高级搜索

基于深度神经网络的Morse码自动译码算法

游凌 李伟浩 张文林 王科人

引用本文: 游凌, 李伟浩, 张文林, 王科人. 基于深度神经网络的Morse码自动译码算法[J]. 电子与信息学报, doi: 10.11999/JEIT190658 shu
Citation:  Ling YOU, Weihao LI, Wenlin ZHANG, Keren WANG. Automatic Decoding Algorithm of Morse Code Based on Deep Neural Network[J]. Journal of Electronics and Information Technology, doi: 10.11999/JEIT190658 shu

基于深度神经网络的Morse码自动译码算法

    作者简介: 游凌: 男,1971年生,博士,研究员,研究方向为信号分析;
    李伟浩: 男,1996年生,硕士生,研究方向为深度学习、信号分析;
    张文林: 男,1982年生,博士,副教授,研究方向为语音信号处理、语音识别、自然语言理解;
    王科人: 男,1986年生,博士,助理研究员,研究方向为信号分析、智能信息处理
    通讯作者: 李伟浩,liweihao315@gmail.com
  • 基金项目: 国家自然科学基金(61403415),中国博士后科学基金(2016M602975)

摘要: 在军用和民用领域,Morse电报一直是一种重要的短波通信手段,但目前的自动译码算法仍然存在准确率低、无法适应低信噪比和不稳定的信号等问题。该文引入深度学习方法构建了一个Morse码自动识别系统,神经网络模型由卷积神经网络、双向长短时记忆网络和连接时序分类层组成,结构简单,且能够实现端到端的训练。相关实验表明,该译码系统在不同信噪比、不同码速、信号出现频率漂移以及不同发报手法引起的码长偏差等情况下,均能取得较好的识别效果,性能优于传统的自动识别算法。

English

    1. [1]

      DEY S, CHUGG K M, and BEEREL P A. Morse code datasets for machine learning[C]. Proceedings of the 2018 9th International Conference on Computing, Communication and Networking Technologies (ICCCNT), Bangalore, India, 2018: 1–7. doi: 10.1109/icccnt.2018.8494011.

    2. [2]

      SHIH C H and LUO C H. A Morse-code recognition system with LMS and matching algorithms for persons with disabilities[J]. International Journal of Medical Informatics, 1997, 44(3): 193–202. doi: 10.1016/s1386-5056(97)00020-8

    3. [3]

      HSIEH M C, LUO C H, and MAO Chiwu. Unstable Morse code recognition with adaptive variable-ratio threshold prediction for physically disabled persons[J]. IEEE Transactions on Rehabilitation Engineering, 2000, 8(3): 405–413. doi: 10.1109/86.867882

    4. [4]

      YANG Chenghong, LUO C H, JEANG Y L, et al. A novel approach to adaptive Morse code recognition for disabled persons[J]. Mathematics and Computers in Simulation, 2000, 54(1/3): 23–32. doi: 10.1016/s0378-4754(00)00180-4

    5. [5]

      GOLD B. Machine recognition of hand-sent Morse code[J]. IRE Transactions on Information Theory, 1959, 5(1): 17–24. doi: 10.1109/TIT.1959.1057478

    6. [6]

      WU Chungmin and LUO Chinghsing. Morse code recognition system with fuzzy algorithm for disabled persons[J]. Journal of Medical Engineering & Technology, 2002, 26(5): 202–207. doi: 10.1080/03091900210156904

    7. [7]

      WANG Yaqi, SUN Zhonghua, and JIA Kebin. An automatic decoding method for Morse signal based on clustering algorithm[C]. Proceedings of the 12th International Conference on Intelligent Information Hiding and Multimedia Signal Processing, Kaohsiung, China, 2017: 235–242.

    8. [8]

      王亚琦, 孙中华, 贾克斌. Morse报自动译码算法研究[J]. 信号处理, 2017, 33(11): 1451–1456.
      WANG Yaqi, SUN Zhonghua, and JIA Kebin. Research on automatic decoding algorithm of Morse telegraph[J]. Signal Processing, 2017, 33(11): 1451–1456.

    9. [9]

      LECUN Y, BENGIO Y, and HINTON G. Deep learning[J]. Nature, 2015, 521(7553): 436–444. doi: 10.1038/nature14539

    10. [10]

      WANG Xianyu, ZHAO Qi, MA Cheng, et al. Automatic Morse code recognition under low SNR[C]. Proceedings of 2018 International Conference on Mechanical, Electronic, Control and Automation Engineering (MECAE 2018), Qingdao, China, 2018: 46–51. doi: 10.2991/mecae-18.2018.46.

    11. [11]

      SHI Baoguang, BAI Xiang, and YAO Cong. An end-to-end trainable neural network for image-based sequence recognition and its application to scene text recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(11): 2298–2304. doi: 10.1109/TPAMI.2016.2646371

    12. [12]

      韦醒超. 摩尔斯短波无线通信系统的设计与实现研究[D]. [硕士论文], 湖南大学, 2017.
      WEI Xingchao. Research on the design and implementation of Morse shortwave wireless communication system[D]. [Master dissertation], Hunan University, 2017.

    13. [13]

      CABAL-YEPEZ E, GARCIA-RAMIREZ A G, ROMERO-TRONCOSO R J, et al. Reconfigurable monitoring system for time-frequency analysis on industrial equipment through STFT and DWT[J]. IEEE Transactions on Industrial Informatics, 2013, 9(2): 760–771. doi: 10.1109/TII.2012.2221131

    14. [14]

      SAINATH T N, KINGSBURY B, SAON G, et al. Deep convolutional neural networks for large-scale speech tasks[J]. Neural Networks, 2015, 64: 39–48. doi: 10.1016/j.neunet.2014.08.005

    15. [15]

      GRAVES A and SCHMIDHUBER J. Framewise phoneme classification with bidirectional LSTM and other neural network architectures[J]. Neural Networks, 2005, 18(5/6): 602–610. doi: 10.1016/j.neunet.2005.06.042

    16. [16]

      GRAVES A, FERNÁNDEZ S, and GOMEZ F. Connectionist temporal classification: Labelling unsegmented sequence data with recurrent neural networks[C]. Proceedings of the 23rd International Conference on Machine Learning, Pittsburgh, USA, 2006: 369–367.

    17. [17]

      刘宏哲, 杨少鹏, 袁家政, 等. 基于单一神经网络的多尺度人脸检测[J]. 电子与信息学报, 2018, 40(11): 2598–2605. doi: 10.11999/JEIT180163
      LIU Hongzhe, YANG Shaopeng, YUAN Jiazheng, et al. Multi-scale face detection based on single neural network[J]. Journal of Electronics &Information Technology, 2018, 40(11): 2598–2605. doi: 10.11999/JEIT180163

    1. [1]

      张文明, 姚振飞, 高雅昆, 李海滨. 一种平衡准确性以及高效性的显著性目标检测深度卷积网络模型. 电子与信息学报,

    2. [2]

      张惊雷, 厚雅伟. 基于改进循环生成式对抗网络的图像风格迁移. 电子与信息学报,

    3. [3]

      刘政怡, 刘俊雷, 赵鹏. 基于样本选择的RGBD图像协同显著目标检测. 电子与信息学报,

    4. [4]

      柳长源, 王琪, 毕晓君. 基于多通道多尺度卷积神经网络的单幅图像去雨方法. 电子与信息学报,

    5. [5]

      唐伦, 曹睿, 廖皓, 王兆堃. 基于深度强化学习的服务功能链可靠部署算法. 电子与信息学报,

    6. [6]

      陈前斌, 管令进, 李子煜, 王兆堃, 杨恒, 唐伦. 基于深度强化学习的异构云无线接入网自适应无线资源分配算法. 电子与信息学报,

    7. [7]

      张卓然, 张煌, 张方国. 列表译码在密码中的应用综述. 电子与信息学报,

    8. [8]

      孙子文, 叶乔. 利用震荡环频率特性提取多位可靠信息熵的物理不可克隆函数研究. 电子与信息学报,

    9. [9]

      张天骐, 胡延平, 冯嘉欣, 张晓艳. 基于零空间矩阵匹配的极化码参数盲识别算法. 电子与信息学报,

    10. [10]

      蒋瀚, 刘怡然, 宋祥福, 王皓, 郑志华, 徐秋亮. 隐私保护机器学习的密码学方法. 电子与信息学报,

    11. [11]

      王延峰, 张桢桢, 王盼如, 孙军伟. 基于DNA链置换的两位格雷码减法器分子电路设计. 电子与信息学报,

    12. [12]

      申铉京, 沈哲, 黄永平, 王玉. 基于非局部操作的深度卷积神经网络车位占用检测算法. 电子与信息学报,

    13. [13]

      刘坤, 吴建新, 甄杰, 王彤. 基于阵列天线和稀疏贝叶斯学习的室内定位方法. 电子与信息学报,

    14. [14]

      李骜, 刘鑫, 陈德运, 张英涛, 孙广路. 基于低秩表示的鲁棒判别特征子空间学习模型. 电子与信息学报,

    15. [15]

      王一宾, 裴根生, 程玉胜. 基于标记密度分类间隔面的组类属属性学习. 电子与信息学报,

    16. [16]

      周牧, 李垚鲆, 谢良波, 蒲巧林, 田增山. 基于多核最大均值差异迁移学习的WLAN室内入侵检测方法. 电子与信息学报,

  • 图 1  Morse信号时频图

    图 2  神经网络结构

    图 3  特征序列与时频图的对应

    图 4  多模型识别准确率对比

    图 5  多模型识别速度对比

    图 6  出现频率漂移和码长偏差的Morse信号

    表 1  CNN层设置

    层名称对应核大小
    卷积层1(5, 5, 1, 32),步长=(1, 1)
    最大池化层1(2, 2),步长=(2, 2)
    卷积层2(5, 5, 32, 64),步长=(1, 1)
    最大池化层2(2, 16),步长=(2, 2)
    下载: 导出CSV

    表 2  数据集组成

    码速(wpm)信噪比(dB)数目
    训练集25, 30, 4040, 30, 20, 10, 6, 3, -3, -6, -8, -1025000/50000
    验证集25, 30, 4040, 30, 20, 10, 6, 3, -3, -6, -8, -102500
    测试集25, 30, 4040, 30, 20, 10, 6, 3, -3, -6, -8, -102500
    下载: 导出CSV

    表 3  频率漂移和码长偏差情况下的译码准确率

    字准确率(%)词准确率(%)
    原始信号99.9299.65
    频率漂移96.2391.71
    频率漂移+码长偏差95.8890.40
    下载: 导出CSV

    表 4  有无频漂时去掉CNN前后译码性能

    迭代次数字准确率(%)词准确率(%)
    有CNN,无频漂2399.9299.65
    无CNN,无频漂4292.7173.90
    有CNN,有频漂2696.2391.71
    无CNN,有频漂4763.1120.35
    下载: 导出CSV
  • 加载中
图(6)表(4)
计量
  • PDF下载量:  36
  • 文章访问数:  897
  • HTML全文浏览量:  168
文章相关
  • 通讯作者:  李伟浩, liweihao315@gmail.com
  • 收稿日期:  2019-08-29
  • 录用日期:  2020-05-08
  • 网络出版日期:  2020-05-28
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章