1.基于隐马尔可夫模型的调频广播信号报时特征识别方法，其特征在于，包括以下步骤：步骤1、在广播频段内获取整点时刻邻域内各个调频广播信号预设带宽的数据帧集合，通过静音模板匹配方法，对每个数据帧作静音标记，将该数据帧集合标记为静音数据和剩余数据的0-1序列，在0-1序列上计算每个滑动区间内的属性，对每个属性进行离散化处理并对离散化处理的结果进行编号，获得编号集，再对编号集进行特征组合后，获得第一特征向量；

步骤2、将整点时刻邻域内一个完整的整点报时分为若干过程，将若干过程作为隐马尔可夫模型的隐藏状态集合,将步骤1中的编号集作为隐马尔可夫模型的观察状态集合并将第一特征向量作为隐马尔可夫模型观察序列,然后获得初始化或更新的状态转移矩阵、观察概率矩阵和初始概率分布；

步骤3、将预先采集的整点报时和不报时两类数据分别作为两个训练集，每个训练集分别作为步骤1的数据帧集合，然后利用隐马尔可夫模型参数学习算法在步骤1和步骤2内构建关于每个训练集的循环迭代训练，在循环迭代训练结束后，对应两个训练集分别获得报时隐马尔可夫模型和不报时隐马尔可夫模型；

步骤4、将实时数据作为步骤1的数据帧集合，通过步骤1获得第二特征向量；

步骤5、将第二特征向量分别代入报时隐马尔可夫模型和不报时隐马尔可夫模型，对应获得报时匹配概率和不报时匹配概率，当最大匹配概率等于报时匹配概率时，当前整点时刻信号识别结果为报时。

2.根据权利要求1所述的基于隐马尔可夫模型的调频广播信号报时特征识别方法，其特征在于，所述的步骤1，在广播频段内获取整点时刻前后数秒到数十秒内各个调频广播信号上预设带宽的数据帧集合。

3.根据权利要求1所述的基于隐马尔可夫模型的调频广播信号报时特征识别方法，其特征在于，所述步骤1，利用滑动区间对0-1序列进行统计、离散化处理、编号和特征组合，具体包括以下步骤：步骤①、对调频广播的0-1序列，设置滑动区间和重叠区间的长度；

步骤②、对步骤①中的0-1序列从开始至结束，依次统计每一滑动区间内静音持续出现次数以及静音持续长度的平均值、方差和总量；

步骤③、将每个滑动区间静音持续出现次数以及静音持续长度的平均值、方差和总量进行离散化处理并对离散化处理的结果进行编号，获得编号集，再对编号集进行特征组合后，获得第一特征向量。

4.根据权利要求1所述的基于隐马尔可夫模型的调频广播信号报时特征识别方法，其特征在于，所述的步骤2，其中：将整点报时分为5个过程：报时前播出的节目，报时前期，整点报时，报时后期和报时后播出的节目，作为5个隐藏状态，构建出隐藏状态集合。

5.根据权利要求1所述的基于隐马尔可夫模型的调频广播信号报时特征识别方法，其特征在于，所述的步骤2，其中：将第一特征向量作为隐马尔可夫模型中训练集的观察序列；

令初始观察概率矩阵的初始值为训练集中每个隐藏状态产生各个观测符号的概率；

令初始状态转移矩阵为

隐藏状态的平均长度 为训练集各序列的平均长度，N为隐藏状态的个数5；

令初始概率分布为π＝{1,0,0,0,0}T。

6.根据权利要求3所述的基于隐马尔可夫模型的调频广播信号报时特征识别方法，其特征在于，所述的步骤①中的滑动区间和重叠区间长度按以下规则设置：相对每个整点时刻，每个滑动区间和每个重叠区间的长度至少包含5个隐藏状态中的整点报时，并且每个重叠区间的长度大于每个滑动区间长度的一半。