CN107507630A - 一种非合作语音通信接收数据无用时间段识别方法 - Google Patents
一种非合作语音通信接收数据无用时间段识别方法 Download PDFInfo
- Publication number
- CN107507630A CN107507630A CN201710588115.0A CN201710588115A CN107507630A CN 107507630 A CN107507630 A CN 107507630A CN 201710588115 A CN201710588115 A CN 201710588115A CN 107507630 A CN107507630 A CN 107507630A
- Authority
- CN
- China
- Prior art keywords
- amplitude
- data
- signal
- value
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
- G10L25/87—Detection of discrete points within a voice signal
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
- G10L19/26—Pre-filtering or post-filtering
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
- G10L25/84—Detection of presence or absence of voice signals for discriminating voice from noise
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
- G10L2025/783—Detection of presence or absence of voice signals based on threshold decision
Abstract
本发明涉及到一种对接收到的无线电语音通信信号和信息的处理方法,属于通信和信息技术领域。特别是涉及一种对无线电语音通信经过解调后进行语音数据检测、分段和识别,识别出噪声和干扰等无用信号时间段的一种方法。本项发明基于统计数学、统计聚类分析和模糊信号处理的原理,提出一种针对非合作无线电语音通信接收解调后非语音段识别统一架构集成处理方法,提出一种发现突发瞬态干扰的检测方法,提出一种发现来自其它电台突发同频串音干扰的检测方法,提出一种不依赖于信号功率强度和过零率的语音信号和噪声信号段检测和识别方法,提出一种发现并识别电台故障数据的方法,最后,通过集成识别模拟语音数据和其它数字调制数据的方法。
Description
技术领域
本发明涉及到一种对接收到的无线电语音通信信号和信息处理方法,属于通信和信息技术领域。特别是涉及一种对无线电语音通信经过解调后进行语音数据检测、分段和识别,识别出噪声和干扰等无用信号时间段的一种方法。
背景技术
传输语音是无线电通信的一项主要内容,通过收听各类无线电语音,可以获得大量有用的信息。非合作语音信号接收是指接收方不是约定好的信息接收方,事先对无线电信号的参数和制式并不了解,接收前先做识别和判断,然后进行解调和录取数据,非合作接收常常用于无线电信号监听或信息搜集等目的。以往非合作语音信号接收常常是以人工方式收听和记录信息。近年来,随着社会经济的发展,提出了通过计算机等设备自动记录和处理来自无线电通信中语音数据的需求,在各种信息收集和利用中具有巨大的经济和社会价值。
对语音信号中噪声和语音的识别,以及时间区间分段标识是语音信号处理的一项基本内容。目前,对语音信号进行分段处理的方法主要来自于麦克风录下的原始话音的运用场景,当前的方法主要采用基于短时能量法和短时过零率法相结合的时域端点检测方法[1](注[1]:赵力,语音信号处理,机械工业出版社,2003),基于上述方法各类变形和修正的时域方法,如发明专利“可识别环境中的语音与非语音的方法及系统[2]”(注[2],专利权人:松下电器株式会社,发明专利号:200510006463),如发明专利“基于子带能量和特征检测技术的语音信号端点检测方法[3]”(注[3],专利权人:中国科学院自动化研究所,发明专利号:01140334),等等。
上述方法适用于直接对麦克风录音的信号进行处理,而本项发明的任务是对经过无线电传播后经接收后解调的信号,通过对实际信号进行分析后发现和前者比较有很大不同。第一是存在突发瞬态干扰,原因可能是如电离层闪烁、接收机自激振荡等引起的信号强度突然变大甚至饱和,此时能够听到突发强烈的“嚓嚓”干扰声;第二是存在其他电台发出的无线电信号干扰到正在收听的信号频率上,形成“串音”干扰;第三是噪声功率和信号功率存在多种变化,包括一段时间的噪声功率会突然变大,并且是非高斯噪声;第四是非合作接收时,判断调制方式会发生错误,当调制方式判断错误,则解调后话音自然出错,例如,当把FSK信号判断成FM信号,解调后出现“双音振铃”的声音,把PSK等数字信号判断成AM信号等等;第五,当系统设备调谐失谐或发生故障,所采集到的信号自然不正常。这些现象如图1所示,(a)正常的语音信号波形,(b)是存在突发瞬态干扰的信号波形,(c)是出现同频干扰串音信号波形,(d)是把FSK调制方式当成了FM错误的信号波形,(e)是调谐失谐类错误的信号波形,(f)是设备的AD采集出现故障的信号波形。
原有的识别噪声和语音信号的方法不能用在这些情况下。此时,由于噪声不是平稳的,过零率检测不再有效,而噪声和信号幅度忽大忽小,能量检测也不能作为判别语音和噪声的有效依据。通过查询文献,没有发现针对这些情况的研究或产品结果。
本项专利即针对接收到的无线电语音信号所发展出的一种新型处理方法。
发明内容
本项发明的目的在于提出一种针对非合作无线电语音通信信号解调后数据中的非语音段自动识别方法,具有判断准确、方法稳健可靠、计算快速简便的特点。目的并包括:
提出一种针对非合作无线电语音通信接收解调后非语音段识别统一架构集成处理方法,适应对各类实际语音接收信号信号的自动数据处理。
提出一种发现突发瞬态干扰的检测方法,适用于识别并标识出幅度突变型的突发干扰。
提出一种发现来自其它电台突发同频串音干扰的检测方法,适用于识别并标识出突发同频干扰信号段。
提出一种不依赖于信号功率强度和过零率的语音信号和噪声信号段检测和识别方法,在信号和噪声相对变化的情况下,可以准确识别出信号和噪声。
提出一种发现并识别电台故障数据的方法,判断出无效语音数据。
集成识别模拟语音数据和其它数字调制数据的方法,判断出解调错误非语音数据。
本项发明所提出的技术方案如下。一种非合作无线电语音接收数据无用信号段识别方法,包括下列步骤,如图2所示:
步骤一,对数据进行预处理。用通频带100Hz~8KHz的带通滤波器对数据进行滤波。
步骤二,将预处理后的数据分段,按3s间隔将数据分为若干不重叠的数据段,段时间总长度离散值为Ntotal。
步骤三,信号幅度突变识别和持续区间标识。对步骤二的每一段信号,计算信号幅度统计分布,并进行有无幅度突变的识别和持续时间标识。包括以下分步骤:
(1)信号幅度突变特征参数计算方法。
(a)对本段每个信号样本点,设其离散时间编号为n0,取其邻域(n0-N0,...,n0+N0),其中,(-N0,...,N0)对应的数据时间长度约为4ms,计算采集数据绝对值最大序列yabsmax(n0)=max{|y(n)|,n=n0-N0,...,n0+N0}。
(b)对采集数据绝对值最大序列{yabsmax(n0)}的幅度计算10等分间隔的直方图,如图3所示。
(2)对数据按照幅度跳变进行时间区域划分。
(a)对直方图进行聚类分析,按下面判据判断是否存在幅度突变。对直方图中不算两个端点的中间部分求最小值,有以下几种情况:(i)如果最小值不存在,则本段数据不存在幅度跳变;(ii)如果中间有一个最小值,计算最小值和段总数据数Ntotal的比,如果此比值小于5%的阈值,则存幅度跳变,否则,认为不存在幅度突变;如果存在两个最小值,计算每个最小值和段总数据数Ntotal的比,如果比值小于5%的阈值,则存在幅度跳变,否则,认为不存在幅度突变,以此类推,最多有4个最小值,可以判断出能够确认有幅度跳变,以及幅度跳变的级数。
(b)根据直方图幅度跳变级数,结合模糊原理对数据段所属幅度各级时间段进行划分,按下面分步骤进行。(i)幅度跳变门限的确定,对属于k级幅度跳变集的最小值对应的横坐 标幅度作为门限,按横坐标从大的跳变值点到小跳变值点顺序,分别对以横坐标幅度值为数据分段的门限,分别求大于各门限的yabsmax(n0)数据集其中,index是对应到k级跳变大于1次门限的数据集;(ii)对数据集进行去除毛刺和融合联通处理,以获得完整的连续时间段,选15ms作为连续时间段间隔的判断阈值,选2ms作为判断时间毛刺的阈值,对持续时间不超过2ms,且据此左右15ms内数据没有相邻超过此门限的数据点,判断为孤立的毛刺。对于每个中的数据点,如果其在15ms邻域内含有超过此门限的数据点 则之间相邻的都是属于同一个幅度聚类。(iii)进一步,对于一个最小值的横坐标值,比较其左右的直方图值,如果差别在±15%以内,取按幅度划分门限为最小值对应的横坐标幅度值,相邻幅度平均值,直方图频度小相差相邻横坐标幅度值,分别再进行从(i)到(ii)的步骤,比较幅度跳变时间区域的划分结果,和前面结果做融合处理,得到稳健可靠的区域分段结果,如图4所示。
步骤四,对于FM语音信号数据,对每个分段区域开展进一步判断。
(1)如果对应的原始数据产生了饱和,则本时间段判断为饱和噪声。
(2)如果对应的原始数据没有饱和,对yabsmax(n)进行方差分析,方差小于门限阈值0.01的判断为白噪声,否则为信号数据。
(3)进一步,判断是FM话音还是FSK信号,使用已有的成熟识别方法完成识别。
步骤五,对于AM话音信号,识别是否有失谐信号段。
(1)对每个信号样本点,设其离散时间编号为n0,取其邻域(n0-N0,...,n0+N0),其中,(-N0,...,N0)对应的数据时间长度约为4ms,分别计算采集数据最大值序列ymax(n0)=max{y(n),n=n0-N0,...,n0+N0},最小值序列ymin(n0)=min{y(n),n=n0-N0,...,n0+N0}和中值序列ymedian(n0)=median{y(n),n=n0-N0,...,n0+N0}。
(2)按0.1门限阈值挑选负幅度跳变点。
(3)识别跳变点是孤立点还是右侧连续点,排除孤立点,对右侧连续点的曲线做平滑,对三个序列计算到下一个跳变点的曲线,结束时间是右侧相邻的幅度跳变起始时间,得到失谐的第一个过程时间区间,其中,要去除中间的孤立干扰点。失谐现象的第二个暂态过程时间区间由步骤三幅度跳变区间获得。失谐现象的第三个暂态过程是邻接第二过程有更高幅度的跳变,也由步骤三幅度跳变区间获得。
(4)出现完整的三个阶段,判断出现失谐现象,并获得失谐的时间段,如图5所示。
步骤六,对步骤三划分的其它时间分段区域开展进一步判断。
(1)如果对应的信号分段产生了饱和,则判断为饱和噪声。
(2)如果对应的原始数据没有饱和,对yabsmax(n)进行方差分析,方差小于门限阈值0.01的判断为白噪声,否则为信号数据。
(3)进一步,判断是AM话音还是PSK、ASK信号,使用已有的成熟识别方法完成识别。
本发明所提供的无线电语音通信接收信号噪声和干扰信号识别和标识方法根据实际情况的现象,通过运用幅度聚类的方法,可以准确的识别出有无跳变现象,以及找出幅度跳变对应的起始点和结束点的时间,计算简单,稳健可靠。本方法提出了新的识别噪声和非噪声的 方法,避免了存在非平稳噪声、信号幅度时小时大、存在直流等传统的语音端点检测方法的不足。另外,本发明算法完全可以并行实现,有利于实时运用。
附图说明
图1为接收语音信号数据中的各类现象,(a)正常的语音信号波形,(b)存在突发幅度干扰,(c)存在突发同频串音干扰,(d)是把FSK调制方式当成了FM错误,(e)是调谐失谐类错误,(f)是设备的AD采集出现故障的例子。
图2为本发明处理流程图。
图3为语音数据的直方图,(a)正常语音的直方图,(b)是含有突发干扰幅度的直方图。
图4为对数据按照幅度跳变进行时间区域划分结果。
图5为调谐失谐识别和标识处理结果,(a)是本发明方法对失谐出现和持续时间的估计结果,(b)是本发明方法所使用的特征曲线。
具体实施方式
一种非合作无线电语音接收数据无用信号段识别方法,包括下列步骤,如图2所示:
步骤一,对数据进行预处理。用通频带100Hz~8KHz的带通滤波器对数据进行滤波。
步骤二,将预处理后的数据分段,按3s间隔将数据分为若干不重叠的数据段,段时间总长度离散值为Ntotal。
步骤三,信号幅度突变识别和持续区间标识。对步骤二的每一段信号,计算信号幅度统计分布,并进行有无幅度突变的识别和持续时间标识。包括以下分步骤:
信号幅度突变特征参数计算方法。
(a)对本段每个信号样本点,设其离散时间编号为n0,取其邻域(n0-N0,...,n0+N0),其中,(-N0,...,N0)对应的数据时间长度约为4ms,计算采集数据绝对值最大序列yabsmax(n0)=max{|y(n)|,n=n0-N0,...,n0+N0}。
(b)对采集数据绝对值最大序列{yabsmax(n0)}的幅度计算10等分间隔的直方图,如图3所示。
(2)对数据按照幅度跳变进行时间区域划分。
(a)对直方图进行聚类分析,按下面判据判断是否存在幅度突变。对直方图中中间部分求最小值,如果两个端点是局部最小值,则不计入结果,但两个端点参与局部最小值估计,有以下几种情况:(i)如果最小值不存在,则本段数据不存在幅度跳变;(ii)如果中间有一个最小值,计算最小值和段总数据数Ntotal的比,如果此比值小于5%的阈值,则存幅度跳变,否则,认为不存在幅度突变,这种判据的原因是如果出现幅度跳变,则跳变前后变化很快,所以,跳变前后分布于中间的幅度样本值很少,可以作为检测幅度跳变的可靠判据;如果存在两个最小值,计算每个最小值和段总数据数Ntotal的比,如果比值小于5%的阈值,则存在幅度跳变,否则,认为不存在幅度突变,以此类推,最多有4个最小值,可以判断出能够确认有幅度跳变,以及幅度跳变的级数。
(b)根据直方图幅度跳变级数,结合模糊原理对数据段所属幅度各级时间段进行划分,按下面分步骤进行。(i)幅度跳变门限的确定,对属于k级幅度跳变集的最小值对应的横坐 标幅度作为门限,按横坐标从大的跳变值点到小跳变值点顺序,分别对以横坐标幅度值为数据分段的门限,分别求大于各门限的yabsmax(n0)数据集其中,index是对应到k级跳变大于1次门限的数据集;(ii)对数据集进行去除毛刺和融合联通处理,以获得完整的连续时间段,选15ms作为连续时间段间隔的判断阈值,选2ms作为判断时间毛刺的阈值,对持续时间不超过2ms,且据此左右15ms内数据没有相邻超过此门限的数据点,判断为孤立的毛刺。对于每个中的数据点,如果其在15ms邻域内含有超过此门限的数据点 则之间相邻的都是属于同一个幅度聚类。(iii)进一步,对于一个最小值的横坐标值,比较其左右的直方图值,如果差别在±15%以内,取按幅度划分门限为最小值对应的横坐标幅度值,相邻幅度平均值,直方图频度小相差相邻横坐标幅度值,分别再进行从(i)到(ii)的步骤,比较幅度跳变时间区域的划分结果,和前面结果做融合处理,得到稳健可靠的区域分段结果,如图4所示。
步骤四,对于FM语音信号数据,对每个分段区域开展进一步判断。
(1)如果对应的原始数据产生了饱和,则本时间段判断为饱和噪声。
(2)如果对应的原始数据没有饱和,对yabsmax(n)进行方差分析,方差小于门限阈值0.01的判断为白噪声,否则为信号数据。
(3)进一步,判断是FM话音还是FSK信号,使用已有的成熟识别方法完成识别。
步骤五,对于AM话音信号,识别是否有失谐信号段。
(1)对每个信号样本点,设其离散时间编号为n0,取其邻域(n0-N0,...,n0+N0),其中,(-N0,...,N0)对应的数据时间长度约为4ms,分别计算采集数据最大值序列ymax(n0)=max{y(n),n=n0-N0,...,n0+N0},最小值序列ymin(n0)=min{y(n),n=n0-N0,...,n0+N0}和中值序列ymedian(n0)=median{y(n),n=n0-N0,...,n0+N0}。
(2)按0.1门限阈值挑选负幅度跳变点。
(3)识别跳变点是孤立点还是右侧连续点,排除孤立点,对右侧连续点的曲线做平滑,对三个序列计算到下一个跳变点的曲线,结束时间是右侧相邻的幅度跳变起始时间,得到失谐的第一个过程时间区间,其中,要去除中间的孤立干扰点。失谐现象的第二个暂态过程时间区间由步骤三幅度跳变区间获得。失谐现象的第三个暂态过程是邻接第二过程有更高幅度的跳变,也由步骤三幅度跳变区间获得。
出现完整的三个阶段,判断出现失谐现象,并获得失谐的时间段,如图5所示。
步骤六,对步骤三划分的其它时间分段区域开展进一步判断。
(1)如果对应的信号分段产生了饱和,则判断为饱和噪声。
(2)如果对应的原始数据没有饱和,对yabsmax(n)进行方差分析,方差小于门限阈值0.01的判断为白噪声,否则为信号数据。
(3)进一步,判断是AM话音还是PSK、ASK信号,使用已有的成熟识别方法完成识别。
Claims (5)
1.一种非合作无线电语音接收数据无用信号段识别方法,包括下列步骤:
步骤一,对数据进行预处理,用通频带100Hz~8KHz的带通滤波器对数据进行滤波,
步骤二,将预处理后的数据分段,按3s间隔将数据分为若干不重叠的数据段,段时间总长度离散值为Ntotal,
步骤三,信号幅度突变识别和持续区间标识,对步骤二的每一段信号,计算信号幅度统计分布,并进行有无幅度突变的识别和持续时间标识,
包括以下分步骤:
(1)信号幅度突变特征参数计算方法,
(a)对本段每个信号样本点,设其离散时间编号为n0,取其邻域(n0-N0,...,n0+N0),其中,(-N0,...,N0)对应的数据时间长度约为4ms,计算采集数据绝对值最大序列yabsmax(n0)=max{|y(n)|,n=n0-N0,...,n0+N0},
(b)对采集数据绝对值最大序列{yabsmax(n0)}的幅度计算10等分间隔的直方图,
(2)对数据按照幅度跳变进行时间区域划分,
(a)对直方图进行聚类分析,按下面判据判断是否存在幅度突变,对直方图中不算两个端点的中间部分求最小值,有以下几种情况:(i)如果最小值不存在,则本段数据不存在幅度跳变;(ii)如果中间有一个最小值,计算最小值和段总数据数Ntotal的比,如果此比值小于5%的阈值,则存幅度跳变,否则,认为不存在幅度突变;如果存在两个最小值,计算每个最小值和段总数据数Ntotal的比,如果比值小于5%的阈值,则存在幅度跳变,否则,认为不存在幅度突变,以此类推,最多有4个最小值,可以判断出能够确认有幅度跳变,以及幅度跳变的级数,
(b)根据直方图幅度跳变级数,结合模糊原理对数据段所属幅度各级时间段进行划分,按下面分步骤进行,(i)幅度跳变门限的确定,对属于k级幅度跳变集的最小值对应的横坐标幅度作为门限,按横坐标从大的跳变值点到小跳变值点顺序,分别对以横坐标幅度值为数据分段的门限,分别求大于各门限的yabsmax(n0)数据集其中,是对应到k级跳变大于1次门限的数据集;(ii)对数据集进行去除毛刺和融合联通处理,以获得完整的连续时间段,选15ms作为连续时间段间隔的判断阈值,选2ms作为判断时间毛刺的阈值,对持续时间不超过2ms,且据此左右15ms内数据没有相邻超过此门限的数据点,判断为孤立的毛刺,对于每个中的数据点,如果其在15ms邻域内含有超过此门限的数据点则之间相邻的都是属于同一个幅度聚类;(iii)进一步,对于一个最小值的横坐标值,比较其左右的直方图值,如果差别在±15%以内,取按幅度划分门限为最小值对应的横坐标幅度值,相邻幅度平均值,直方图频度小相差相邻横坐标幅度值,分别再进行从(i)到(ii)的步骤,比较幅度跳变时间区域的划分结果,和前面结果做融合处理,得到稳健可靠的区域分段结果,
步骤四,对于FM语音信号数据,对步骤三划分的每个分段区域开展进一步判断非语音信号段的类型,
(1)如果对应的原始数据产生了饱和,则本时间段判断为饱和噪声,
(2)如果对应的原始数据没有饱和,对yabsmax(n)进行方差分析,方差小于门限阈值0.01的判断为白噪声,否则为信号数据,
(3)进一步,判断是FM话音还是FSK信号,使用已有的成熟识别方法完成识别,
步骤五,对于AM话音信号,对步骤三划分的每一段信号识别是否有失谐信号段,
(1)对每个信号样本点,设其离散时间编号为n0,取其邻域(n0-N0,...,n0+N0),其中,(-N0,...,N0)对应的数据时间长度约为4ms,分别计算采集数据最大值序列ymax(n0)=max{y(n),n=n0-N0,...,n0+N0},最小值序列ymin(n0)=min{y(n),n=n0-N0,...,n0+N0}和中值序列ymedian(n0)=median{y(n),n=n0-N0,...,n0+N0},
(2)按0.1门限阈值挑选负幅度跳变点,
(3)识别跳变点是孤立点还是右侧连续点,排除孤立点,对右侧连续点的曲线做平滑,对三个序列计算到下一个跳变点的曲线,结束时间是右侧相邻的幅度跳变起始时间,得到失谐的第一个过程时间区间,其中,要去除中间的孤立干扰点,失谐现象的第二个暂态过程时间区间由步骤三幅度跳变区间获得,失谐现象的第三个暂态过程是邻接第二过程有更高幅度的跳变,也由步骤三幅度跳变区间获得,
出现完整的三个阶段,判断出现失谐现象,并获得失谐的时间段,
步骤六,对于AM话音信号,对步骤三划分的每一段信号其它时间分段区域开展进一步判断判断非语音信号段的类型,
(1)如果对应的信号分段产生了饱和,则判断为饱和噪声,
(2)如果对应的原始数据没有饱和,对yabsmax(n)进行方差分析,方差小于门限阈值0.01的判断为白噪声,否则为信号数据,
(3)进一步,判断是AM话音还是PSK、ASK等信号,使用已有的成熟识别方法完成识别。
2.根据权利要求1所述的非合作无线电语音接收数据无用信号段识别方法,其特征在于:信号幅度突变识别和持续区间标识,对权利要求1所述步骤二的每一段信号,计算信号幅度统计分布,并进行有无幅度突变的识别和持续时间标识,
包括以下分步骤:
(1)信号幅度突变特征参数计算方法,
(a)对本段每个信号样本点,设其离散时间编号为n0,取其邻域(n0-N0,...,n0+N0),其中,(-N0,...,N0)对应的数据时间长度约为4ms,计算采集数据绝对值最大序列 yabsmax(n0)=max{|y(n)|,n=n0-N0,...,n0+N0},
(b)对采集数据绝对值最大序列{yabsmax(n0)}的幅度计算10等分间隔的直方图,
(2)对数据按照幅度跳变进行时间区域划分,
(a)对直方图进行聚类分析,按下面判据判断是否存在幅度突变,对直方图中不算两个端点的中间部分求最小值,有以下几种情况:(i)如果最小值不存在,则本段数据不存在幅度跳变;(ii)如果中间有一个最小值,计算最小值和段总数据数Ntotal的比,如果此比值小于5%的阈值,则存幅度跳变,否则,认为不存在幅度突变;如果存在两个最小值,计算每个最小值和段总数据数Ntotal的比,如果比值小于5%的阈值,则存在幅度跳变,否则,认为不存在幅度突变,以此类推,最多有4个最小值,可以判断出能够确认有幅度跳变,以及幅度跳变的级数,
(b)根据直方图幅度跳变级数,结合模糊原理对数据段所属幅度各级时间段进行划分,按下面分步骤进行,(i)幅度跳变门限的确定,对属于k级幅度跳变集的最小值对应的横坐标幅度作为门限,按横坐标从大的跳变值点到小跳变值点顺序,分别对以横坐标幅度值为数据分段的门限,分别求大于各门限的yabsmax(n0)数据集其中,index是对应到k级跳变大于1次门限的数据集;(ii)对数据集进行去除毛刺和融合联通处理,以获得完整的连续时间段,选15ms作为连续时间段间隔的判断阈值,选2ms作为判断时间毛刺的阈值,对持续时间不超过2ms,且据此左右15ms内数据没有相邻超过此门限的数据点,判断为孤立的毛刺,对于每个中的数据点,如果其在15ms邻域内含有超过此门限的数据点则之间相邻的都是属于同一个幅度聚类;(iii)进一步,对于一个最小值的横坐标值,比较其左右的直方图值,如果差别在±15%以内,取按幅度划分门限为最小值对应的横坐标幅度值,相邻幅度平均值,直方图频度小相差相邻横坐标幅度值,分别再进行从(i)到(ii)的步骤,比较幅度跳变时间区域的划分结果,和前面结果做融合处理,得到稳健可靠的区域分段结果。
3.根据权利要求1所述的非合作无线电语音接收数据无用信号段识别方法,其特征在于:对于FM语音信号数据,对权利要求1所述的步骤三所述按信号幅度突变识别和持续区间标识分段后的每个分段区域开展进一步判断,
(1)如果对应的原始数据产生了饱和,则本时间段判断为饱和噪声,
(2)如果对应的原始数据没有饱和,对yabsmax(n)进行方差分析,方差小于门限阈值0.01的判断为白噪声,否则为信号数据,
(3)进一步,判断是FM话音还是FSK信号,使用已有的成熟识别方法完成识别。
4.根据权利要求1所述的非合作无线电语音接收数据无用信号段识别方法,其特征在于:对 于AM话音信号,对权利要求1所述的步骤三划分的每一段信号识别是否有失谐信号段,
(1)对每个信号样本点,设其离散时间编号为n0,取其邻域(n0-N0,...,n0+N0),其中,(-N0,...,N0)对应的数据时间长度约为4ms,分别计算采集数据最大值序列ymax(n0)=max{y(n),n=n0-N0,...,n0+N0},最小值序列ymin(n0)=min{y(n),n=n0-N0,...,n0+N0}和中值序列ymedian(n0)=median{y(n),n=n0-N0,...,n0+N0},
(2)按0.1门限阈值挑选负幅度跳变点,
(3)识别跳变点是孤立点还是右侧连续点,排除孤立点,对右侧连续点的曲线做平滑,对三个序列计算到下一个跳变点的曲线,结束时间是右侧相邻的幅度跳变起始时间,得到失谐的第一个过程时间区间,其中,要去除中间的孤立干扰点,失谐现象的第二个暂态过程时间区间由步骤三幅度跳变区间获得,失谐现象的第三个暂态过程是邻接第二过程有更高幅度的跳变,也由步骤三幅度跳变区间获得,
出现完整的三个阶段,判断出现失谐现象,并获得失谐的时间段。
5.根据权利要求1所述的非合作无线电语音接收数据无用信号段识别方法,其特征在于:对于AM话音信号,对权利要求1所述的步骤三划分的每一段信号其它时间分段区域开展进一步判断判断非语音信号段的类型,
(1)如果对应的信号分段产生了饱和,则判断为饱和噪声,
(2)如果对应的原始数据没有饱和,对yabsmax(n)进行方差分析,方差小于门限阈值0.01的判断为白噪声,否则为信号数据,
(3)进一步,判断是AM话音还是PSK、ASK等信号,使用已有的成熟识别方法完成识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710588115.0A CN107507630A (zh) | 2017-07-17 | 2017-07-17 | 一种非合作语音通信接收数据无用时间段识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710588115.0A CN107507630A (zh) | 2017-07-17 | 2017-07-17 | 一种非合作语音通信接收数据无用时间段识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107507630A true CN107507630A (zh) | 2017-12-22 |
Family
ID=60679849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710588115.0A Pending CN107507630A (zh) | 2017-07-17 | 2017-07-17 | 一种非合作语音通信接收数据无用时间段识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107507630A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109120776A (zh) * | 2018-07-11 | 2019-01-01 | 维沃移动通信有限公司 | 一种电台搜索方法及终端 |
CN111326139A (zh) * | 2020-03-10 | 2020-06-23 | 科大讯飞股份有限公司 | 一种语种识别方法、装置、设备及存储介质 |
CN115954012A (zh) * | 2023-03-03 | 2023-04-11 | 成都启英泰伦科技有限公司 | 一种周期性瞬态干扰事件检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999039473A1 (en) * | 1998-01-30 | 1999-08-05 | Motorola, Inc. | Frequency hopping adaptation |
CN101834819A (zh) * | 2010-05-14 | 2010-09-15 | 哈尔滨工业大学 | 基于平行判决的模拟数字混合调制方式识别装置和数字调制方式识别装置 |
US8340582B1 (en) * | 2011-03-08 | 2012-12-25 | The United States Of America As Represented By Secretary Of The Navy | Method for detecting center-frequency-tuned signals in the presence of off-tuned signals and noise using higher order statistics |
CN103501205A (zh) * | 2013-10-11 | 2014-01-08 | 北京理工大学 | 基于模糊综合评判的目标跳频信号识别方法 |
CN105207965A (zh) * | 2015-08-14 | 2015-12-30 | 成都中安频谱科技有限公司 | 一种vhf/uhf频段的调制自动识别方法 |
-
2017
- 2017-07-17 CN CN201710588115.0A patent/CN107507630A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999039473A1 (en) * | 1998-01-30 | 1999-08-05 | Motorola, Inc. | Frequency hopping adaptation |
CN101834819A (zh) * | 2010-05-14 | 2010-09-15 | 哈尔滨工业大学 | 基于平行判决的模拟数字混合调制方式识别装置和数字调制方式识别装置 |
US8340582B1 (en) * | 2011-03-08 | 2012-12-25 | The United States Of America As Represented By Secretary Of The Navy | Method for detecting center-frequency-tuned signals in the presence of off-tuned signals and noise using higher order statistics |
CN103501205A (zh) * | 2013-10-11 | 2014-01-08 | 北京理工大学 | 基于模糊综合评判的目标跳频信号识别方法 |
CN105207965A (zh) * | 2015-08-14 | 2015-12-30 | 成都中安频谱科技有限公司 | 一种vhf/uhf频段的调制自动识别方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109120776A (zh) * | 2018-07-11 | 2019-01-01 | 维沃移动通信有限公司 | 一种电台搜索方法及终端 |
CN111326139A (zh) * | 2020-03-10 | 2020-06-23 | 科大讯飞股份有限公司 | 一种语种识别方法、装置、设备及存储介质 |
CN111326139B (zh) * | 2020-03-10 | 2024-02-13 | 科大讯飞股份有限公司 | 一种语种识别方法、装置、设备及存储介质 |
CN115954012A (zh) * | 2023-03-03 | 2023-04-11 | 成都启英泰伦科技有限公司 | 一种周期性瞬态干扰事件检测方法 |
CN115954012B (zh) * | 2023-03-03 | 2023-05-09 | 成都启英泰伦科技有限公司 | 一种周期性瞬态干扰事件检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107507630A (zh) | 一种非合作语音通信接收数据无用时间段识别方法 | |
CN101449973B (zh) | 用于心电干扰信号识别的判断指标的生成方法及装置 | |
CN102319064B (zh) | 一种提高胎心率数据减速识别准确性的装置和方法 | |
CN108814591B (zh) | 一种心电qrs波群宽度的检测方法及其心电分析方法 | |
CN106385288B (zh) | 一种雷达脉冲跨信道融合检测装置及其检测方法 | |
CN111585662B (zh) | 一种调相信号的分类识别和参数估计方法及系统 | |
CN105071830B (zh) | 一种直扩信号的检测识别方法 | |
CN109947238B (zh) | 一种基于wifi的非合作式手势识别的方法 | |
CN110519003A (zh) | 一种基于信号特征差异的无人机上下行通信链路识别方法 | |
CN112003803B (zh) | 一种vhf、uhf频段航空电台信号的侦收设备 | |
CN109474355A (zh) | 基于频谱监测数据的自适应噪声门限估计与信号提取方法 | |
CN101785669B (zh) | 心电信号检测方法及装置 | |
CN113702703B (zh) | 一种微弱信号检测识别方法及系统 | |
CN104427532A (zh) | 频点带内干扰的获取方法及装置 | |
CN112968720B (zh) | 非均匀跳频信号时域检测及拼接方法 | |
CN108768563A (zh) | 一种协作频谱感知方法及相关装置 | |
Kim et al. | Estimation of interaural time differences based on zero-crossings in noisy multisource environments | |
CN113824518A (zh) | 基于频谱的非合作信号检测方法 | |
Lynn et al. | Automatic analysis and classification of digital modulation signals using spectogram time frequency analysis | |
CN114826300B (zh) | 一种基于差分的干扰检测方法 | |
CN116761128B (zh) | 一种运动蓝牙耳机声音泄漏检测方法 | |
CN103997381A (zh) | 考场作弊信号智能识别与取证还原方法 | |
CN116346506B (zh) | 一种网络安全数据智能防护方法 | |
Matic et al. | The use of digital signal processing for a modulation classification | |
CN111740930B (zh) | 基于多特征分层处理的多类型非合作水声信号识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171222 |
|
WD01 | Invention patent application deemed withdrawn after publication |