CN111092832A - 莫尔斯电码深度学习训练数据制作方法 - Google Patents
莫尔斯电码深度学习训练数据制作方法 Download PDFInfo
- Publication number
- CN111092832A CN111092832A CN201911325697.9A CN201911325697A CN111092832A CN 111092832 A CN111092832 A CN 111092832A CN 201911325697 A CN201911325697 A CN 201911325697A CN 111092832 A CN111092832 A CN 111092832A
- Authority
- CN
- China
- Prior art keywords
- training data
- morse code
- audio signal
- deep learning
- labeling
- 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
- 238000012549 training Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 230000005236 sound signal Effects 0.000 claims abstract description 42
- 238000001228 spectrum Methods 0.000 claims abstract description 31
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 4
- 238000002372 labelling Methods 0.000 claims description 28
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract 1
- 238000012937 correction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L15/00—Apparatus or local circuits for transmitting or receiving dot-and-dash codes, e.g. Morse code
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B9/00—Simulators for teaching or training purposes
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; 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
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; 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
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Quality & Reliability (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明涉及通讯信号处理技术领域，具体涉及莫尔斯电码深度学习训练数据制作方法。包括以下步骤：S1、获取莫尔斯电码音频信号样本，并对莫尔斯电码音频信号样本进行预处理，获得预处理后的音频信号；S2、对预处理后的音频信号进行解析和转化，生成音频信号的频谱图片；S3、建立神经网络模型对频谱图片进行训练数据的自动预标记；S4、对自动预标记后的频谱图片进行训练数据的人工标记；S5、综合自动预标记和人工标记的结果，生成训练数据标记结果，将训练数据标记结果和莫尔斯电码音频信号样本关联保存。本发明可以快速、高效、精准地完成莫尔斯电码深度学习训练数据的制作，为莫尔斯电码的深度学习和智能识别提供训练数据集。
Description
技术领域
本发明涉及通讯信号处理技术领域，具体涉及莫尔斯电码深度学习训练数据制作方法。
背景技术
世界范围内电报通信普遍采用莫尔斯电码方式，在抄收报文的过程中都采用人工抄报方式，尚没有一种机器或设备能够替代人工进行报文的抄收。莫尔斯电码作为国际通用的电报通信符号，它以长短不同的信号进行各种组合来代表一定的字母、数字和标点符号。在书写时，短信号一般以点“.”来代表，长信号以划“-”来代表。为了区别点与划以及分清各个字符，对点、划的长度及各类间隔都有严格的规定：1个划等于3个无间隔点的长度；一个字符中，点与点、划与划、点与划的间隔为1个点的长度；相邻字符的间隔为3个点的长度；相邻单词或相邻两个单词的间隔为5个点的长度。
报务员要想熟练地抄收莫尔斯电码，必须熟记每个电码符号。数字的电码符号比较容易掌握，字母和标点符号可按组合规律分类去记，当听到一个符号能不假思索地读出其代表的字符后，才可以开始摩尔斯电码的抄收训练。训练过程由慢到快地循序渐进，一般培训一个合格的报务员需要八个月左右的时间。由此可知，人工抄报工作方式存在三个大的缺陷：1、报务员工作时间短，一般人工报务员工作二小时就得休息，无法进行长时间持续不停的抄收工作；2、报务员劳动强度大，报务员要具备超强的脑工和手工，要十分的精准的接收和把握声音信号，并纠正机器发报过程中的极少错误，才得出一份文本文件作为报文结果；3、报务员训练周期长，不利于快速和大数量的进行复制。
随着近年人工智能和深度学习的流行和普及，一系列基于图像识别或语音识别的公开训练数据集得以建立。但是针对某些类型的训练数据集却很稀缺，特别是在识别莫尔斯电码声音信号领域，全世界并没有公开的数据集。另一方面，无线电摩尔斯电码声音信号由于其特殊性，如高噪音等，只有经过长期训练的发报员才能很好的识别出高噪音声音中的信号，这也对于建立数据集带来了很大的难度。
发明内容
针对现有技术存在的不足，本发明提供了莫尔斯电码深度学习训练数据制作方法，其应用时，可以快速、高效、精准地完成莫尔斯电码深度学习训练数据的制作，为莫尔斯电码的深度学习和智能识别提供训练数据集。
本发明所采用的技术方案为：
莫尔斯电码深度学习训练数据制作方法，包括以下步骤：
S1、获取莫尔斯电码音频信号样本，并对莫尔斯电码音频信号样本进行预处理，获得预处理后的音频信号；
S2、对预处理后的音频信号进行解析和转化，生成音频信号的频谱图片；
S3、建立神经网络模型对频谱图片进行训练数据的自动预标记；
S4、对自动预标记后的频谱图片进行训练数据的人工标记；
S5、综合自动预标记和人工标记的结果，生成训练数据标记结果，将训练数据标记结果和莫尔斯电码音频信号样本关联保存。
作为上述技术方案的优选，在步骤S1中，对莫尔斯电码音频信号样本进行预处理的步骤包括：首先对信号进行放大处理，然后对放大后的信号进行滤波处理，最后对滤波后的信号进行降噪处理。
作为上述技术方案的优选，在步骤S2中，在对预处理后的音频信号进行转化时，采用傅里叶变换将预处理后的音频信号转化成频谱图片，频谱图片上莫尔斯电码以点或/和划的形式呈现。
作为上述技术方案的优选，在步骤S3中，对频谱图片进行训练数据的自动预标记过程包括对点或/和划进行标记。
作为上述技术方案的优选，在步骤S4中，对频谱图片进行训练数据的人工标记过程包括对步骤S3中自动预标记遗漏的点或/和划进行人工选定标记，以及对莫尔斯电码信号的起始点和结尾点进行人工选定标记。
作为上述技术方案的优选，人工标记采用在图像处理工具上利用鼠标进行选定的方式进行标记。
作为上述技术方案的优选，步骤S5中生成的训练数据标记结果可用于对步骤S3中的神经网络模型进行强化训练，直至经步骤S3自动预标记后的频谱图片无点或/和划的标记遗漏，步骤S4中人工标记只对莫尔斯电码信号的起始点和结尾点进行人工选定标记。
作为上述技术方案的优选，在步骤S5中，生成训练数据标记结果时，结合神经网络的尺寸，生成训练数据对应的结果向量，最后将结果向量与对应莫尔斯电码音频信号样本关联保存。
本发明的有益效果为：
本发明通过将莫尔斯电码音频信号转化为频谱图片，在频谱图片上以或/和划的形式呈现，就可以通过预先建立的神经网络模型对频谱图片进行点或/和划的训练数据自动预标记，再通过人工标记完善标记内容，最后将标记结果与对应莫尔斯电码音频信号样本关联保存，就可以快速高效地完成莫尔斯电码深度学习训练数据的制作、保存，并省去大量人工标记的麻烦。同时利用频谱图像而不是直接利用莫尔斯电码音频信号进行训练数据的采集，可以有效消除噪声的影响，同时更直观明了，便于人工标记纠正。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的步骤示意框图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解，术语第一、第二等仅用于区分描述，而不能理解为指示或暗示相对重要性。尽管本文可以使用术语第一、第二等等来描述各种单元，这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。
应当理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况，本文中术语“/和”是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况，另外，本文中字符“/”，一般表示前后关联对象是一种“或”关系。
应当理解，在本发明的描述中，术语“上”、“竖直”、“内”、“外”等指示的方位或位置关系，是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
应当理解，当将单元称作与另一个单元“连接”、“相连”或“耦合”时，它可以与另一个单元直相连接或耦合，或中间单元可以存在。相対地，当将单元称作与另一个单元“直接相连”或“直接耦合”时，不存在中间单元。应当以类似方式来解释用于描述单元之间的关系的其他单词(例如，“在……之间”对“直接在……之间”,“相邻”对“直接相邻”等等)。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本文使用的术语仅用于描述特定实施例，并且不意在限制本发明的示例实施例。如本文所使用的，单数形式“一”、“一个”以及“该”意在包括复数形式，除非上下文明确指示相反意思。还应当理解术语“包括”、“包括了”、“包含”、和/或“包含了”当在本文中使用时,指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性,并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。
还应当注意到在一些备选实施例中，所出现的功能/动作可能与附图出现的顺序不同。例如,取决于于所涉及的功能/动作,实际上可以实质上并发地执行,或者有时可以以相反的顺序来执行连续示出的两个图。
在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实施例中，可以不以非必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。
实施例1：
本实施例提供了莫尔斯电码深度学习训练数据制作方法，如图1所示，包括以下步骤：
S1、获取莫尔斯电码音频信号样本，并对莫尔斯电码音频信号样本进行预处理，获得预处理后的音频信号，对莫尔斯电码音频信号样本进行预处理的步骤包括：首先对信号进行放大处理，然后对放大后的信号进行滤波处理，最后对滤波后的信号进行降噪处理；
S2、对预处理后的音频信号进行解析和转化，生成音频信号的频谱图片，在对预处理后的音频信号进行转化时，采用傅里叶变换将预处理后的音频信号转化成频谱图片，频谱图片上莫尔斯电码以点或/和划的形式呈现；
S3、建立神经网络模型对频谱图片进行训练数据的自动预标记；
S4、对自动预标记后的频谱图片进行训练数据的人工标记；
S5、综合自动预标记和人工标记的结果，结合神经网络的尺寸，生成训练数据对应的结果向量，最后将结果向量与对应莫尔斯电码音频信号样本关联保存。
其应用时，通过将莫尔斯电码音频信号转化为频谱图片，在频谱图片上以或/和划的形式呈现，就可以通过预先建立的神经网络模型对频谱图片进行点或/和划的训练数据自动预标记，再通过人工标记完善标记内容，最后将标记结果与对应莫尔斯电码音频信号样本关联保存，就可以快速高效地完成莫尔斯电码深度学习训练数据的制作、保存，并省去大量人工标记的麻烦。同时利用频谱图像而不是直接利用莫尔斯电码音频信号进行训练数据的采集，可以有效消除噪声的影响，同时更直观明了，便于人工标记纠正。
实施例2：
作为对上述实施例的优化，在步骤S3中，对频谱图片进行训练数据的自动预标记过程包括对点或/和划进行标记。在步骤S4中，对频谱图片进行训练数据的人工标记过程包括对步骤S3中自动预标记遗漏的点或/和划进行人工选定标记，以及对莫尔斯电码信号的起始点和结尾点进行人工选定标记。人工标记采用在具有图像处理功能的计算机上利用鼠标进行选定的方式进行标记。
实施例3：
作为对上述实施例的优化，步骤S5中生成的训练数据标记结果可用于对步骤S3中的神经网络模型进行强化训练，直至经步骤S3自动预标记后的频谱图片无点或/和划的标记遗漏，步骤S4中人工标记只对莫尔斯电码信号的起始点和结尾点进行人工选定标记。通过将更多样本的标记结果反馈于神经网络，进行不断强化训练，就可以实现神经网络模型的高精度自动预标记，直至自动预标记的后的频谱图片无点或/和划的标记遗漏，人工标记只对莫尔斯电码信号的起始点和结尾点进行人工选定标记。
本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。
Claims (8)
1.莫尔斯电码深度学习训练数据制作方法，其特征在于，包括以下步骤：
S1、获取莫尔斯电码音频信号样本，并对莫尔斯电码音频信号样本进行预处理，获得预处理后的音频信号；
S2、对预处理后的音频信号进行解析和转化，生成音频信号的频谱图片；
S3、建立神经网络模型对频谱图片进行训练数据的自动预标记；
S4、对自动预标记后的频谱图片进行训练数据的人工标记；
S5、综合自动预标记和人工标记的结果，生成训练数据标记结果，将训练数据标记结果和莫尔斯电码音频信号样本关联保存。
2.根据权利要求1所述的莫尔斯电码深度学习训练数据制作方法，其特征在于：在步骤S1中，对莫尔斯电码音频信号样本进行预处理的步骤包括：首先对信号进行放大处理，然后对放大后的信号进行滤波处理，最后对滤波后的信号进行降噪处理。
3.根据权利要求1所述的莫尔斯电码深度学习训练数据制作方法，其特征在于：在步骤S2中，在对预处理后的音频信号进行转化时，采用傅里叶变换将预处理后的音频信号转化成频谱图片，频谱图片上莫尔斯电码以点或/和划的形式呈现。
4.根据权利要求3所述的莫尔斯电码深度学习训练数据制作方法，其特征在于：在步骤S3中，对频谱图片进行训练数据的自动预标记过程包括对点或/和划进行标记。
5.根据权利要求3所述的莫尔斯电码深度学习训练数据制作方法，其特征在于：在步骤S4中，对频谱图片进行训练数据的人工标记过程包括对步骤S3中自动预标记遗漏的点或/和划进行人工选定标记，以及对莫尔斯电码信号的起始点和结尾点进行人工选定标记。
6.根据权利要求5所述的莫尔斯电码深度学习训练数据制作方法，其特征在于：人工标记采用在图像处理工具上利用鼠标进行选定的方式进行标记。
7.根据权利要求1所述的莫尔斯电码深度学习训练数据制作方法，其特征在于：步骤S5中生成的训练数据标记结果可用于对步骤S3中的神经网络模型进行强化训练，直至经步骤S3自动预标记后的频谱图片无点或/和划的标记遗漏，步骤S4中人工标记只对莫尔斯电码信号的起始点和结尾点进行人工选定标记。
8.根据权利要求5所述的莫尔斯电码深度学习训练数据制作方法，其特征在于：在步骤S5中，生成训练数据标记结果时，结合神经网络的尺寸，生成训练数据对应的结果向量，最后将结果向量与对应莫尔斯电码音频信号样本关联保存。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911325697.9A CN111092832B (zh) | 2019-12-20 | 2019-12-20 | 莫尔斯电码深度学习训练数据制作方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911325697.9A CN111092832B (zh) | 2019-12-20 | 2019-12-20 | 莫尔斯电码深度学习训练数据制作方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111092832A true CN111092832A (zh) | 2020-05-01 |
| CN111092832B CN111092832B (zh) | 2022-08-26 |
Family
ID=70395236
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911325697.9A Active CN111092832B (zh) | 2019-12-20 | 2019-12-20 | 莫尔斯电码深度学习训练数据制作方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111092832B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111464464A (zh) * | 2020-06-03 | 2020-07-28 | 常州国光数据通信有限公司 | 一种自动抄发报设备及其工作方法 |
| 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 |
| CN115719059A (zh) * | 2022-11-29 | 2023-02-28 | 北京中科智加科技有限公司 | 一种莫尔斯分组纠错方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201946145U (zh) * | 2011-01-10 | 2011-08-24 | 常州捷安达科技开发有限公司 | 无线电莫尔斯码收发训练器 |
| CN102843316A (zh) * | 2012-08-09 | 2012-12-26 | 贺苏宁 | 一种莫尔斯报信号处理装置和处理方法 |
| CN106650605A (zh) * | 2016-10-20 | 2017-05-10 | 北京工业大学 | 一种基于机器学习的Morse信号自动检测译码方法 |
| US10249216B1 (en) * | 2018-01-12 | 2019-04-02 | The CW Operators' Club | System and use method for a Morse code training tool |
| CN109818695A (zh) * | 2019-03-08 | 2019-05-28 | 重庆邮电大学 | 基于cw信号的短波通信半盲选频系统及选频方法 |
| CN110493150A (zh) * | 2019-09-19 | 2019-11-22 | 湖南君沣信息科技有限公司 | 基于摩尔斯电码的报文抄收和发送智能终端 |
-
2019
- 2019-12-20 CN CN201911325697.9A patent/CN111092832B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201946145U (zh) * | 2011-01-10 | 2011-08-24 | 常州捷安达科技开发有限公司 | 无线电莫尔斯码收发训练器 |
| CN102843316A (zh) * | 2012-08-09 | 2012-12-26 | 贺苏宁 | 一种莫尔斯报信号处理装置和处理方法 |
| CN106650605A (zh) * | 2016-10-20 | 2017-05-10 | 北京工业大学 | 一种基于机器学习的Morse信号自动检测译码方法 |
| US10249216B1 (en) * | 2018-01-12 | 2019-04-02 | The CW Operators' Club | System and use method for a Morse code training tool |
| CN109818695A (zh) * | 2019-03-08 | 2019-05-28 | 重庆邮电大学 | 基于cw信号的短波通信半盲选频系统及选频方法 |
| CN110493150A (zh) * | 2019-09-19 | 2019-11-22 | 湖南君沣信息科技有限公司 | 基于摩尔斯电码的报文抄收和发送智能终端 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111464464A (zh) * | 2020-06-03 | 2020-07-28 | 常州国光数据通信有限公司 | 一种自动抄发报设备及其工作方法 |
| 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 |
| CN115719059A (zh) * | 2022-11-29 | 2023-02-28 | 北京中科智加科技有限公司 | 一种莫尔斯分组纠错方法 |
| CN115719059B (zh) * | 2022-11-29 | 2023-08-08 | 北京中科智加科技有限公司 | 一种莫尔斯分组纠错方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111092832B (zh) | 2022-08-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111092832B (zh) | 莫尔斯电码深度学习训练数据制作方法 | |
| CN110659612B (zh) | 基于纸笔改良的数字化阅卷方法及系统 | |
| CN110060524A (zh) | 一种机器人辅助阅读的方法及阅读机器人 | |
| WO2006124473A3 (en) | System and method for capturing and processing business data | |
| CN210112049U (zh) | 基于摩尔斯电码的报文抄收和发送智能终端 | |
| CN106780205A (zh) | 一种应用于考试批阅的大数据采集和分析方法 | |
| CN102476509A (zh) | 具有语音识别功能的打印装置及其打印方法 | |
| CN106056028A (zh) | 一种快速扫描录单的方法及其装置 | |
| CN111079665A (zh) | 基于Bi-LSTM神经网络的摩尔斯电码自动识别方法 | |
| CN110837793A (zh) | 一种智能识别手写数学公式批阅系统 | |
| CN107066939A (zh) | 一种网上阅卷系统的试卷切割处理方法 | |
| CN107220610A (zh) | 一种应用于阅卷系统的主观题分数识别方法 | |
| CN109670365B (zh) | 一种书法鉴定系统及方法 | |
| CN113205527A (zh) | 一种试卷智能切割方法、系统及存储介质 | |
| CN114267046A (zh) | 一种文档图像的方向校正方法与装置 | |
| EP1624642A3 (en) | Apparatus, method and system for providing information in accordance with one of a plurality of protocols | |
| CN106911832B (zh) | 一种语音记录的方法及装置 | |
| CN111191716A (zh) | 一种印刷图片的分类方法及装置 | |
| CN112149654A (zh) | 基于深度学习的发票文本信息识别方法 | |
| CN114863446A (zh) | 手写答案识别对比方法、装置、设备及存储介质 | |
| CN210895553U (zh) | 盲文读物印制质量自动检查系统和装置 | |
| CN107045635A (zh) | 一种网上阅卷系统的试卷图像分页分题处理方法 | |
| CN113408520B (zh) | 有痕阅卷方法、批阅装置及存储介质 | |
| CN112287930A (zh) | 一种智能点读文本系统及其使用方法 | |
| CN101063903B (zh) | 拼音输入法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |