Automatische CW-Decodierung mit neuronalen Netzen

Morsecode — CW — ist die aelteste digitale Betriebsart des Amateurfunks. Seit Generationen beherrschen erfahrene Funkamateure die Kunst, Punkte und Striche auf Gehoer zu decodieren. Doch was passiert, wenn Machine Learning diese Aufgabe uebernimmt? Moderne neuronale Netze koennen CW-Signale in Echtzeit decodieren — auch unter extremen Bedingungen: Rauschen, QRM, Fading. Dieser Artikel zeigt, wie KI-basierte CW-Decoder funktionieren, welche Tools verfuegbar sind und wo die Grenzen liegen.

Das Problem: CW unter schwierigen Bedingungen

CW-Decodierung ist fuer das menschliche Gehirn eine Herausforderung — besonders wenn mehrere Faktoren zusammenkommen:

Schwache Signale: Bei QRP-Betrieb oder schlechten Ausbreitungsbedingungen verschwindet das Signal im Rauschen
QRM (Man-Made Interference): Mehrere Stationen auf aehnlichen Frequenzen, Stoerungen durch Plasmabildschirme oder Schaltnetzteile
QSB (Fading): Signal schwankt staendig in der Staerke, Punkte und Striche sind schwer zu unterscheiden
Chirp: Instabile Oszillatoren aelterer Sender erzeugen frequenzverschobene Toene
Variable Geschwindigkeit: Handgetastete CW hat keine perfekt gleichmaessige Geschwindigkeit

Klassische CW-Decoder wie der Goertzel-Algorithmus oder Fast-Fourier-Transformation (FFT) funktionieren gut bei sauberen Signalen. Sobald aber starkes Rauschen oder Stoerungen hinzukommen, steigt die Fehlerrate drastisch.

Die Loesung: Neuronale Netze fuer CW

Neuronale Netze — insbesondere Convolutional Neural Networks (CNN) und Recurrent Neural Networks (RNN) — sind ideal fuer die CW-Decodierung geeignet:

CNN analysieren das Audio-Spektrogramm (Zeit-Frequenz-Darstellung) und erkennen Muster in den visuellen Daten — aehnlich wie bei Bilderkennung
RNN (z.B. LSTM — Long Short-Term Memory) verarbeiten zeitliche Sequenzen und lernen die Struktur von Morsecode-Buchstaben und Woertern
Transformer-Modelle: Die modernste Variante nutzt Attention-Mechanismen, um Kontext und Abhaengigkeiten zwischen Zeichen zu verstehen

Das Besondere: Diese Netze werden auf Tausenden von CW-Samples trainiert — mit verschiedenen Geschwindigkeiten, Rauschpegeln und Stoerungen. Dadurch lernen sie, auch unter widrigen Bedingungen zuverlaessig zu decodieren.

Wie funktioniert die KI-basierte CW-Decodierung?

1. Audio-Vorverarbeitung

Das CW-Signal wird vom Transceiver als Audio-Stream (typisch 600 bis 1000 Hz Seitentonfrequenz) abgegriffen. Eine KI-gestuetzte Rauschunterdrueckung kann bereits vorgeschaltet sein.

2. Spektrogramm-Erzeugung

Das Audio wird in ein Spektrogramm umgewandelt — ein 2D-Bild, bei dem die X-Achse die Zeit und die Y-Achse die Frequenz darstellt. Morse-Punkte und -Striche erscheinen als helle Balken unterschiedlicher Laenge.

3. CNN-Feature-Extraktion

Ein CNN analysiert das Spektrogramm und extrahiert Features — typische Muster von Punkten, Strichen und Pausen. Dabei filtert das Netz automatisch Rauschen und Stoersignale heraus.

4. RNN-Sequenzverarbeitung

Die extrahierten Features werden an ein RNN weitergegeben, das die zeitliche Abfolge analysiert. Das Netz erkennt: "Punkt-Punkt-Punkt = E", "Strich-Punkt-Strich-Punkt = C", etc.

5. Ausgabe und Fehlerkorrektur

Das decodierte Zeichen wird ausgegeben. Moderne Systeme verwenden zusaetzlich Sprachmodelle (wie bei Autokorrektur auf Smartphones), um Tippfehler zu erkennen und zu korrigieren: "HXLLO" wird zu "HELLO".

Verfügbare Tools und Projekte

Vorab: Die bekanntesten klassischen CW-Decoder sind keine neuronalen Netze. Neuronale Decoder sind derzeit vor allem Open-Source-Projekte und Experimente, die sich alle am selben Grundrezept orientieren: Spektrogramm, CNN, rekurrentes Netz oder Conformer, CTC-Ausgabe.

1. DeepCW

DeepCW ist ein quelloffenes Projekt des GitHub-Nutzers e04: ein Echtzeit-Decoder auf Basis eines neuronalen Netzes für Windows, macOS, Android und iOS, dazu eine Web-Demo unter deepcw.cc. Zu Architektur und Trainingsdaten macht die Projektseite keine Angaben, ein Fachartikel dazu ist uns nicht bekannt.

Die Entwickler veröffentlichen einen eigenen Benchmark (additives weißes Rauschen, 2500 Hz Rauschbandbreite, Zeichenfehlerrate): 0,00 % Fehler zwischen 0 und -4 dB SNR bei allen getesteten Geschwindigkeiten, unter 1,5 % bei -8 dB und unter 8 % bei -10 dB. Ein Vergleich mit CW Skimmer, fldigi und ggmorse anhand dreier YouTube-Mitschnitte fällt zugunsten von DeepCW aus, ist laut Projekt aber ausdrücklich kein allgemeines Ranking. Das sind Herstellerangaben unter Laborbedingungen, kein unabhängiger Test.

2. deepmorse-decoder von AG1LE

Mauri Niininen, AG1LE, hat ein Python-Projekt mit CNN-LSTM-CTC-Modell veröffentlicht (GPL-3.0). Es hört über das Mikrofon mit und zeigt ein Spektrogramm im Vier-Sekunden-Puffer. Eher Experimentierplattform als fertiges Werkzeug, Genauigkeitsangaben macht die Projektseite nicht.

3. Weitere Open-Source-Experimente

Daneben gibt es MorseNet (LSTM mit CTC), nn-morse, DeepFist (CNN plus CTC) und ein Kursprojekt der Technion mit Detektor und Decoder (GitHub). Der Ansatz ist inzwischen ein Standardrezept des maschinellen Lernens, ähnlich wie bei der Spracherkennung. Das folgende Video stellt das Technion-Projekt vor (Englisch):

4. Zum Vergleich: CW Skimmer und fldigi

CW Skimmer von Alex Shovkoplyas, VE3NEA (Afreet Software), nutzt einen hochempfindlichen Algorithmus auf Basis der bayesschen Statistik, ist also kein neuronales Netz. Er decodiert alle CW-Signale im Empfängerband gleichzeitig und ist als Skimmer die Basis des Reverse Beacon Network. fldigi bringt einen eingebauten klassischen CW-Decoder mit; ein KI-Plugin für fldigi gibt es nach unserer Recherche nicht. Mehr zu CW Skimmer (Englisch):

5. WSJT-X: kein CW, aber verwandte Techniken

Obwohl WSJT-X (FT8) kein CW decodiert, nutzt es verwandte Verfahren: Forward Error Correction (FEC), Spektralanalyse und Mustererkennung.

Wie belastbar sind die Zahlen?

Unabhängige Vergleiche zwischen KI-Decodern, klassischen Decodern und dem menschlichen Gehör sind rar. Die Prozentwerte, die du in Projekt-READMEs findest, stammen meist aus synthetischem Rauschen und sind nicht ohne Weiteres auf echte Bänder mit QRM, QSB und handgetasteter CW übertragbar. Bei starken, sauberen Signalen reichen klassische Decoder in der Praxis aus. Unterschiede zeigen sich bei Rauschen, QRM und Fading.

Wie schwierig echte Signale sind, zeigt auch ein Video von David Casler mit dem Titel „Machine Decoding of Morse Code is an Unsolved Problem“ (Englisch):

Praktische Anwendungen

1. Assistenzsystem fuer CW-Lernende

Anfaenger koennen schwierige Passagen decodieren lassen und gleichzeitig selbst mitlesen. Das Netz zeigt in Echtzeit, was gesendet wurde — ideal zum Lernen.

2. Contestbetrieb

Bei hohem Tempo und vielen Stationen gleichzeitig hilft der Decoder, Rufzeichen und Rapporte zu erfassen — auch wenn mehrere Signale ueberlappen.

3. DX-Pile-Ups

Wenn Dutzende Stationen eine seltene DX-Station rufen, kann die KI einzelne Rufzeichen aus dem Chaos herausfiltern.

4. Barrierefreiheit

Funkamateure mit Hoerbeeintraechtigung koennen CW via Text mitverfolgen. Die Decodierung erfolgt in Echtzeit, ohne manuelles Umschalten.

Grenzen und Herausforderungen

Rechenleistung: Große Modelle brauchen mehr Leistung. DeepCW läuft laut Projektseite aber auch auf Smartphones (Android, iOS), eine GPU ist also nicht zwingend nötig.
Trainingsdaten: Die Qualitaet haengt stark von den Trainingsdaten ab. Ein Netz, das nur auf synthetischen Samples trainiert wurde, kann bei echten, handgetasteten Signalen schlechter abschneiden.
Overfitting: Wenn das Netz zu sehr auf bestimmte Operatoren oder Geraete trainiert wurde, generalisiert es schlecht auf neue Signale.
Latenz: Bei sehr langen LSTM- oder Transformer-Modellen kann es zu Verzoegerungen kommen — problematisch bei Echtzeit-QSOs.
Ethik: Manche argumentieren, dass automatische Decodierung den Geist des CW-Betriebs unterwandert. CW ist eine Fertigkeit — soll die Maschine sie ersetzen?

Zukunft: Hybride Ansaetze

Die Zukunft liegt wahrscheinlich in hybriden Systemen:

KI + klassische DSP: Nutze KI-Rauschunterdrueckung zur Vorverarbeitung, dann klassische Decoder fuer die eigentliche Decodierung
Edge-AI: Optimierte Modelle fuer Embedded Systems (z.B. in SDR-Transceivern direkt eingebaut)
Multimodale KI: Kombiniere Audio-Decodierung mit Propagation-Vorhersagen — wenn die KI weiss, dass gerade 20 m offen ist, kann sie besser einschaetzen, welche Rufzeichen wahrscheinlich sind
Transfer Learning: Trainiere ein Netz auf SSTV oder RTTY und transferiere das Wissen auf CW — weniger Trainingsdaten noetig

Fazit

KI-basierte CW-Decoder sind keine Science-Fiction mehr — sie funktionieren heute. Laut den Benchmarks der Projekte schlagen sie klassische Algorithmen vor allem bei schwachen, verrauschten Signalen, unabhängig überprüft ist das allerdings kaum. Fuer den Einsatz in Contests, als Lernhilfe oder fuer Barrierefreiheit sind sie ein wertvolles Werkzeug. Ob sie das manuelle Kopieren von CW ersetzen sollen, ist eine Frage der Philosophie. Eines ist sicher: Die Technologie ist da — und sie wird besser.

Wie bei ChatGPT und Claude als Shack-Assistenten gilt auch hier: KI ist ein Werkzeug, kein Ersatz fuer die eigene Kompetenz. Wer CW lernen will, sollte weiterhin selbst hoeren und tasten. Aber wenn das Signal im Rauschen verschwindet, ist es beruhigend zu wissen, dass eine KI vielleicht noch etwas hoert, was das menschliche Ohr nicht mehr erfassen kann.

Quellen und weiterführende Links

DeepCW (GitHub, e04) und Web-Demo deepcw.cc: Funktionen, Benchmark-Angaben, Vergleich mit CW Skimmer, fldigi und ggmorse
deepmorse-decoder (GitHub, AG1LE): CNN-LSTM-CTC, GPL-3.0
MorseNet, nn-morse, DeepFist, Technion-Projekt: weitere Open-Source-Decoder
CW Skimmer (Afreet Software, VE3NEA) und Wikipedia: CW Skimmer: Bayessche Decodierung
Titelbild: Vibroplex-Taste, National Electronics Museum, Foto Daderot, Wikimedia Commons (CC0)

73 – eure oeradio.at-Redaktion

Transparenzhinweis

Dieser Artikel wurde mit Unterstützung von KI (Claude, Anthropic) recherchiert und verfasst. Die Redaktion hat alle Inhalte überprüft und redaktionell bearbeitet. Trotz sorgfältiger Prüfung können vereinzelt Ungenauigkeiten enthalten sein — wir freuen uns über Hinweise per E-Mail an [email protected].

Wie findest du diesen Artikel?

Es werden keine Cookies gesetzt. Gespeichert wird nur deine Bewertung, optionales Feedback und ein anonymisierter IP-Hash (Schutz vor Mehrfachbewertung). Datenschutz