CN109861932A - 一种基于智能图像分析的短波莫尔斯报文自动识别方法 - Google Patents
一种基于智能图像分析的短波莫尔斯报文自动识别方法 Download PDFInfo
- Publication number
- CN109861932A CN109861932A CN201910116006.8A CN201910116006A CN109861932A CN 109861932 A CN109861932 A CN 109861932A CN 201910116006 A CN201910116006 A CN 201910116006A CN 109861932 A CN109861932 A CN 109861932A
- Authority
- CN
- China
- Prior art keywords
- signal
- morse
- code word
- sound spectrograph
- training
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于智能图像分析的短波莫尔斯报文自动识别方法。该方法包括:步骤1、根据训练莫尔斯信号的码速率和系统采样率,在本地生成所述训练莫尔斯信号的码字样本,组成训练样本集;步骤2、生成所述训练样本集中各样本信号的修正语谱图;步骤3、将所述各样本信号的修正语谱图作为卷积神经网络的输入,采用迁移学习方法训练卷积神经网络;步骤4、对接收的目标莫尔斯信号进行码字截取得到所述目标莫尔斯信号的所有码字数据,并按照步骤2生成各码字数据的修正语谱图;步骤5、利用训练好的卷积神经网络对所述目标莫尔斯信号的各码字数据的修正语谱图进行识别,输出与所述修正语谱图对应的码字。本发明可提高莫尔斯信号报文识别效果。
Description
技术领域
本发明涉及各类通信系统中的莫尔斯信号处理技术领域,尤其涉及一种基于智能图像分析的短波莫尔斯报文自动识别方法。
背景技术
虽然卫星、光纤、微波等通信技术迅猛发展并得到了广泛运用,但传统的短波通信仍被大量使用,尤其在军事战略和战术通信方面,短波是其它通信手段无法取代的。莫尔斯电码通过规律性的断(无电平)、续(有持续不变的电平)代表信息,即利用“点”(短信号)、“划”(长信号)和“间隔”(无信号)的组合来表示字母、数字和符号。它具有编码方式简单,所需设备成本低,抗干扰能力强,通信距离远等优势。莫尔斯报是短波通信的典型代表,在超短波、微波等无线通信中都有应用。
莫尔斯报最初由人工控制专用电键对报文进行编码并发送的,随着技术进步,发报已逐渐改为由电子设备自动完成。但电报的接收、译码和抄收基本上还是靠人工参与来实现的。由于无线电磁环境日益复杂,短波等无线传输不可避免地受到各种衰落、干扰和噪声的影响,而人工莫尔斯电报抄收受限于人的心理、生理状态和专业技能,已难以满足需要。自动莫尔斯报识别已有不少研究,但现有研究大都从传统信号检测处理的角度出发,通过简单的能量检测划定门限,检测信号电平完成译码。传统方式未充分利用信号特征,存在对信号参数估计误差敏感、报文识别率不高等问题,尤其无法有效处理手工莫尔斯信号和短波复杂信道下的莫尔斯信号。
如何有效实现短波莫尔斯报文的自动识别,从而大幅度降低人工报文抄收工作量,是亟待解决的现实问题。
发明内容
为解决现有技术中存在的上述问题,本发明在莫尔斯报文自动识别中引入人工智能识别技术,提出一种基于智能图像分析的短波莫尔斯报文自动识别方法,将对电平能量的检测转化为对信号码字的图像识别,从而克服现有方法不足,提高在各种情况下的报文识别效果。
本发明提供的一种基于智能图像分析的短波莫尔斯报文自动识别方法,主要包括以下步骤:
步骤1、根据训练莫尔斯信号的码速率和系统采样率,在本地生成所述训练莫尔斯信号的码字样本,组成训练样本集;
步骤2、生成所述训练样本集中各样本信号的修正语谱图;
步骤3、将所述各样本信号的修正语谱图作为卷积神经网络的输入,采用迁移学习方法训练卷积神经网络;
步骤4、对接收的目标莫尔斯信号进行码字截取得到所述目标莫尔斯信号的所有码字数据,并按照步骤2生成各码字数据的修正语谱图;
步骤5、利用训练好的卷积神经网络对所述目标莫尔斯信号的各码字数据的修正语谱图进行识别,输出与所述修正语谱图对应的码字。
进一步地,在步骤2之前还包括:
使所述训练样本集中的所有样本信号过不同类型的短波衰落信道,并加入不同强度的白噪声,得到处理后的训练样本集。
进一步地,所述步骤1具体为:
步骤1.1、根据训练莫尔斯信号的码速率B和系统采样率f按照式(1)确定训练莫尔斯信号为“点”、“划”和“间隔”时的电平持续时长对应的样本数N1、N2和N3的取值范围:
步骤1.2、分别在“点”、“划”和“间隔”的取值范围内随机选取样本数,并根据莫尔斯信号码表生成不同样本数对应的多种莫尔斯码字样本,组成训练样本集。
进一步地,所述步骤2具体为:
步骤2.1、对训练样本集中的各样本信号进行短时傅里叶变换,得到训练样本集的时频数据;
步骤2.2、对所述时频数据取模值,并进行最大值归一化处理;
步骤2.3、以时间、频率和强度作为三维坐标轴,绘制处理后的时频数据的三维语谱图;
步骤2.4、将所述三维语谱图投影至以时间和强度作为二维坐标轴的二维平面上,并将图像分辨率调整至设定的分辨率,得到所述训练样本集中各样本信号的修正语谱图。
进一步地,所述步骤3具体为:
步骤3.1、修改原输出层,将卷积神经网络的原输出层设置为软判决分类器,设置所述分类器的类别个数,清空原输出层的节点缓存参数;
步骤3.2、将各样本信号的修正语谱图作为修改后的卷积神经网络的输入,利用反向传播算法训练所述卷积神经网络直至收敛,得到训练好的卷积神经网络。
进一步地,所述步骤4中的对接收的目标莫尔斯信号进行码字截取得到所述目标莫尔斯信号的所有码字数据,具体为:
步骤4.1、根据设置的门限电平检测目标莫尔斯信号的电平强度,识别码字间隔;
步骤4.2、根据所述码字间隔提取所述目标莫尔斯信号的所有码字数据。
进一步地,所述步骤5具体为:
步骤5.1、利用训练好的卷积神经网络对所述目标莫尔斯信号的各码字数据的修正语谱图进行识别;
步骤5.2、输出与所述修正语谱图对应的码字和置信度;
步骤5.3、若置信度大于设定的概率阈值,则将所述码字作为与所述修正语谱图对应的码字。
进一步地,所述步骤5还包括:
步骤5.4、若置信度小于设定的概率阈值,则进行纠错处理;
所述纠错处理具体为:
返回至所述步骤4,将当前码字数据与前一码字数据和/或后一码字数据依次合并,并生成当前码字数据的修正语谱图;重复执行步骤5.1至步骤5.4;其中,合并后的码字数据的长度不大于最长码字长度。
本发明的有益效果:
本发明提供的基于智能图像分析的短波莫尔斯报文自动识别方法,与现有技术相比,本发明将传统的电平检测处理方式,改为对信号语谱图的智能分析,充分利用了信号码字的整体特征,并引入人工智能技术,设计并训练卷积神经网络,提高了莫尔斯信号的识别准确率。同时,本发明配合纠错处理,可进一步克服因衰落引起的信号幅度变化问题,以及因手工发报引起的信号电平时长不规律变化问题。本发明适用于各类莫尔斯信号,为包括短波电报在内的各种莫尔斯信号提供了可靠的报文自动检测方法。
附图说明
图1为本发明实施例提供的一种智能图像分析的短波莫尔斯报文自动识别方法的流程示意图之一;
图2为本发明实施例提供的一种智能图像分析的短波莫尔斯报文自动识别方法的流程示意图之二;
图3为本发明实施例提供的码字“B”对应信号经不同短波衰落信道后的修正语谱图;
图4为本发明实施例提供的迁移学习训练卷积神经网络软件界面示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明针对以短波方式传输的莫尔斯无线信号,要求待处理信号质量达到人耳能够清晰分辨的水平,码速率在50码/分~140码/分之间,且处理系统以远高于信号码速率的采样率对其采样。发明认为处理系统(如通信终端,无线电监测设备)已完成信号滤波和模数转换得到零中频信号,且认为当前接收信号中仅包含单个莫尔斯信号。
图1为本发明实施例提供的一种基于智能图像分析的短波莫尔斯报文自动识别方法的流程示意图。如图1所示,该方法包括以下步骤:
S101、根据训练莫尔斯信号的码速率和系统采样率,在本地生成所述训练莫尔斯信号的码字样本,组成训练样本集;
S102、生成所述训练样本集中各样本信号的修正语谱图;
S103、将所述各样本信号的修正语谱图作为卷积神经网络的输入,采用迁移学习方法训练卷积神经网络;
S104、对接收的目标莫尔斯信号进行码字截取得到所述目标莫尔斯信号的所有码字数据,并按照步骤S102生成各码字数据的修正语谱图;
S105、利用训练好的卷积神经网络对所述目标莫尔斯信号的各码字数据的修正语谱图进行识别,输出与所述修正语谱图对应的码字。
本发明实施例提供的一种基于智能图像分析的短波莫尔斯报文自动识别方法,与现有技术相比,本发明中,处理系统通过将传统的电平检测处理方式,改为对信号语谱图的智能分析,充分利用了信号码字的整体特征,并引入人工智能技术,设计并训练卷积神经网络,提高了莫尔斯信号的识别准确率。
在上述实施例的基础上,本发明提供另一种实施例,本发明实施例要求处理系统(通信终端、电磁检测设备等)计算能力可进行卷积神经网络的训练,或其配套设备可进行相关运算并能够将训练好的卷积神经网络数据传递给识别处理系统。处理前认为预知待识别信号的大致码速率。如图2所示,本发明实施例主要包括卷积神经网络训练和码字识别两大流程。
卷积神经网络训练流程主要包括以下步骤:
S201、根据训练莫尔斯信号的码速率B和系统采样率f按照式(1)确定训练莫尔斯信号为“点”、“划”和“间隔”时的电平持续时长对应的样本数N1、N2和N3的取值范围:
例如信号码速率B在50码/分左右,系统采样周期为0.1ms,即采样率f=104赫兹,δ=100。由于多种莫尔斯码(一般包括26个英文字母(A~Z)、10个数字(0~9)以及若干种常用符号(“?”、“,”、“/”、“。”、“!”、“()”等))平均码长为7.2倍最短码字长度左右,则应设置信号“点”对应样本数在点左右。所以后续信号“点”和“间隔”样本数范围在1550到1750之间,而“划”样本数在4850到5050之间。
考虑到处理系统接收到的莫尔斯信号可能是手工拍发的,而手工拍发的莫尔斯信号则经常发生发送的“点”,“划”和间隔持续时间长度的抖动,步骤S201正是考虑上述情形,按照式(1)生成各莫尔斯信号抖动范围的时长样本,作为构建训练样本集的基础,确保训练样本集的全面性,从而提高识别阶段的识别准确度。同时,生成的各莫尔斯信号的样本数取值范围也是作为步骤S210中识别码字间隔的依据。
S202、分别在“点”、“划”和“间隔”的取值范围内随机选取样本数,并根据莫尔斯信号码表生成不同样本数对应的多种莫尔斯码字样本,组成训练样本集。
具体地,处理系统依据莫尔斯信号码表,生成各种不同样本数对应的各种莫尔斯码(26个英文字母、10个数字、以及若干个常用符号)数字信号训练样本集。为应对手工报发报时长的抖动,训练样本集应基本涵盖取值范围内各样本数,总量视计算资源而定。
S203、使所述训练样本集中的所有样本信号过不同类型的短波衰落信道,并加入不同强度的白噪声,得到处理后的训练样本集。
具体地,短波衰落信道应包括典型的瑞利衰落信道(Rayleigh fading channel)和莱斯衰落信道(Rician Fading Channel);加入的白噪声强度应使得信号信噪比在5dB至30dB范围内。
S204、对训练样本集中的各样本信号进行短时傅里叶变换,得到训练样本集的时频数据;
具体地,短时傅里叶变换的滑动窗长度建议设为信号“点”对应时长的三分之一左右,傅里叶变换点数等于窗长。
S205、对所述时频数据取模值,并进行最大值归一化处理;
S206、以时间、频率和强度作为三维坐标轴,绘制处理后的时频数据的三维语谱图;
具体地,可以时间为x轴,频率为y轴,强度为z轴,语谱图配色设为纯色,如蓝或黑色。
S207、将所述三维语谱图投影至以时间和强度作为二维坐标轴的二维平面上,并将图像分辨率调整至设定的分辨率,得到所述训练样本集中各样本信号的修正语谱图。
具体地,把三维三维语谱图投影至时间强度二维平面(即取同一时刻的各频率模的最大值作为强度),最后将图像分辨率转换为卷积神经网络所需的分辨率后保存。
例如,采用本发明实施例得到的码字“B”对应信号经不同类型短波衰落信道后所得语谱图投影如图3所示。根据图3可知,信号由于经过不同类型短波衰落信道,加入不同强度噪声,所以同一样本数下的码字也呈现出不同图像。
S208、修改原输出层,将卷积神经网络的原输出层设置为软判决分类器,设置软判决分类器的分类类别个数,清空原输出层的节点缓存参数;
具体地,软判决分类器的分类类别个数与莫尔斯码的种类个数相一致。
S209、将各样本信号的修正语谱图作为修改后的卷积神经网络的输入,利用反向传播算法训练所述卷积神经网络直至收敛,得到训练好的卷积神经网络。
本发明实施例在Matlab平台利用迁移学习训练卷积神经网络软件界面如图4所示,图示曲线为反向传播算法误差曲线,当其超过90%并趋于稳定后可认为收敛。本发明实施例并不局限于具体卷积神经网络及开发软件平台,可应用于当前主流的计算平台,且对训练的步长等参数设置没有特殊要求。
需要说明的是,处理系统每更换训练莫尔斯信号的码速率参数设置,则运行一次上述训练流程。
码字识别流程主要包括以下步骤:
S210、根据设置的门限电平检测目标莫尔斯信号的电平强度,识别码字间隔;
具体地,根据目标莫尔斯信号的整体信号强度设置门限电平,根据所述门限电平检测当前接收信号的电平强度,记录信号间断的持续时间;根据目标莫尔斯信号的码速率范围和系统采样率,确定目标莫尔斯信号为“点”、“划”和“间隔”时的电平持续时长对应的样本数N1'、N2'和N3'的取值范围;当信号间断的持续时间大于两倍“点”的电平持续时长,则认为当前信号间断为码字间隔;
需要说明的是,设置电平强度门限时,建议将门限设置偏高,这样可保证不会遗漏任何信号间断。而对于可能误判为间隔的数据,后面的纠错处理能够予以更正。
S211、根据所述码字间隔提取所述目标莫尔斯信号的所有码字数据。
具体地,根据上述检测到的码字间隔截取码字,即提取两处间隔之间的信号数据并逐段缓存。
S212、按照步骤S204至步骤S207生成各码字数据的修正语谱图。
同训练阶段样本信号的语谱图生成过程,处理系统对各码字对应的信号时域数据做短时傅里叶变换,短时傅里叶变换的滑动窗长度建议设为信号最短码字持续时长的三分之一左右,傅里叶变换点数等于窗长。再对获得的时频数据取模值,并用最大值归一化。接着绘制三维语谱图(以时间为x轴,频率为y轴,强度为z轴),注意语图配色要设为纯色(如蓝或黑色)。然后把三维语谱图投影至时间强度二维平面(即取同一时刻的各频率模的最大值作为强度),最后将图像分辨率转换为卷积神经网络所需的分辨率后保存。
S213、利用训练好的卷积神经网络对所述目标莫尔斯信号的各码字数据的修正语谱图进行识别;
S214、输出与所述修正语谱图对应的码字和置信度;
S215、若置信度大于设定的概率阈值,则将所述码字作为与所述修正语谱图对应的码字。
S216、若置信度小于设定的概率阈值,则进行纠错处理;
所述纠错处理具体为:返回至所述步骤S211,将当前码字数据与前一码字数据和/或后一码字数据依次合并,并生成当前码字数据的修正语谱图;然后重复执行步骤S213至步骤S216;其中,合并后的码字数据的长度不大于最长码字长度。
需要说明的是,码字识别流程在卷积神经网络训练流程完成后才能运行,处理系统每输入一段信号,则运行一次识别流程,输出识别的码字信息。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于智能图像分析的短波莫尔斯报文自动识别方法,其特征在于,包括:
步骤1、根据训练莫尔斯信号的码速率和系统采样率,在本地生成所述训练莫尔斯信号的码字样本,组成训练样本集;
步骤2、生成所述训练样本集中各样本信号的修正语谱图;
步骤3、将所述各样本信号的修正语谱图作为卷积神经网络的输入,采用迁移学习方法训练卷积神经网络;
步骤4、对接收的目标莫尔斯信号进行码字截取得到所述目标莫尔斯信号的所有码字数据,并按照步骤2生成各码字数据的修正语谱图;
步骤5、利用训练好的卷积神经网络对所述目标莫尔斯信号的各码字数据的修正语谱图进行识别,输出与所述修正语谱图对应的码字。
2.根据权利要求1所述的方法,其特征在于,在步骤2之前还包括:
使所述训练样本集中的所有样本信号过不同类型的短波衰落信道,并加入不同强度的白噪声,得到处理后的训练样本集。
3.根据权利要求1所述的方法,其特征在于,所述步骤1具体为:
步骤1.1、根据训练莫尔斯信号的码速率B和系统采样率f按照式(1)确定训练莫尔斯信号为“点”、“划”和“间隔”时的电平持续时长对应的样本数N1、N2和N3的取值范围:
步骤1.2、分别在“点”、“划”和“间隔”的取值范围内随机选取样本数,并根据莫尔斯信号码表生成不同样本数对应的多种莫尔斯码字样本,组成训练样本集。
4.根据权利要求1或2所述的方法,其特征在于,所述步骤2具体为:
步骤2.1、对训练样本集中的各样本信号进行短时傅里叶变换,得到训练样本集的时频数据;
步骤2.2、对所述时频数据取模值,并进行最大值归一化处理;
步骤2.3、以时间、频率和强度作为三维坐标轴,绘制处理后的时频数据的三维语谱图;
步骤2.4、将所述三维语谱图投影至以时间和强度作为二维坐标轴的二维平面上,并将图像分辨率调整至设定的分辨率,得到所述训练样本集中各样本信号的修正语谱图。
5.根据权利要求1所述的方法,其特征在于,所述步骤3具体为:
步骤3.1、修改原输出层,将卷积神经网络的原输出层设置为软判决分类器,设置所述分类器的类别个数,清空原输出层的节点缓存参数;
步骤3.2、将各样本信号的修正语谱图作为修改后的卷积神经网络的输入,利用反向传播算法训练所述卷积神经网络直至收敛,得到训练好的卷积神经网络。
6.根据权利要求1所述的方法,其特征在于,所述步骤4中的对接收的目标莫尔斯信号进行码字截取得到所述目标莫尔斯信号的所有码字数据,具体为:
步骤4.1、根据设置的门限电平检测目标莫尔斯信号的电平强度,识别码字间隔;
步骤4.2、根据所述码字间隔提取所述目标莫尔斯信号的所有码字数据。
7.根据权利要求1所述的方法,其特征在于,所述步骤5具体为:
步骤5.1、利用训练好的卷积神经网络对所述目标莫尔斯信号的各码字数据的修正语谱图进行识别;
步骤5.2、输出与所述修正语谱图对应的码字和置信度;
步骤5.3、若置信度大于设定的概率阈值,则将所述码字作为与所述修正语谱图对应的码字。
8.根据权利要求7所述的方法,其特征在于,所述步骤5还包括:
步骤5.4、若置信度小于设定的概率阈值,则进行纠错处理;
所述纠错处理具体为:
返回至所述步骤4,将当前码字数据与前一码字数据和/或后一码字数据依次合并,并生成当前码字数据的修正语谱图;重复执行步骤5.1至步骤5.4;其中,合并后的码字数据的长度不大于最长码字长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910116006.8A CN109861932B (zh) | 2019-02-15 | 2019-02-15 | 一种基于智能图像分析的短波莫尔斯报文自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910116006.8A CN109861932B (zh) | 2019-02-15 | 2019-02-15 | 一种基于智能图像分析的短波莫尔斯报文自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109861932A true CN109861932A (zh) | 2019-06-07 |
CN109861932B CN109861932B (zh) | 2021-09-03 |
Family
ID=66898028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910116006.8A Active CN109861932B (zh) | 2019-02-15 | 2019-02-15 | 一种基于智能图像分析的短波莫尔斯报文自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109861932B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866376A (zh) * | 2020-01-20 | 2020-03-06 | 长沙深之瞳信息科技有限公司 | 电码的自动识别方法及存储介质 |
CN111079665A (zh) * | 2019-12-20 | 2020-04-28 | 长沙深之瞳信息科技有限公司 | 基于Bi-LSTM神经网络的摩尔斯电码自动识别方法 |
CN111489762A (zh) * | 2020-05-13 | 2020-08-04 | 广州国音智能科技有限公司 | 三维语谱图生成方法、装置、终端及存储介质 |
CN113077018A (zh) * | 2021-06-07 | 2021-07-06 | 浙江大华技术股份有限公司 | 一种目标对象识别方法、装置、存储介质及电子装置 |
CN114358096A (zh) * | 2022-03-21 | 2022-04-15 | 北京邮电大学 | 一种基于逐级门限判决的深度学习摩尔斯码识别方法及装置 |
CN114553639A (zh) * | 2022-02-21 | 2022-05-27 | 中国人民解放军国防科技大学 | Morse信号检测与识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101917369A (zh) * | 2010-07-30 | 2010-12-15 | 中国人民解放军信息工程大学 | 一种通信信号调制方式的识别方法 |
US20180324595A1 (en) * | 2017-05-05 | 2018-11-08 | Ball Aerospace & Technologies Corp. | Spectral sensing and allocation using deep machine learning |
CN109272990A (zh) * | 2018-09-25 | 2019-01-25 | 江南大学 | 基于卷积神经网络的语音识别方法 |
-
2019
- 2019-02-15 CN CN201910116006.8A patent/CN109861932B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101917369A (zh) * | 2010-07-30 | 2010-12-15 | 中国人民解放军信息工程大学 | 一种通信信号调制方式的识别方法 |
US20180324595A1 (en) * | 2017-05-05 | 2018-11-08 | Ball Aerospace & Technologies Corp. | Spectral sensing and allocation using deep machine learning |
CN109272990A (zh) * | 2018-09-25 | 2019-01-25 | 江南大学 | 基于卷积神经网络的语音识别方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079665A (zh) * | 2019-12-20 | 2020-04-28 | 长沙深之瞳信息科技有限公司 | 基于Bi-LSTM神经网络的摩尔斯电码自动识别方法 |
CN110866376A (zh) * | 2020-01-20 | 2020-03-06 | 长沙深之瞳信息科技有限公司 | 电码的自动识别方法及存储介质 |
CN110866376B (zh) * | 2020-01-20 | 2020-04-21 | 长沙深之瞳信息科技有限公司 | 电码的自动识别方法及存储介质 |
CN111489762A (zh) * | 2020-05-13 | 2020-08-04 | 广州国音智能科技有限公司 | 三维语谱图生成方法、装置、终端及存储介质 |
CN111489762B (zh) * | 2020-05-13 | 2023-06-16 | 广州国音智能科技有限公司 | 三维语谱图生成方法、装置、终端及存储介质 |
CN113077018A (zh) * | 2021-06-07 | 2021-07-06 | 浙江大华技术股份有限公司 | 一种目标对象识别方法、装置、存储介质及电子装置 |
CN114553639A (zh) * | 2022-02-21 | 2022-05-27 | 中国人民解放军国防科技大学 | Morse信号检测与识别方法 |
CN114553639B (zh) * | 2022-02-21 | 2024-02-27 | 中国人民解放军国防科技大学 | Morse信号检测与识别方法 |
CN114358096A (zh) * | 2022-03-21 | 2022-04-15 | 北京邮电大学 | 一种基于逐级门限判决的深度学习摩尔斯码识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109861932B (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109861932A (zh) | 一种基于智能图像分析的短波莫尔斯报文自动识别方法 | |
Dong et al. | SR2CNN: Zero-shot learning for signal recognition | |
CN200950262Y (zh) | 一种移动终端 | |
Lin et al. | Learning of time-frequency attention mechanism for automatic modulation recognition | |
WO2018176889A1 (zh) | 一种数字通信信号调制方式自动识别方法 | |
CN110011942B (zh) | 基于深度学习的莫尔斯报文智能检测识别方法 | |
CN109887047B (zh) | 一种基于生成式对抗网络的信号-图像翻译方法 | |
Yao et al. | Modulation identification of underwater acoustic communications signals based on generative adversarial networks | |
Zhang et al. | Few-shot learning of signal modulation recognition based on attention relation network | |
CN110321953A (zh) | 基于循环谱估计的深度学习智能调制识别方法 | |
Ma et al. | Modulation classification method based on deep learning under non-Gaussian noise | |
CN115392285A (zh) | 一种基于多模态的深度学习信号个体识别模型防御方法 | |
Chen et al. | End-to-end PSK signals demodulation using convolutional neural network | |
CN111027614A (zh) | 一种噪声增强射频指纹识别方法及装置 | |
CN114595729A (zh) | 基于残差神经网络与元学习融合的通信信号调制识别方法 | |
Zhang et al. | A reference signal-aided deep learning approach for overlapped signals automatic modulation classification | |
CN112348165A (zh) | 基于混合循环网络的水声通信信号分类识别方法及系统 | |
Gai et al. | Spectrum sensing method based on residual cellular network | |
CN113905383B (zh) | 一种基于射频指纹的iff信号识别方法、装置及介质 | |
Zhang et al. | Blind recognition of channel coding based on CNN-BLSTM | |
Zhang et al. | Channel-Robust Class-Universal Spectrum-Focused Frequency Adversarial Attacks on Modulated Classification Models | |
Zheng et al. | Deep learning for cooperative radio signal classification | |
Gkelias et al. | GAN-Based Detection of Adversarial EM Signal Waveforms | |
Wang et al. | Blind recognition method for non-cooperative communication signals based on aerial computing | |
Feng et al. | FCGCN: Feature Correlation Graph Convolution Network for Few-Shot Individual Identification |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |