[发明专利]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

权利要求书

1.一种基于逐级门限判决的深度学习摩尔斯码识别方法，其特征在于：包括以下步骤：

获取摩尔斯码音频信号，对所述摩尔斯码音频信号进行预处理，得到预处理后音频信号；其中，所述预处理具体包括：对摩尔斯码音频信号进行降噪处理，获得去噪信号；对摩尔斯码音频信号进行傅里叶变换，得到初步滤波结果；通过巴特沃斯滤波器和卡尔曼滤波器对初步滤波结果进一步处理，得到处理后音频信号；

对所述处理后音频信号进行判断，根据判断结果将其分类为第一类音频信号和第二类音频信号，具体包括判断步骤和分类步骤；

其中，所述判断步骤包括：根据预设时间内的信号特征设置信号判断阈值；根据所述信号判断阈值对所述处理后音频信号进行判断；若所述处理后音频信号大于所述信号判断阈值，判断为待分类音频信号；若所述处理后音频信号小于等于所述信号判断阈值，判断为无信号；

其中，所述分类步骤包括：根据国际标准，确定所述第一类音频信号和所述第二类音频信号的持续时间关系；根据所述信号判断阈值设置信号持续时间阈值和判决门限点数；读取所述待分类音频信号中预设个数的第一类音频信号；设置采样时间间隔，当在所述采样时间间隔中且在预设个数范围内的第一类音频信号大于判决门限点数时，获取所述第一类音频信号的持续时间方程；根据所述信号持续时间阈值获取预设个数的第一类音频信号的均值方程和方差方程；根据所述持续时间方程、均值方程和方差方程确定第一类高斯分布；根据第一类音频信号和所述第二类音频信号的持续时间关系，确定第二类高斯分布；根据所述第一类高斯分布和所述第二类高斯分布分别得出第一类概率密度函数和第二类概率密度函数；根据所述第一类概率密度函数和所述第二类概率密度函数得到分类阈值；将待分类音频信号中持续时间大于所述分类阈值的音频信号，分为第一类音频信号；将待分类音频信号中持续时间小于等于所述分类阈值的音频信号，分为第二类音频信号；

在递归神经网络基础上增加用于分析判断的递归门，构建用于生成摩尔斯码数据标签的神经网络；

根据所述第一类音频信号与所述第二类音频信号对所述预处理后音频信号进行字符分离；

根据所述神经网络的输入条件，对所述第一类音频信号和第二类音频信号进行编码处理，得到编码处理后的数据；

将所述编码处理后的数据输入所述神经网络中处理，输出得到摩尔斯码数据标签；

将所述摩尔斯码数据标签进行逆处理，识别出摩尔斯码。

2.根据权利要求1所述的一种基于逐级门限判决的深度学习摩尔斯码识别方法，其特征在于：所述根据所述神经网络的输入条件，对所述第一类音频信号和第二类音频信号进行编码处理，得到编码处理后的数据，包括：

根据输入序列长度对所述神经网络译码准确率的影响，设定所述第一类音频信号和第二类音频信号的编码格式并进行编码处理，得到编码序列和类别标签。

3.根据权利要求2所述的一种基于逐级门限判决的深度学习摩尔斯码识别方法，其特征在于：在根据所述神经网络的输入条件，对所述第一类音频信号和第二类音频信号进行编码处理前，包括：

采用One-hot编码将所述类别标签映射为One-hot向量。

4.根据权利要求3所述的一种基于逐级门限判决的深度学习摩尔斯码识别方法，其特征在于：将所述编码处理后的数据输入所述神经网络中处理，输出得到摩尔斯码数据标签，包括：

将所述One-hot向量和类别标签作为训练数据输入到所述神经网络进行运算，输出摩尔斯码数据标签。

5.根据权利要求4所述的一种基于逐级门限判决的深度学习摩尔斯码识别方法，其特征在于：所述将所述摩尔斯码数据标签进行逆处理，识别出摩尔斯码，包括：

采用所述One-hot编码对所述摩尔斯码数据标签进行逆映射，识别出摩尔斯码。

6.一种计算机装置，其特征在于：所述计算机装置包括：处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-5中任意一项所述方法的步骤。