基于隱馬爾可夫模型的調頻廣播信號報時特征識別方法技術

本發明專利技術公開基于隱馬爾可夫模型的調頻廣播信號報時特征識別方法，本發明專利技術涉及無線電監測領域，解決根據頻譜特征如何識別廣播整點報時的新技術問題。本發明專利技術能夠僅僅采集多幀整點時段的頻譜數據用以訓練模型，然后僅需要對整點時刻進行監測即能完成報時特征識別，顯著并實質地，降低了數據處理量，加快了“黑廣播”自動發現速度；本發明專利技術不受地區和時間的限制，節省人力，有助于提高查找黑廣播效率；由于整點報時是區分合法廣播與“黑廣播”的重要指標之一，因此本發明專利技術可用于減少“黑廣播”的頻點的查找數量，增加對“黑廣播”識別的準確率。

Frequency identification method of FM broadcast signal based on Hidden Markov model

The invention discloses a FM signal based on time feature recognition based on Hidden Markov model, the invention relates to a radio monitoring technology, solve new problems according to the spectral characteristics of how to identify the whole point timekeeping broadcast. The spectral data of the invention can only capture frames, the whole point of time for training model, and then only need to monitor the whole point of time can be completed time feature recognition, and substantially reduced significantly, the amount of data processing, to speed up the speed of automatic discovery of black radio; the invention is not affected by the area and time limit, save manpower, helps to improve the search efficiency of black radio; because the whole point of time is one of the important indicators to distinguish between legitimate and black radio broadcasting, so the invention can be used to reduce the number of frequency points of black radio the search, increase the accuracy of black radio recognition.

【技術實現步驟摘要】
基于隱馬爾可夫模型的調頻廣播信號報時特征識別方法
本專利技術涉及無線電監測領域，具體涉及基于隱馬爾可夫模型的調頻廣播信號報時特征識別方法。
技術介紹
無線電廣播是許多地區和人群獲得信息的便利途徑。然而，一些不法商販私設電臺廣播不科學、虛假、低俗的“黑廣播”。“黑廣播”會干擾正常無線電秩序，侵犯公眾合法權益，誘騙科學意識不強的人群(如老年人)，甚至可能干擾航空頻段引發重大事故。由于“黑廣播”是不法商販的一種違法行為，因此“黑廣播”的播放頻率、播放時間和播放地點都極具隱蔽性和不確定性，這給實際確定“黑廣播”的播放頻率、播放時間和播放地點帶來極大困難，依靠人工排查不僅費時費力，而且無法及時發現“黑廣播”。目前對“黑廣播”的查處主要依靠集中整治或投訴等被動方式。本專利技術實現了將報時特征作為合法廣播的標志，減少了疑似“黑廣播”的頻點數量，提高了對“黑廣播”自動監測的識別率。廣播整點報時是指廣播電臺在整點通過鳴“嘀”并播報時間的一種報時方式。在文件GBT4961-1999《廣播報時信號》和GYT219-2006《廣播信號嵌入時間碼規范》中對廣播報時有著規范的要求。將全國廣播電臺的報時模式總結為傳統報時法、提前報時法和其他報時法。本專利技術根據整點報時是否含“嘀”將報時模式分為傳統報時模式和不含“嘀”的報時模式。由于“黑廣播”多以錄播形式播出，不存在整點報時，而多數合法廣播在整點時刻進行報時。因此可通過識別整點報時，識別合法廣播，減少“黑廣播”的判斷數量。通過頻段掃描數據的光譜圖可觀察到各個調頻廣播的報時模式(見圖1)。實際監測過程中可使用頻段掃描數據同步分析所有信號。本專利技術用頻段掃描數據識別報時特征。在實際監測過程中識別整點報時存在以下難點：1)由于報時模式的多樣性，各頻點報時開始和結束不同步，報時持續時間長度不同(見圖1)；2)由于設備原因，在采集過程中數據丟失不可避免，相同時間無法獲得相同的頻段掃描數據幀數；3)數據采集速度很快(15～40ms一幀數據)，如果在數據采集過程中產生偏差會使兩個序列產生較大差異；4)相鄰的兩個信號頻點可能對彼此產生干擾。綜上所述，包含整點報時的整點時刻頻段掃描數據具有以下特點：序列長度不固定；序列之間有錯位；序列包含噪聲。由于歐式距離對噪聲十分敏感，不具備對時間軸伸縮處理的能力，不能很好地處理模式相似性度量。因此，傳統的模式匹配方法誤差較大。隱馬爾可夫模型(HiddenMarkovModel,HMM)是一種統計模型，擁有牢固的統計學基礎和訓練方法，適合時序建模，可有效處理上述問題中的隨機性和不確定性。隱馬爾可夫模型是一個雙重隨機過程，由隱藏的隨機過程和觀察的隨機過程構成。隱藏的隨機狀態蘊含在觀察的隨機狀態中，通過觀察狀態概率矩陣和轉移概率矩陣，隱藏的隨機過程規律可通過觀察的隨機過程規律發現。隱馬爾可夫模型可形式描述為λ＝(S,Ω,P,Φ,π)，其中，S＝{si|i＝1,…N}為隱藏狀態集合，Ω＝{ok|k＝1,…,M}為觀察狀態集合，P＝{pij}N×N為隱藏狀態轉移矩陣，pij表示系統由狀態si轉移到狀態sj(i＝1,…,N，j＝1,…,N)，Φ＝{φi(ok)}N×M為觀察概率矩陣，φi(ok)表示系統處于狀態si時產生觀察狀態ok的概率(i＝1,…,N，k＝1,…,M)，π＝{πi|i＝1,…N}為初始狀態概率分布，πi表示初始時si的概率。隱馬爾可夫模型已廣泛應用于圖像處理、人體識別、手寫字體識別、文本分類、語音識別、動作識別、經濟學、分子生物學等眾多研究領域。本專利技術申請將隱馬爾可夫模型用于調頻廣播信號報時特征識別。本專利技術人的在先申請“一種調頻廣播信號的監測方法(2016103698315)”用于本專利技術的靜音數據預處理過程，下面統一以“在先申請”為代詞作相關陳述。
技術實現思路
針對上述現有技術，本專利技術目的在于提供基于隱馬爾可夫模型的調頻廣播信號報時特征識別方法，解決根據頻譜特征如何識別廣播整點報時的新技術問題。為達到上述目的，本專利技術采用的技術方案如下：基于機器學習模型的調頻廣播信號特征識別方法，包括以下步驟：步驟1、使用信號模板將頻譜數據轉換為機器碼序列；步驟2、定義機器碼序列中每個信號的滑動邊界、相對滑動邊界的重疊邊界，在滑動邊界和重疊邊界內找出信號模板的屬性，構建出關于屬性的特征向量；步驟3、量化已知類的信號特征為隱藏層，將特征向量作為機器學習模型的輸入層，訓練出輸出層；步驟4、獲取實時頻譜數據，調用步驟1和步驟2，獲得實時特征向量，根據實時特征向量與輸出層的匹配特性判斷出是否歸屬已知類的信號特征。基于隱馬爾可夫模型的調頻廣播信號報時特征識別方法，包括以下步驟：步驟1、在廣播頻段內獲取整點時刻鄰域內各個調頻廣播信號預設帶寬的數據幀集合，通過靜音模板匹配方法，對每個數據幀作靜音標記，將該數據幀集合標記為靜音數據和剩余數據(非靜音數據)的0-1序列，在0-1序列上計算每個滑動區間內的屬性，對每個屬性進行離散化處理并對離散化處理的結果進行編號，獲得編號集，再對編號集進行特征組合(串行融合策略)后，獲得第一特征向量；步驟2、將整點時刻鄰域內一個完整的整點報時分為若干過程，將若干過程作為隱馬爾可夫模型的隱藏狀態集合,將步驟1中的編號集作為隱馬爾可夫模型的觀察狀態集合并將第一特征向量作為隱馬爾可夫模型觀察序列,然后獲得初始化或更新的狀態轉移矩陣、觀察概率矩陣和初始概率分布；步驟3、將預先采集的整點報時和不報時兩類數據分別作為兩個訓練集，每個訓練集分別作為步驟1的數據幀集合，然后利用隱馬爾可夫模型參數學習算法在步驟1和步驟2內構建關于每個訓練集的循環迭代訓練，在循環迭代訓練結束后，，對應兩個訓練集分別獲得報時隱馬爾可夫模型和不報時隱馬爾可夫模型；步驟4、將實時數據(檢測集)作為步驟1的數據幀集合，利用步驟1滑動區間對0-1序列進行統計和離散化處理并進行編號，經過特征組合(串行融合策略)后獲得第二特征向量(與第一特征向量中的屬性特征相同)；步驟5、將第二特征向量分別代入報時隱馬爾可夫模型和不報時隱馬爾可夫模型，對應獲得報時匹配概率和不報時匹配概率，當最大匹配概率等于報時匹配概率時，當前整點時刻信號識別結果為報時。上述方案中，所述的步驟1，在廣播頻段內獲取整點時刻前后數秒到數十秒內各個調頻廣播信號上預設帶寬的數據幀集合。上述方案中，所述步驟1，利用滑動區間對0-1序列進行統計、離散化處理、編號和特征組合(串行融合策略)，具體包括以下步驟：步驟①、對調頻廣播的0-1序列，設置滑動區間和重疊區間的長度；步驟②、對步驟①中的0-1序列從開始至結束，依次統計每一滑動區間內靜音持續出現次數以及靜音持續長度的平均值、方差和總量；步驟③、將每個滑動區間靜音持續出現次數以及靜音持續長度的平均值、方差和總量進行離散化處理并對離散化處理的結果進行編號，獲得編號集，再對編號集進行特征組合(串行融合策略)后，獲得第一特征向量。上述方案中，所述的步驟2，其中：將整點報時分為5個過程：報時前播出的節目(節目1)，報時前期(多為停頓)，整點報時，報時后期(多為停頓)和報時后播出的節目(節目2)，作為5個隱藏狀態，構建出隱藏狀態集合。上述方案中，所述的步驟2，其中：將第一特征向量作為隱馬爾可夫模型中訓練集的觀察序列本文檔來自技高網...

【技術保護點】
基于機器學習模型的調頻廣播信號特征識別方法，其特征在于，包括以下步驟：步驟1、使用信號模板將頻譜數據轉換為機器碼序列；步驟2、定義機器碼序列中每個信號的滑動邊界、相對滑動邊界的重疊邊界，在滑動邊界和重疊邊界內找出信號模板的屬性，構建出關于屬性的特征向量；步驟3、量化已知類信號的隱藏狀態，將特征向量作為機器學習模型的輸入層，訓練出輸出層；步驟4、獲取實時頻譜數據，調用步驟1和步驟2，獲得實時特征向量，根據實時特征向量與輸出層的匹配特性判斷出是否歸屬已知類的信號特征。

【技術特征摘要】
1.基于機器學習模型的調頻廣播信號特征識別方法，其特征在于，包括以下步驟：步驟1、使用信號模板將頻譜數據轉換為機器碼序列；步驟2、定義機器碼序列中每個信號的滑動邊界、相對滑動邊界的重疊邊界，在滑動邊界和重疊邊界內找出信號模板的屬性，構建出關于屬性的特征向量；步驟3、量化已知類信號的隱藏狀態，將特征向量作為機器學習模型的輸入層，訓練出輸出層；步驟4、獲取實時頻譜數據，調用步驟1和步驟2，獲得實時特征向量，根據實時特征向量與輸出層的匹配特性判斷出是否歸屬已知類的信號特征。2.基于隱馬爾可夫模型的調頻廣播信號報時特征識別方法，其特征在于，包括以下步驟：步驟1、在廣播頻段內獲取整點時刻鄰域內各個調頻廣播信號預設帶寬的數據幀集合，通過靜音模板匹配方法，對每個數據幀作靜音標記，將該數據幀集合標記為靜音數據和剩余數據的0-1序列，在0-1序列上計算每個滑動區間內的屬性，對每個屬性進行離散化處理并對離散化處理的結果進行編號，獲得編號集，再對編號集進行特征組合后，獲得第一特征向量；步驟2、將整點時刻鄰域內一個完整的整點報時分為若干過程，將若干過程作為隱馬爾可夫模型的隱藏狀態集合,將步驟1中的編號集作為隱馬爾可夫模型的觀察狀態集合并將第一特征向量作為隱馬爾可夫模型觀察序列,然后獲得初始化或更新的狀態轉移矩陣、觀察概率矩陣和初始概率分布；步驟3、將預先采集的整點報時和不報時兩類數據分別作為兩個訓練集，每個訓練集分別作為步驟1的數據幀集合，然后利用隱馬爾可夫模型參數學習算法在步驟1和步驟2內構建關于每個訓練集的循環迭代訓練，在循環迭代訓練結束后，對應兩個訓練集分別獲得報時隱馬爾可夫模型和不報時隱馬爾可夫模型；步驟4、將實時數據作為步驟1的數據幀集合，通過步驟1獲得第二特征向量；步驟5、將第二特征向量分別代入報時隱馬爾可夫模型和不報時隱馬爾可夫模型，對應獲得報時匹配概率和不報時匹配概率，當最大匹配概率等于報時匹配概率時，當前整點時刻信號識別結果為報時。3.根據權利要求2所述...

【專利技術屬性】
技術研發人員：裴崢，劉越智，孔明明，馬方立，
申請(專利權)人：西華大學，
類型：發明
國別省市：四川,51