基于CBAM-CNN-BiGRU的Morse信号智能识别译码算法研究
2022-09-09高振斌宿绍莹
高振斌,张 毅,宿绍莹
(1.河北工业大学 电子信息工程学院,天津 300401;2.国防科技大学 电子科学学院,湖南 长沙 410073)
0 引言
Morse电报设备简单、频带窄、建联迅速、机动性强[1],是战争、灾害等突发状况下不可替代的应急通信方式之一。长期以来,Morse电报由人工听抄译码,在信道质量恶劣、码速率较高时正确率难以保证,且长时间工作会对报务员的身心健康产生诸多负面影响。此外,培养合格的报务员时间久、花销大,士兵服役期较短,人员短缺严重。因此,实现Morse电报的自动接收译码具有迫切的应用需求。
识别译码是根据Morse信号的点、划和3种间隔的时长比例(1∶3∶1∶3∶5)对它们进行种类判别,并按照其排列组合实现报文信息输出。与人工听抄译码相类似,时频分析[2]能够同时提取时域和频域信息,具有较强的抗干扰能力。基于时频分析的Morse信号接收译码方法可以分为传统机器学习聚类法和深度学习神经网络方法。聚类法包括支持向量机[3]、K均值聚类[4]、改进K均值聚类[5]和模糊C均值聚类[6]等,在高信噪比情况下,可达到90%以上的识别准确率。但聚类法需经过点划识别、间隔识别、查表译码和纠错等多个步骤,信噪比在0 dB以下时,识别准确率明显下降,远达不到实用要求。神经网络方法有应用隐马尔可夫模型的深度神经网络(Deep Neural Networks,DNN)[7]、卷积循环神经网络(Convolutional Recurrent Neural Network,CRNN)[8]等,与聚类法相比,此类方法可以实现端到端译码,且对低信噪比环境适应性更好。本文以CRNN为基础,提出融入卷积注意力机制模块(Convolutional Block Attention Module,CBAM)的卷积神经网……
