Indice
- Il problema: CW in condizioni difficili
- La soluzione: reti neurali per CW
- Come funziona la decodifica CW basata su AI?
- 1. Preprocessamento audio
- 2. Generazione dello spettrogramma
- 3. Estrazione di feature con CNN
- 4. Elaborazione di sequenze con RNN
- 5. Output e correzione errori
- Strumenti e progetti disponibili
- 1. DeepCW
- 2. deepmorse-decoder di AG1LE
- 3. Altri esperimenti open source
- 4. Per confronto: CW Skimmer e fldigi
- 5. WSJT-X: non CW, ma tecniche correlate
- Quanto sono affidabili i numeri?
- Conclusione
- Fonti e link utili
- Nota di trasparenza
Il codice Morse — CW — è il modo digitale più antico della radioamatoriale. Per generazioni, radioamatori esperti hanno padroneggiato l'arte di decodificare punti e linee a orecchio. Ma cosa succede quando il machine learning assume questo compito? Le reti neurali moderne possono decodificare segnali CW in tempo reale — anche in condizioni estreme: rumore, QRM, fading. Questo articolo mostra come funzionano i decoder CW basati su AI, quali strumenti sono disponibili e dove sono i limiti.
Il problema: CW in condizioni difficili
La decodifica CW è una sfida per il cervello umano — specialmente quando si combinano più fattori:
- Segnali deboli: Durante operazioni QRP o condizioni di propagazione scarse, il segnale scompare nel rumore
- QRM (interferenze): Più stazioni su frequenze simili, interferenze da display al plasma o alimentatori switching
- QSB (fading): Il segnale fluttua costantemente in potenza, punti e linee sono difficili da distinguere
- Chirp: Oscillatori instabili in trasmettitori più vecchi creano toni con frequenza variabile
- Velocità variabile: Il CW manipolato a mano non ha una velocità perfettamente uniforme
I decoder CW classici come l'algoritmo di Goertzel o la Fast Fourier Transform (FFT) funzionano bene con segnali puliti. Ma non appena si aggiungono forte rumore o interferenze, il tasso di errore aumenta drasticamente.
La soluzione: reti neurali per CW
Le reti neurali — in particolare Convolutional Neural Networks (CNN) e Recurrent Neural Networks (RNN) — sono idealmente adatte per la decodifica CW:
- CNN analizzano lo spettrogramma audio (rappresentazione tempo-frequenza) e riconoscono pattern nei dati visivi — simile al riconoscimento di immagini
- RNN (ad es. LSTM — Long Short-Term Memory) elaborano sequenze temporali e apprendono la struttura di lettere e parole in codice Morse
- Modelli Transformer: La variante più moderna utilizza meccanismi di attenzione per comprendere contesto e dipendenze tra caratteri
La particolarità: queste reti sono addestrate su migliaia di campioni CW — con diverse velocità, livelli di rumore e interferenze. In questo modo imparano a decodificare in modo affidabile anche in condizioni avverse.
Come funziona la decodifica CW basata su AI?
1. Preprocessamento audio
Il segnale CW viene prelevato dal transceiver come flusso audio (tipicamente frequenza di tono laterale 600-1000 Hz). La riduzione del rumore basata su AI può già essere applicata a monte.
2. Generazione dello spettrogramma
L'audio viene convertito in uno spettrogramma — un'immagine 2D dove l'asse X rappresenta il tempo e l'asse Y rappresenta la frequenza. Punti e linee Morse appaiono come barre luminose di diverse lunghezze.
3. Estrazione di feature con CNN
Una CNN analizza lo spettrogramma ed estrae feature — pattern tipici di punti, linee e pause. La rete filtra automaticamente rumore e segnali interferenti.
4. Elaborazione di sequenze con RNN
Le feature estratte vengono passate a una RNN che analizza la sequenza temporale. La rete riconosce: "punto-punto-punto = E", "linea-punto-linea-punto = C", ecc.
5. Output e correzione errori
Il carattere decodificato viene emesso. I sistemi moderni utilizzano inoltre modelli linguistici (come l'autocorrezione sugli smartphone) per rilevare e correggere errori di battitura: "HXLLO" diventa "HELLO".
Strumenti e progetti disponibili
Premessa: i decoder CW classici più noti non sono reti neurali. I decoder neurali sono oggi soprattutto progetti open source ed esperimenti che seguono la stessa ricetta di base: spettrogramma, CNN, rete ricorrente o Conformer, uscita CTC.
1. DeepCW
DeepCW è un progetto open source dell'utente GitHub e04: un decoder in tempo reale basato su rete neurale per Windows, macOS, Android e iOS, con una demo web su deepcw.cc. La pagina del progetto non fornisce dettagli su architettura e dati di addestramento e non ci risulta alcun articolo scientifico.
Gli sviluppatori pubblicano un proprio benchmark (rumore gaussiano bianco additivo, larghezza di banda del rumore 2.500 Hz, tasso di errore sui caratteri): 0,00% di errori tra 0 e -4 dB di SNR a tutte le velocità testate, sotto l'1,5% a -8 dB e sotto l'8% a -10 dB. Un confronto con CW Skimmer, fldigi e ggmorse su tre registrazioni di YouTube è favorevole a DeepCW, ma secondo il progetto non è una classifica generale. Sono dati del produttore in condizioni di laboratorio, non un test indipendente.
2. deepmorse-decoder di AG1LE
Mauri Niininen, AG1LE, ha pubblicato un progetto Python con modello CNN-LSTM-CTC (GPL-3.0). Ascolta dal microfono e mostra uno spettrogramma di un buffer di quattro secondi. Più una piattaforma di sperimentazione che uno strumento finito; la pagina non dichiara valori di accuratezza.
3. Altri esperimenti open source
Ci sono anche MorseNet (LSTM con CTC), nn-morse, DeepFist (CNN più CTC) e un progetto di corso del Technion con rilevatore e decoder (GitHub). Il video seguente presenta il progetto del Technion (in inglese):
4. Per confronto: CW Skimmer e fldigi
CW Skimmer di Alex Shovkoplyas, VE3NEA (Afreet Software), usa un algoritmo ad alta sensibilità basato sulla statistica bayesiana, quindi non è una rete neurale. Decodifica contemporaneamente tutti i segnali CW nella banda del ricevitore ed è lo skimmer alla base del Reverse Beacon Network. fldigi include un decoder CW classico; secondo le nostre ricerche non esiste un plugin AI per fldigi. Altro su CW Skimmer (in inglese):
5. WSJT-X: non CW, ma tecniche correlate
Anche se WSJT-X (FT8) non decodifica CW, usa metodi correlati: Forward Error Correction (FEC), analisi spettrale e riconoscimento di pattern.
Quanto sono affidabili i numeri?
I confronti indipendenti tra decoder AI, decoder classici e orecchio umano sono rari. Le percentuali dei README dei progetti derivano per lo più da rumore sintetico e non sono trasferibili direttamente alle bande reali con QRM, QSB e CW manipolato a mano. Con segnali forti e puliti i decoder classici bastano nella pratica. Le differenze emergono con rumore, QRM e fading.
Quanto siano difficili i segnali reali lo mostra anche un video di David Casler dal titolo "Machine Decoding of Morse Code is an Unsolved Problem" (in inglese):
Conclusione
I decoder CW basati su AI non sono più fantascienza — funzionano oggi. Secondo i benchmark dei progetti stessi battono gli algoritmi classici soprattutto con segnali deboli e rumorosi, ma una verifica indipendente manca quasi del tutto. Per l'uso in contest, come aiuti all'apprendimento o per l'accessibilità, sono strumenti preziosi. Se debbano sostituire la copia manuale del CW è una questione filosofica. Una cosa è certa: la tecnologia esiste — e sta migliorando.
Come con ChatGPT e Claude come assistenti dello shack, vale anche qui: l'AI è uno strumento, non un sostituto della propria competenza. Chiunque voglia imparare il CW dovrebbe continuare ad ascoltare e manipolare da sé. Ma quando il segnale scompare nel rumore, è rassicurante sapere che un'AI potrebbe ancora sentire qualcosa che l'orecchio umano non può più percepire.
Fonti e link utili
- DeepCW (GitHub, e04) e demo web deepcw.cc: funzioni, benchmark dichiarati, confronto con CW Skimmer, fldigi e ggmorse
- deepmorse-decoder (GitHub, AG1LE): CNN-LSTM-CTC, GPL-3.0
- MorseNet, nn-morse, DeepFist, progetto Technion: altri decoder open source
- CW Skimmer (Afreet Software, VE3NEA) e Wikipedia: CW Skimmer: decodifica bayesiana
- Immagine di copertina: tasto Vibroplex, National Electronics Museum, foto di Daderot, Wikimedia Commons (CC0)
73 – la vostra redazione di oeradio.at
Nota di trasparenza
Questo articolo è stato ricercato e scritto con l'assistenza dell'IA (Claude, Anthropic). La redazione ha verificato e curato tutti i contenuti. Nonostante un'attenta revisione, potrebbero essere presenti imprecisioni — accogliamo con piacere segnalazioni via e-mail a [email protected].
