基于神经网络深度学习的实时CW莫尔斯码解码技术探索

BG8NJW BG8NTC  |  2026年6月

引言

莫尔斯码（Morse Code）作为最早的数字硬编码技术，通常以CW（等幅电报）作为调制方式。至今仍在业余无线电、航海和应急通信中广泛使用。在业余无线电的圈子，多数HAM都默认以掌握CW通信技术作为区分新老HAM的标志，CW拍发容易学，但听抄训练非常费时费力，多数人不是望而却步就是半途而废浅尝辄止，我就是其中之一，拍发很溜，抄听拉跨，我的好友BG8NTC老师还患突发性耳聋，要继续练习CW已无可能。在AI和深度学习技术爆炸的今天，语音语义识别都能做到如此牛逼，我想，单纯解码个CW音频应该不是难事，其实只需要模型能在噪声中“听懂点-划-字符间隔-单词间隔”就行了，虽然在资深HAM眼中利用电子技术实现解码抄听有点不入流，但起码也提供了过瘾的机会，也能持续激发人耳抄听练习的兴趣。说干就干，借助AI工具拓宽知识边界后，经过一周的迭代和训练，果真搞成了雏形，供各位HAM交流探讨。一些图表用AI生成的，有点丑懒得调整将就看了。

先看解码的实测录像，用的解码音频源是国内大神BH5ECE徐老师与日本台JQ2JNQ完整的CW通联录像，用虚拟声卡环回到解码器进行实时解码，除个别字符和空格等解码异常外，准确率超过98%，徐老师的录像原始地址：

XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX

真实通联解码测试.mp4 点击下载

我曾经做过很多版本的CW电子化解码器，从LM567音频锁相环，到单片机DSP窄带滤波维特比估算等算法解码，在面对真实通信场景下的解码效果都不理想。究其根本，传统解码器基于简单的DSP算法，采用固定阈值的音调检测，在理想信噪比下效果良好，但对真实短波信道中的噪声、干扰台、频率漂移和码速变化等因素鲁棒性不足。这些年，端到端的深度学习架构在语音识别领域取得了显著进展，其中Conformer等混合架构展现出的特征提取能力，为CW解码提供了新的技术路径。

本贴的项目主要是将深度学习推理与信号处理技术紧密结合。重点阐述音频预处理各环节的设计动机、模型架构的选型依据，以及实时流式推理的关键设计决策。

1 从波形到频谱：音频的数字化表示

1.1 短时傅里叶变换与频谱图

计算机采集的原始音频是时域波形，即声压随时间的变化曲线。对于CW解码任务，时域波形并非最优的模型输入：同一频率的信号，音量不同时波形幅度差异巨大，叠加噪声后波形更加混乱。而在频域表示中，特定频率的能量分布具有更好的稳定性和可分离性——700 Hz的CW信号在频谱上始终出现在700 Hz附近，不受音量幅度影响。

短时傅里叶变换（STFT）是将时域波形转换为时频表示的标准方法。其原理是对音频加窗后分段做离散傅里叶变换，得到每个时间段的频率分布。将所有时间段的结果按时间轴排列，即得到"时间-频率-能量"三维的频谱图，业余无线电中常见的瀑布图就是其一种可视化形式。

1.2 频谱参数的选择依据

采样率选择16kHz，由奈奎斯特采样定理决定：采样率需为待分析最高频率的两倍以上。CW信号关注的频率范围为500-900 Hz，8kHz的采样率足以覆盖，同时为后续处理留出充足的频率分辨空间，较低的采样率和FFT点数是为了便于后续移植到算力紧张的嵌入式平台。

FFT窗口长度N_FFT=1024，决定了频率分辨率为16000/1024=15.625 Hz。这意味着FFT输出的频率轴是离散的，每个频率bin占据15.625 Hz的带宽。后文将详述这一离散分辨率带来的问题及解决方案。

帧移（hop length）选择160个样本，即每10毫秒产生一帧频谱数据，每秒100帧。这一参数的选择基于CW信号的时间特征：莫尔斯码中最短的"点"约60毫秒，10毫秒的帧移保证一个点被采样为6帧以上，既能充分描述点划边界，又避免产生过多冗余帧。

2 CW信号频率检测：通断评分算法

2.1 传统FFT峰值检测的局限性

在干净信道中，通过查找频谱峰值即可定位CW信号频率。但真实短波环境中，这一方法存在严重缺陷：邻台干扰的载波往往比目标CW信号更强，在频谱上表现为更高的峰值；大气噪声和电气干扰会抬高频谱底层；而CW信号本身的频率也会随时间缓慢漂移。因此，简单的峰值检测无法可靠地从复杂频谱中定位目标信号。具体表现就是在信号跟踪时，如果一段时间没有CW信号，跟踪点会在噪声上漂移。

2.2 基于变异系数的通断评分

CW信号的核心时域特征是"OOK"的键控模式，而干扰载波是持续的，噪声是随机波动的。利用这一差异，本系统采用了"通断评分"算法来实现噪声中的信号检测。

算法流程如下：首先对输入音频计算STFT频谱，沿时间轴对各频率bin的能量求和，得到频域能量分布E(f)。然后对每个频率bin，计算其时域能量的变异系数（CV，即标准差/均值）和平均能量（E_avg）。最终评分公式为：

score(f) = CV(f) × E_avg(f)^0.15

该评分的设计逻辑在于：变异系数反映信号的通断特征，CW信号因为时开时关而具有较高的CV，稳态载波的CV接近0，随机噪声的能量很低。E^0.15的0.15次幂起到动态范围压缩的作用，避免评分被少数强信号主导。三类信号的评分特征：

图1：通断评分算法流程。CV反映信号的时域波动程度，E_avg反映信号强度，两者乘积可有效分离CW信号与干扰。

3 子频bin插值：突破FFT分辨率限制

3.1 频率bin跳动问题

FFT的频率输出是离散的，相邻bin的间距为15.625 Hz。当实际信号频率落在两个整数bin之间时（例如708 Hz介于703.125 Hz和718.75 Hz之间），取最近整数bin会引入近似误差。更严重的是，当信号频率缓慢漂移时，取整数bin的策略会导致频率取值在相邻bin之间跳动，使得模型输入分布发生突变，降低解码稳定性。

3.2 分数bin线性插值

解决方案是允许bin索引为小数，在相邻整数bin之间进行线性插值。具体而言，对于目标频率f，计算其对应的分数bin索引cbin = f × N_FFT / SAMPLE_RATE，然后以cbin为中心提取N_BINS=14个bin的特征，每个输出bin的值由相邻整数bin按分数偏移加权平均得到。

该方法将有效频率分辨率从15.625 Hz提升至约5 Hz，计算量仅为每个输出点一次乘加运算，但显著消除了频率漂移时的bin跳动现象，保证模型输入的平滑过渡。

图2：子频bin线性插值示意。分数bin索引使得频谱提取不再受限于整数bin位置，实现平滑的频率跟踪。

4 PCEN：自适应频谱归一化

4.1 传统对数变换的不足

从频谱中提取的窄带特征，其能量动态范围可达数个数量级。传统的处理方式是取对数，压缩动态范围。但对数变换是静态的——它不会根据当前环境噪声水平调整增益，在噪声环境变化时归一化效果会退化。

4.2 PCEN的工作原理

PCEN（Per-Channel Energy Normalization，每通道能量归一化）是一种可训练的自适应前端归一化方法。其核心思想是用指数移动平均（EMA）跟踪每个频率通道的背景能量，将当前帧能量与背景能量的比值作为归一化基础，再经过幂压缩将动态范围压缩到稳定的输出范围。

与对数变换的关键区别：PCEN的归一化基准是动态的——它随背景能量的变化而自适应调整。在高噪声环境下，背景能量估计升高，自动压低增益；在低噪声环境下，背景能量估计较低，保留更多微弱信号细节。更重要的是，PCEN的参数（平滑系数、偏移量、压缩指数）均为可训练参数，由模型在训练过程中自行学习最优值，无需人工调参。

5 模型架构：Conformer-CTC

5.1 为什么选择Conformer

CW解码任务对模型提出了两个看似矛盾的需求：既需要局部的精确时间建模（精确区分点划边界），又需要全局的上下文理解（识别字母/单词间隔）。纯卷积网络擅长局部特征提取但感受野有限，纯自注意力机制能捕捉全局依赖但对局部细节不够敏感。Conformer通过将卷积模块和自注意力模块串联，使模型同时具备两种能力。

5.2 网络结构

本系统采用6层Conformer编码器，每层包含以下组件：

其中因果卷积的选择尤为关键：因果卷积只看当前时间步及之前的输入，不看未来帧，这是实时流式解码的必要条件——实时场景下未来帧尚不存在，模型不能依赖未来信息做判断。

5.3 CTC训练目标

连接时序分类（CTC）是一种无需逐帧标注的序列学习方法。对于CW解码，训练数据只需提供音频对应的文字序列，而不需标注每个字符的精确时间位置。CTC通过引入空白标记和重复合并机制，允许模型自行学习音频帧与字符之间的对齐关系。推理时采用贪心解码：对每帧取argmax得到最可能字符，合并连续相同字符后去除空白标记，得到最终文本。

图3：系统整体架构。音频经过STFT频谱提取、子频bin插值、PCEN归一化、Conformer编码、CTC解码五个阶段。

6 有状态流式推理

6.1 流式解码的挑战

实时监听场景要求系统增量式处理连续音频流，而非等待完整音频后再解码。分块处理的核心问题是块边界效应：卷积操作在块边界处缺少历史上文，注意力机制无法看到前块的信息，导致解码质量在块边界降低。

6.2 状态传递机制

本系统通过在连续块之间传递以下四类状态，实现与全文件解码等价的流式输出，目前单块长度3秒，也是模拟人耳吵听的“压码稳抄”技术，听一两个单词后再记录：

关键约束：流式数据块的帧数必须是CHUNK_SIZE（40帧）的整数倍。这一约束避免了填充帧引入的分布偏移，确保流式解码与全文件解码的输出一致性。

图4：有状态流式解码流水线。音频源源不断流入，通过分块处理和状态传递实现连续解码。

7 频率同步机制

7.1 频率漂移的影响

短波信号的频率并非严格恒定，老式电台的振荡器温飘、电源电压波动和多普勒效应等因素均会导致频率缓慢变化。如果解码器始终使用初始检测频率提取频谱特征，几分钟后频率偏差可能达到数十赫兹，导致频谱提取中心偏移，解码质量下降。

7.2 双层同步策略

本系统采用前后端协同的双层频率同步策略：

前端快速跟踪：

前端快速跟踪：前端每秒运行一次通断评分算法，将检测到的频率随PCM数据发送给后端。后端通过_update_freq方法仅更新频谱提取的中心频率参数（peak_bin、cbin），不重置模型状态、PCEN或logits。这样的轻量级更新保证了频率跟踪的实时性，同时不丢失模型的累积时序上下文。2 Hz的更新阈值避免了EMA平滑引起的无效更新。

后端自动校验：当累积8秒音频且未收到前端频率更新时，后端独立运行完整的find_cw_freq算法进行频率校验。若偏差超过10 Hz则自动纠正。这一机制为前端未能正确锁定频率的情况提供了安全保障。

8 模型训练

8.1 训练数据生成

深度学习需要大量带标注的训练数据。由于难以获取大规模标注好的真实CW音频，本系统采用软件模拟方式生成训练数据。训练分为粗调V1和精调V2两个步骤。V1模型的训练集包含约3000段模拟CW音频，时长7-15秒，并注入以下干扰因素以提高模型的泛化能力：

这里放几个训练样本，大家可以听听，还是大体上模拟了真实通联场景的。

cw_000031.mp333.02KB立即下载

cw_000032.mp338.40KB立即下载

cw_000033.mp339.35KB立即下载

cw_000034.mp337.24KB立即下载

cw_000035.mp338.08KB立即下载

这个是训练用的标签jsonl文件：

metadata.txt337.42KBTXT2次下载

8.2 V2模型的训练收敛过程

V2模型基于已训练好的基础模型进行2000个样本的微调（fine-tune），采用较小的学习率（1e-4）和频率抖动增强（±10 Hz）策略。微调的优势在于利用基础模型已学到的通用特征表示，在新场景上快速收敛。训练结果如下：

训练显示了典型的微调收敛特征：由于基础模型已具备良好的特征提取能力，第0轮验证CER即达0.04%，第11轮后基本完全收敛。这表明模拟训练数据的质量能够支撑模型的有效学习，同时验证了基础模型的迁移学习价值。这里在后面几轮次的训练中，CER直接搞到了0，这是验证集与训练集未分离导致的，可能出现了过拟合，后续会改进。

9 局限性与展望

慢码速解码：模型在15 WPM下解码效果较差，原因在于慢码速下单个划的持续时间较长，模型倾向于将其解读为多个重复字符。增加慢码速样本的训练比例或引入显式时长建模可能改善此问题。

低频段麦克风响应：测试中使用的Logi C270网络摄像头麦克风在500 Hz以下响应不足，导致450 Hz的CW信号在声学测试中无法解码。这属于硬件限制，模型本身并非无法处理低频信号。

多信号并发解码：当前系统的多频率候选机制可列出多个候选频率，但不支持同时解码多个信号。未来可引入分离技术以应对拥挤频段。

语言模型集成：当前采用CTC贪心解码，仅取每帧最可能字符而不考虑语言层面的约束。引入浅层RNN语言模型或n-gram模型进行重评分，可进一步降低错误率，尤其对业余无线电Q简语和操作符号效果显著。

10 下一步

一是抓取更多的真实通联录音，继续进行微调训练，完善模型权重。优化解码路径上的算法，降低对处理器算力的依赖。

二是将此模型部署到RK3588等嵌入式环境中，做成小型化的解码器实体。