)動性、抗毀性強(qiáng)等特點(diǎn)，是強(qiáng)噪聲干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(dāng)前信道中存在的Morse信號頻段進(jìn)行定位，并進(jìn)行碼文翻譯，從而完成基于Morse碼的通信信息交互，是通信工作的重要任務(wù)之一。目前，Morse信號的接收仍然采用人工值守方式，隨著科學(xué)技術(shù)的進(jìn)步發(fā)展，這種人工方式日益暴露出一些弊端。人用耳朵接收到Morse信號后，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(yīng)能力畢竟是有限的，不可能長時(shí)間保持高度有效的工作狀態(tài)。當(dāng)信息量逐漸增加，要求對所接收到的信號做快速譯碼處理時(shí)，這就對報(bào)務(wù)員提出了一定的挑戰(zhàn)。因?yàn)槎渥R別信號和譯碼都需要一定的時(shí)間，報(bào)務(wù)員在長時(shí)間精力高度集中的狀態(tài)下工作，難以保證對Morse信號含義進(jìn)行準(zhǔn)確譯碼。這種重復(fù)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(yǎng)一名優(yōu)秀的報(bào)務(wù)員，需要一定的時(shí)間和財(cái)力。因此，研究一種能夠部分取代人的自動檢測與判別系統(tǒng)，實(shí)現(xiàn)Morse信號的自動檢測與譯碼，具有重要的意義?，F(xiàn)有的Morse自動檢測譯碼方法，存在信號判別類型固定、對手工發(fā)報(bào)的Morse信號的譯碼準(zhǔn)確率較低的問題。本發(fā)明針對于人工進(jìn)行Morse信號檢測譯碼方法存在的人力成本高、準(zhǔn)確率不穩(wěn)定、以及現(xiàn)有其他一些Morse自動檢測譯碼方法存在的檢測譯碼適用性不高的問題，提出一種基于機(jī)器學(xué)習(xí)的Morse信號自動檢測譯碼方法，在保證保持高檢測譯碼準(zhǔn)確率的同時(shí)，有效減少檢測譯碼所需的人工成本，提高M(jìn)orse檢測譯碼的時(shí)效性。技術(shù)實(shí)現(xiàn)要素：本發(fā)明所要解決的技術(shù)問題是針對傳統(tǒng)Morse信號檢測譯碼方式存在的人工成本高、準(zhǔn)確率受人為因素影響大的問題，提供一種基于機(jī)器學(xué)習(xí)構(gòu)建的分類器Morse檢測譯碼方法，在保證檢測譯碼準(zhǔn)確率的前提下，有效降低人工成本，提高M(jìn)orse檢測譯碼的效率。本發(fā)明解決上述技術(shù)問題所采用的技術(shù)方案為：一種基于機(jī)器學(xué)習(xí)的Morse信號特征構(gòu)建分類器方法，針對Morse信號進(jìn)行信號檢測和譯碼。本發(fā)明的技術(shù)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(shù)據(jù)，并進(jìn)行fft變換，得到寬帶信號時(shí)頻圖譜。2)基于能量累積的有效信號檢測：對寬帶信號時(shí)頻圖譜沿頻率方向求能量累積。根據(jù)信號強(qiáng)度與時(shí)頻圖譜能量成正比可知，當(dāng)某一頻率區(qū)間存在可檢測的信號時(shí)，沿該頻段方向求得的能量累積值將明顯高于相鄰的無檢測信號區(qū)域的能量累積值。該過程如圖2所示。圖2中，上小圖為時(shí)頻圖譜示例，下小圖為沿頻率方向求能量累計(jì)的能量累積曲線?？梢园l(fā)現(xiàn)，時(shí)頻圖譜存在可檢測信號的頻率段，對應(yīng)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(jì)算方法為計(jì)算輸入時(shí)頻圖的行和矩陣V的均值μ與標(biāo)準(zhǔn)差σ，定位閾值T＝μ+C*σ，C為常數(shù)系數(shù)，默認(rèn)為1。將能量累積曲線中各個(gè)高于定位閾值T的連續(xù)區(qū)間定義為峰值區(qū)間。因此，通過按照能量累積曲線的等值區(qū)間，對時(shí)頻圖譜相應(yīng)頻率段進(jìn)行截取，可以獲取到有效信號時(shí)頻圖譜。3)對檢測到的有效信號進(jìn)行特征提取，得到有效信號的特征矩陣：通過對已獲取的有效信號時(shí)頻圖進(jìn)行特征分析，可以得到用于比對描述該有效信號時(shí)頻圖與Morse特征差距的特征矩陣。特征矩陣包含了以下幾種特征：3.1)波動度特征信號的間斷性是Morse信號的重要特征之一。該特征可以描述為對信號所處頻段的時(shí)頻圖譜，沿頻率方向求累積值，可得到較為規(guī)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(xiàn)出波動但不劇烈且持續(xù)的特點(diǎn)。為了這一特征數(shù)值化，采用對能量累積曲線的峰值部分求取標(biāo)準(zhǔn)差。上述過程可用以下公式描述：I_ij表示信號時(shí)頻圖，i表示y軸坐標(biāo)，j表示x軸坐標(biāo)，其中y軸坐標(biāo)范圍為[1,m]，x軸坐標(biāo)范圍為[1,n]。對于y軸投影曲線最大值所在行稱為圖像局部區(qū)域，對該區(qū)域進(jìn)行x軸投影：Hj＝Ikj(k＝i，k為y軸投影最大點(diǎn))(j＝1,2…n)?；趛軸投影最大區(qū)域位置行的x軸投影：(k為y軸投影最大點(diǎn))(j＝1,2…n)。對投影曲線求取標(biāo)準(zhǔn)差：標(biāo)準(zhǔn)差公式為將該標(biāo)準(zhǔn)差數(shù)值結(jié)果作為波動度特征結(jié)果輸出。3.2)鏡像度特征信號的鏡像度是Morse信號的重要特征之一。該特征可以描述為對于Morse信號，信號時(shí)頻圖沿時(shí)間方向的能量累積曲線以最高點(diǎn)為中心近似對稱。該特征主要為Morse信號等線性聚集信號所獨(dú)有，而話音信號等不具備該特征，因此可以有效區(qū)分Morse信號與其他類型的信號。該特征如圖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。為了這一特征數(shù)值化，采用如下方式對鏡像度進(jìn)行計(jì)算：定義信號能量曲線的有效值域區(qū)間[a,b]，設(shè)定閾值C，曲線中高于C的部分為有效區(qū)域。其中，C＝0.3*(b-a)+a。以曲線最高點(diǎn)為起始點(diǎn)，向兩側(cè)找曲線第一次衰落到C以下時(shí)的位置作為結(jié)束點(diǎn)，分別求起始點(diǎn)與兩側(cè)結(jié)束點(diǎn)的距離L_l和L_r。求M＝|L_l-L_r|，對稱時(shí)結(jié)果接近0；將鏡像度度量值M作為鏡像度特征提取結(jié)果進(jìn)行輸出。3.3)分散度特征信號的分散度是Morse信號的重要特征之一。該特征可以描述為對于Morse信號，對信號區(qū)域?qū)?yīng)的時(shí)頻圖譜沿時(shí)間方向累積得到能量曲線，實(shí)際上得到的是信號在每個(gè)離散頻點(diǎn)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(qū)分。因此，對頻點(diǎn)幅度對應(yīng)的值域區(qū)間中包含的離散頻點(diǎn)個(gè)數(shù)進(jìn)行統(tǒng)計(jì)，得到曲線的空間分散度特征。通過區(qū)分度量指標(biāo)，可以得到不同信號的曲線空間分布密度特征，表現(xiàn)為以下三種特征：高位聚集、中位聚集、低位聚集。Morse信號具有較強(qiáng)的低位聚集的曲線空間分布密度特征，如圖4左小圖所示；而話音信號、FM等信號的低位聚集特征不明顯，如圖4右小圖所示。為了這一特征數(shù)值化，采用如下方式對分散度進(jìn)行計(jì)算：求能量累積曲線的值域區(qū)間|V(i)|∈[a,b]，設(shè)區(qū)間大小為k(k＝b-a)，對k劃分(通過研究k值與時(shí)頻分辨率的關(guān)系，得到對應(yīng)關(guān)系數(shù)組)，統(tǒng)計(jì)每個(gè)區(qū)間中的散點(diǎn)數(shù)量。將包含各區(qū)間的散點(diǎn)數(shù)量的數(shù)組作為分散度特征提取結(jié)果輸出。對以上三種特征的輸出結(jié)果進(jìn)行合并，得到待檢測信號時(shí)頻圖的特征矩陣。4)基于機(jī)器學(xué)習(xí)構(gòu)建的決策樹分類器，通過對有效信號的特征矩陣進(jìn)行分析，從而實(shí)現(xiàn)Morse信號判別：通過對已知的信道環(huán)境下的Morse信號特征矩陣進(jìn)行收集，構(gòu)建決策樹分類器并完成分類器訓(xùn)練。隨后將待檢測的信號的特征矩陣輸入到已訓(xùn)練好的決策樹分類器，得出Morse信號的判別結(jié)果。5)基于K-均值的Morse譯碼：Morse譯碼可理解為將以數(shù)據(jù)長度形式表示的Morse信號轉(zhuǎn)換成有實(shí)際意義且可閱讀的Morse電碼報(bào)文。因此譯碼算法包括兩部分內(nèi)容：基于K-means的點(diǎn)劃識別和查表譯碼。標(biāo)準(zhǔn)Morse碼的各符號(點(diǎn)、劃、碼間隔、字符間隔、字間隔)的時(shí)寬存在1:3:1:5:7的比例關(guān)系。但在實(shí)際發(fā)報(bào)中，由于發(fā)報(bào)人手法各異以及信道中的噪聲干擾，會使得Morse信號報(bào)文的數(shù)據(jù)長度不能嚴(yán)格滿足上述比例關(guān)系。因此采用機(jī)器學(xué)習(xí)中的K-means聚類算法，從而提高點(diǎn)劃的識別率。分析Morse時(shí)頻圖像，矩形塊為信號區(qū)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于點(diǎn)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(diǎn)劃進(jìn)行正確的分組。參數(shù)提取主要是獲得碼和間隔的長度。設(shè)Morse信號的時(shí)頻二值化圖像對應(yīng)的時(shí)頻矩陣為I(x,y)，算法如下：Step1：通過對時(shí)頻矩陣I求取列和，得到一維矩陣IA；Step2：一維矩陣IA中大于0的值設(shè)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(gè)1出現(xiàn)的時(shí)間，并記錄Pos_1；Step4：定位到首個(gè)0出現(xiàn)的時(shí)間，記錄Pos_0，計(jì)算傳碼碼長：ΔT1＝Pos_0-Pos_1；Step5：定位到下一個(gè)1出現(xiàn)的時(shí)間，更新Pos_1，計(jì)算空碼碼長：ΔT0＝Pos_1-Pos_0，如未定位到，則終止，否則跳轉(zhuǎn)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(xiàn)或者1出現(xiàn)；第二行表示0或者1的持續(xù)時(shí)間。這樣就記錄了碼文和間隔的長度，可用于點(diǎn)劃識別。隨后，使用基于K-means的聚類算法對三種符號的長度進(jìn)行聚集分類。方法如下：Step1：求初始聚類中心：對間隔長度直方圖采用最大值方法，求得第一個(gè)峰、第二個(gè)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(gè)聚類結(jié)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，下圖為基于K-means的聚類算法的聚類劃分結(jié)果，對Morse信號圖進(jìn)行三種符號的劃分。隨后，基于以上過程，對Morse報(bào)文進(jìn)行二值化和間斷化表示，最終完成由Morse信號時(shí)頻圖到Morse報(bào)文的轉(zhuǎn)換。最后，按照圖6所示Morse譯碼碼表的電子表格，將報(bào)文自動化的轉(zhuǎn)換為碼文，實(shí)現(xiàn)Morse信號的譯碼過程。與傳統(tǒng)的Morse檢測譯碼技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)在于：傳統(tǒng)的人工檢測譯碼方法需要進(jìn)行大量的人員培訓(xùn)工作，同時(shí)對于完成人工Morse信號檢測譯碼的人員的經(jīng)驗(yàn)要求很高，且在長時(shí)間進(jìn)行信號檢測工作后，檢測譯碼準(zhǔn)確率會隨著人員的疲勞而下降?，F(xiàn)有的Morse自動檢測譯碼方法，主要以標(biāo)準(zhǔn)Morse信號為檢測前提，沒有充分考慮Morse信號碼文長度因發(fā)報(bào)人員的習(xí)慣手法而導(dǎo)致的同一符號的長度不等。本發(fā)明充分利用Morse信號的時(shí)頻圖譜特征，引入機(jī)器學(xué)習(xí)領(lǐng)域的決策樹分類器判別方法，通過對信號的特定特征進(jìn)行提取，對Morse信號進(jìn)行判別。同時(shí)，針對于Morse報(bào)文的長度不統(tǒng)一性，引入K-means聚類算法，解決不規(guī)范的Morse報(bào)文的譯碼。該方法可以在保證Morse信號檢測譯碼的準(zhǔn)確率的同時(shí)，有效提高M(jìn)orse信號檢測譯碼過程的自動化以及對不規(guī)范Morse碼文的抗干擾能力，保持監(jiān)測譯碼的高時(shí)效性。實(shí)驗(yàn)結(jié)果表明，本發(fā)明的方法與3D-HEVC中采用的合并模式快速判定方法相比，能夠在碼流只有少許增加，編碼質(zhì)量基本不降低的情況下，節(jié)省平均20.4％的非獨(dú)立視點(diǎn)紋理圖編碼時(shí)間。所述4)中采用了基于信號的波動度、鏡像度、分散度特征的決策樹分類器構(gòu)建方法，進(jìn)而實(shí)現(xiàn)對于Morse信號的檢測。所述5)中對Morse碼文的三種符號間隔進(jìn)行統(tǒng)計(jì)，并使用K-means聚類算法對三種符號的間隔進(jìn)行聚類，得出基于聚類結(jié)果的間隔識別，對報(bào)文譯碼進(jìn)行間隔識別。附圖說明圖1是本發(fā)明方法的流程圖；圖2是基于能量累積的有效信號檢測示意圖；圖3是鏡像度特征示意圖；圖4是分散度特征示意圖；圖5是基于K-means聚類方法的碼文符號分析示意圖。圖6是Morse譯碼碼表示意圖。具體實(shí)施方式以下結(jié)合附圖對本發(fā)明作進(jìn)一步詳細(xì)闡述。本發(fā)明針對Morse信號的檢測與譯碼特點(diǎn)，設(shè)計(jì)了基于機(jī)器學(xué)習(xí)的Morse自動檢測與譯碼方法。在實(shí)際的使用中，計(jì)算機(jī)將調(diào)用基于本發(fā)明方法流程的程序完成具體的Morse信號自動檢測譯碼工作。圖1為本發(fā)明方法的流程圖。本發(fā)明的方法步驟如下：第一步：讀入寬帶信號數(shù)據(jù)，并進(jìn)行fft變換，得到寬帶信號時(shí)頻圖譜。第二步：基于能量累積的有效信號檢測：對寬帶信號時(shí)頻圖譜沿頻率方向求能量累積。根據(jù)信號強(qiáng)度與時(shí)頻圖譜能量成正比可知，當(dāng)某一頻率區(qū)間存在可檢測的信號時(shí)，沿該頻段方向求得的能量累積值將明顯高于相鄰的無檢測信號區(qū)域的能量累積值。該過程如圖2所示。圖2中，上小圖為時(shí)頻圖譜示例，下小圖為沿頻率方向求能量累計(jì)的能量累積曲線。可以發(fā)現(xiàn)，時(shí)頻圖譜存在可檢測信號的頻率段，對應(yīng)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(shí)頻圖譜相應(yīng)頻率段進(jìn)行截取，可以獲取到有效信號時(shí)頻圖譜。第三步：對檢測到的有效信號進(jìn)行特征提取，得到有效信號的特征矩陣：通過對已獲取的有效信號時(shí)頻圖進(jìn)行特征分析，可以得到用于比對描述該有效信號時(shí)頻圖與Morse特征差距的特征矩陣。特征矩陣包含了以下幾種特征：3.1)波動度特征信號的間斷性是Morse信號的重要特征之一。該特征可以描述為對信號所處頻段的時(shí)頻圖譜，沿頻率方向求累積值，可得到較為規(guī)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(xiàn)出波動但不劇烈且持續(xù)的特點(diǎn)。為了這一特征數(shù)值化，采用對能量累積曲線的峰值部分求取標(biāo)準(zhǔn)差。上述過程可用以下公式描述：I_ij表示信號時(shí)頻圖，i表示y軸坐標(biāo)，j表示x軸坐標(biāo)，其中y軸坐標(biāo)范圍為[1,m]，x軸坐標(biāo)范圍為[1,n]。對于y軸投影曲線最大值所在行稱為圖像局部區(qū)域，對該區(qū)域進(jìn)行x軸投影：Hj＝Ikj(i＝k，k為y軸投影最大點(diǎn))(j＝1,2…n)。基于y軸投影最大區(qū)域位置行的x軸投影：(k為y軸投影最大點(diǎn))(j＝1,2…n)。對投影曲線求取標(biāo)準(zhǔn)差：標(biāo)準(zhǔn)差公式為將該標(biāo)準(zhǔn)差數(shù)值結(jié)果作為波動度特征結(jié)果輸出。3.2)鏡像度特征信號的鏡像度是Morse信號的重要特征之一。該特征可以描述為對于Morse信號，信號時(shí)頻圖沿時(shí)間方向的能量累積曲線以最高點(diǎn)為中心近似對稱。該特征主要為Morse信號等線性聚集信號所獨(dú)有，而話音信號等不具備該特征，因此可以有效區(qū)分Morse信號與其他類型的信號。該特征如圖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。為了這一特征數(shù)值化，采用如下方式對鏡像度進(jìn)行計(jì)算：定義信號能量曲線的有效值域區(qū)間[a,b]，設(shè)定閾值C，曲線中高于C的部分為有效區(qū)域。其中，C＝0.3*(b-a)+a。以曲線最高點(diǎn)為起始點(diǎn)，向兩側(cè)找曲線第一次衰落到C以下時(shí)的位置作為結(jié)束點(diǎn)，分別求起始點(diǎn)與兩側(cè)結(jié)束點(diǎn)的距離L_l和L_r。求M＝|L_l-L_r|，對稱時(shí)結(jié)果接近0；將鏡像度度量值M作為鏡像度特征提取結(jié)果進(jìn)行輸出。3.3)分散度特征信號的分散度是Morse信號的重要特征之一。該特征可以描述為對于Morse信號，對信號區(qū)域?qū)?yīng)的時(shí)頻圖譜沿時(shí)間方向累積得到能量曲線，實(shí)際上得到的是信號在每個(gè)離散頻點(diǎn)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(qū)分。因此，對頻點(diǎn)幅度對應(yīng)的值域區(qū)間中包含的離散頻點(diǎn)個(gè)數(shù)進(jìn)行統(tǒng)計(jì)，得到曲線的空間分散度特征。通過區(qū)分度量指標(biāo)，可以得到不同信號的曲線空間分布密度特征，表現(xiàn)為以下三種特征：高位聚集、中位聚集、低位聚集。Morse信號具有較強(qiáng)的低位聚集的曲線空間分布密度特征，如圖4左小圖所示；而話音信號、FM等信號的低位聚集特征不明顯，如圖4右小圖所示。為了這一特征數(shù)值化，采用如下方式對分散度進(jìn)行計(jì)算：求能量累積曲線的值域區(qū)間|V(i)|∈[a,b]，設(shè)區(qū)間大小為k(k＝b-a)，對k劃分(通過研究k值與時(shí)頻分辨率的關(guān)系，得到對應(yīng)關(guān)系數(shù)組)，統(tǒng)計(jì)每個(gè)區(qū)間中的散點(diǎn)數(shù)量。將包含各區(qū)間的散點(diǎn)數(shù)量的數(shù)組作為分散度特征提取結(jié)果輸出。對以上三種特征的輸出結(jié)果進(jìn)行合并，得到待檢測信號時(shí)頻圖的特征矩陣。第四步：基于機(jī)器學(xué)習(xí)構(gòu)建的決策樹分類器，通過對有效信號的特征矩陣進(jìn)行分析，從而實(shí)現(xiàn)Morse信號判別：通過對已知的信道環(huán)境下的Morse信號特征矩陣進(jìn)行收集，構(gòu)建決策樹分類器并完成分類器訓(xùn)練。隨后將待檢測的信號的特征矩陣輸入到已訓(xùn)練好的決策樹分類器，得出Morse信號的判別結(jié)果。第五步：基于K-均值的Morse譯碼：Morse譯碼可理解為將以數(shù)據(jù)長度形式表示的Morse信號轉(zhuǎn)換成有實(shí)際意義且可閱讀的Morse電碼報(bào)文。因此譯碼算法包括兩部分內(nèi)容：基于K-means的點(diǎn)劃識別和查表譯碼。標(biāo)準(zhǔn)Morse碼的各符號(點(diǎn)、劃、碼間隔、字符間隔、字間隔)的時(shí)寬存在1:3:1:5:7的比例關(guān)系。但在實(shí)際發(fā)報(bào)中，由于發(fā)報(bào)人手法各異以及信道中的噪聲干擾，會使得Morse信號報(bào)文的數(shù)據(jù)長度不能嚴(yán)格滿足上述比例關(guān)系。因此采用機(jī)器學(xué)習(xí)中的K-means聚類算法，從而提高點(diǎn)劃的識別率。分析Morse時(shí)頻圖像，矩形塊為信號區(qū)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于點(diǎn)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(diǎn)劃進(jìn)行正確的分組。參數(shù)提取主要是獲得碼和間隔的長度。設(shè)Morse信號的時(shí)頻二值化圖像對應(yīng)的時(shí)頻矩陣為I(x,y)，算法如下：Step1：通過對時(shí)頻矩陣I求取列和，得到一維矩陣IA；Step2：一維矩陣IA中大于0的值設(shè)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(gè)1出現(xiàn)的時(shí)間，并記錄Pos_1；Step4：定位到首個(gè)0出現(xiàn)的時(shí)間，記錄Pos_0，計(jì)算傳碼碼長：ΔT1＝Pos_0-Pos_1；Step5：定位到下一個(gè)1出現(xiàn)的時(shí)間，更新Pos_1，計(jì)算空碼碼長：ΔT0＝Pos_1-Pos_0，如未定位到，則終止，否則跳轉(zhuǎn)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(xiàn)或者1出現(xiàn)；第二行表示0或者1的持續(xù)時(shí)間。這樣就記錄了碼文和間隔的長度，可用于點(diǎn)劃識別。隨后，使用基于K-means的聚類算法對三種符號的長度進(jìn)行聚集分類。方法如下：Step1：求初始聚類中心：對間隔長度直方圖采用最大值方法，求得第一個(gè)峰、第二個(gè)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(gè)聚類結(jié)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，下圖為基于K-means的聚類算法的聚類劃分結(jié)果，對Morse信號圖進(jìn)行三種符號的劃分。隨后，基于以上過程，對Morse報(bào)文進(jìn)行二值化和間斷化表示，最終完成由Morse信號時(shí)頻圖到Morse報(bào)文的轉(zhuǎn)換。最后，按照圖6所示Morse譯碼碼表的電子表格，將報(bào)文自動化的轉(zhuǎn)換為碼文，實(shí)現(xiàn)Morse信號的譯碼過程。為了檢驗(yàn)本發(fā)明所提出的方法的性能，將基于本發(fā)明方法的計(jì)算機(jī)程序?qū)Χ鄠€(gè)包含不同類型信號的信道的數(shù)據(jù)進(jìn)行實(shí)際測試，并對該Morse自動檢測譯碼的結(jié)果進(jìn)行人工復(fù)檢，得出本發(fā)明方法結(jié)果的正確率。實(shí)驗(yàn)硬件環(huán)境為Intel(R)Core(TM)i5-4200MCPU，8GBRAM配置的計(jì)算機(jī)。實(shí)驗(yàn)軟件平臺為VisualStudio2010，用于測試的信道數(shù)據(jù)包括5MHz、7MHz、9MHz、12MHz等多個(gè)頻段的時(shí)長為101秒的采樣時(shí)頻數(shù)據(jù).dat文件。表1為部分信道環(huán)境下的本發(fā)明方法的檢測譯碼性能統(tǒng)計(jì)結(jié)果。由于各個(gè)信道數(shù)據(jù)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(diào)頻信號、調(diào)幅信號等)，同時(shí)這些非Morse類型的信號在信號特征上各有異同，因此可以使用這些信道數(shù)據(jù)來測試本發(fā)明的算法在復(fù)雜信號環(huán)境下的Morse信號檢測譯碼的適用性。與傳統(tǒng)的檢測譯碼過程相比，本發(fā)明方法克服了作業(yè)人員的疲勞導(dǎo)致的對于檢測譯碼正確率的影響。同時(shí)，對于手工發(fā)報(bào)的不規(guī)范碼文的譯碼準(zhǔn)確率也處于同領(lǐng)域的較高水平。表1的第二行內(nèi)容為在各個(gè)信道環(huán)境下，實(shí)際真實(shí)存在的Morse信號數(shù)量、基于本發(fā)明方法檢測到的Morse信號數(shù)量，以及經(jīng)過人工復(fù)檢后，在基于本發(fā)明方法所檢測到的Morse信號中包含正確的Morse的信號數(shù)量。后幾行內(nèi)容分別為Morse信號數(shù)量檢測的正確率，Morse信號譯碼的正確率，以及同一頻點(diǎn)的Morse信號的平均處理延遲。從表中可以看出，本發(fā)明在所列的4種信道環(huán)境下，能夠高效地對Morse信號進(jìn)行檢測捕獲，同時(shí)對信道中存在的非Morse信號類型具備抗檢測干擾能力，檢測正確率保持在95％以上。在譯碼方面，本發(fā)明方法對于信道中存在的機(jī)器碼和手工碼均具有較好的譯碼識別能力，譯碼正確率保持在80％以上。同時(shí)，通過統(tǒng)計(jì)平均單個(gè)頻點(diǎn)Morse信號的檢測譯碼過程處理延遲，可以發(fā)現(xiàn)平均到每個(gè)Morse信號，數(shù)據(jù)從開始檢測到譯碼完成能夠在0.25s內(nèi)完成，Morse信號檢測譯碼的高實(shí)時(shí)性。表1部分測試信道環(huán)境下的本發(fā)明方法的檢測譯碼性能統(tǒng)計(jì)結(jié)果數(shù)據(jù)源(MHz)5MHz7MHz9MHz12MHz存在/檢測/正確Morse數(shù)量25/26/2546/47/4542/43/4214/14/14檢測正確率0.9620.9570.9771譯碼正確率0.8210.8370.8580.843平均處理延遲(s)0.250.240.270.22表2為對比基于人工的Morse檢測譯碼方法、現(xiàn)有的一種基于時(shí)域分析的檢測譯碼方法，以及本發(fā)明的基于機(jī)器學(xué)習(xí)的Morse自動檢測譯碼方法。從表中可以看出，本發(fā)明方法在Morse信號的檢測準(zhǔn)確率方面，與具有豐富信號檢查的經(jīng)驗(yàn)的人員完成的人工檢測譯碼方法的檢測準(zhǔn)確率基本持平，且高于現(xiàn)有的時(shí)域檢測譯碼方法；在準(zhǔn)確率波動性方面，本發(fā)明方法由于是基于計(jì)算機(jī)自動執(zhí)行，因此受人員持續(xù)工作等因素的影響波動性明顯少于人工檢測譯碼的準(zhǔn)確率穩(wěn)定性；在譯碼正確率方面，本發(fā)明方法與具有豐富信號檢測經(jīng)驗(yàn)的人員完成的人工譯碼正確率基本持平，并高于現(xiàn)有的時(shí)域檢測譯碼方法；在完成檢測譯碼的平均用時(shí)方面，少于人工檢測譯碼方法與時(shí)域檢測譯碼方法。從而證明本發(fā)明方法在Morse檢測譯碼的準(zhǔn)確、穩(wěn)定、高效方面具有先進(jìn)性。表2不同Morse檢測譯碼方法性能的對比Morse檢測譯碼方法人工檢測譯碼一種時(shí)域檢測譯碼方法本發(fā)明方法檢測準(zhǔn)確率95％75％95％準(zhǔn)確率波動性±20％±5％±5％譯碼正確率85％60％84.3％檢測譯碼延遲(秒/字符)＞1s＜500ms＜250ms當(dāng)前第1頁1 2 3