莫尔斯电码深度学习训练数据制作方法

    公开(公告)号:CN111092832A

    公开(公告)日:2020-05-01

    申请号:CN201911325697.9

    申请日:2019-12-20

    发明人: 曾英夫

    摘要: 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。

    基于Bi-LSTM神经网络的摩尔斯电码自动识别方法

    公开(公告)号:CN111079665A

    公开(公告)日:2020-04-28

    申请号:CN201911324849.3

    申请日:2019-12-20

    发明人: 曾英夫

    摘要: 本发明涉及通讯信号处理技术领域,具体涉及基于Bi-LSTM神经网络的摩尔斯电码自动识别方法。包括以下步骤:S1、构建卷积神经网络和Bi-LSTM神经网络,并结合Bi-LSTM神经网络和卷积神经网络进行序列建模,生成多模LSTM模型;S2、采用联合训练的方式对多模LSTM模型进行训练,对Bi-LSTM神经网络和卷积神经网络的参数进行联合优化;S3、获取摩尔斯电码音频信号,并对摩尔斯电码音频信号进行预处理,获得预处理后的音频信号;S4、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像;S5、将频谱图像输入多模LSTM模型,输出概率向量结果;S6、利用概率向量结果判定摩尔斯电码的内容。本发明可以利用基于Bi-LSTM的深度神经网络模型来高效、精准地完成摩尔斯电码的自动识别。

    电码的自动识别方法及存储介质

    公开(公告)号:CN110866376B

    公开(公告)日:2020-04-21

    申请号:CN202010064483.7

    申请日:2020-01-20

    发明人: 曾英夫 刘忠

    IPC分类号: G06F40/126 G06N3/04

    摘要: 本发明公开了电码的自动识别方法及存储介质,包括以下步骤,信号概率向量门限值二向化:根据门限值大小,将神经网络的概率向量二向化为0、1向量;合成点杠信号:根据连续二向值为1的长度生成点杠信号向量;采用动态编程算法对所述点杠信号向量进行自动编组,得到点杠信号向量组;将点杠信号向量组对照编码表进行编码。采用上述步骤,采用动态编程算法即DP算法很好的解决了不同速率,发报人员的不同习惯等各种因素下都能生成最优编组结果;相比于传统直接按照间隔长度分组有更强的稳定性以及适应性;实现了实际使用中的摩尔斯电报码的自动编码。

    莫尔斯电码深度学习训练数据制作方法

    公开(公告)号:CN111092832B

    公开(公告)日:2022-08-26

    申请号:CN201911325697.9

    申请日:2019-12-20

    发明人: 曾英夫

    摘要: 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。

    电码的自动识别方法及存储介质

    公开(公告)号:CN110866376A

    公开(公告)日:2020-03-06

    申请号:CN202010064483.7

    申请日:2020-01-20

    发明人: 曾英夫 刘忠

    IPC分类号: G06F40/126 G06N3/04

    摘要: 本发明公开了电码的自动识别方法及存储介质,包括以下步骤,信号概率向量门限值二向化:根据门限值大小,将神经网络的概率向量二向化为0、1向量;合成点杠信号:根据连续二向值为1的长度生成点杠信号向量;采用动态编程算法对所述点杠信号向量进行自动编组,得到点杠信号向量组;将点杠信号向量组对照编码表进行编码。采用上述步骤,采用动态编程算法即DP算法很好的解决了不同速率,发报人员的不同习惯等各种因素下都能生成最优编组结果;相比于传统直接按照间隔长度分组有更强的稳定性以及适应性;实现了实际使用中的摩尔斯电报码的自动编码。