CN113395683A - 一种基于分段神经网络解码的LoRa剪接通信方法及系统 - Google Patents

一种基于分段神经网络解码的LoRa剪接通信方法及系统 Download PDF

Info

Publication number
CN113395683A
CN113395683A CN202110590420.XA CN202110590420A CN113395683A CN 113395683 A CN113395683 A CN 113395683A CN 202110590420 A CN202110590420 A CN 202110590420A CN 113395683 A CN113395683 A CN 113395683A
Authority
CN
China
Prior art keywords
signal
lora
neural network
splicing
chirp
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110590420.XA
Other languages
English (en)
Other versions
CN113395683B (zh
Inventor
徐丹
胡王倩
任仲远
孙雪
陈少杰
王薇
房鼎益
陈晓江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwest University
Original Assignee
Northwest University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northwest University filed Critical Northwest University
Priority to CN202110590420.XA priority Critical patent/CN113395683B/zh
Publication of CN113395683A publication Critical patent/CN113395683A/zh
Application granted granted Critical
Publication of CN113395683B publication Critical patent/CN113395683B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于神经网络解码的LoRa剪接通信方法及系统，考虑到LoRa通信吞吐过低且节点的实际寿命低于其官方数据的问题，提出一种发送端剪接发送，接收端通过多特征神经网络解码的通信系统。步骤一：信号发送；以chirp信号为处理单位，网关对节点发送来的原始LoRa信号进行信噪比计算得到对应的剪接率，根据剪接率对chirp信号进行剪切和拼接形成新Payload信号，新Payload信号与Preamble信号拼接形成新LoRa信号，节点将新LoRa信号发送给网关；步骤二：信号接收；步骤三：模型训练；步骤四：利用步骤三获得的神经网络训练模型对接收的LoRa信号进行解码。本发明大幅度降低了LoRa的传输功耗并提升了吞吐。

Description

一种基于分段神经网络解码的LoRa剪接通信方法及系统
技术领域
本发明属于通信领域，具体涉及一种基于分段神经网络解码的LoRa剪接通信方法及系统。
背景技术
LoRa基于线性扩频调制技术，其调制的每一个信号即chirp，是频率线性增大(upchirp)或减小(downchirp)的sin波。在频带范围内(-BW/2,BW/2)chirp的频率从初始频率f0开始线性上升，直至bw/2，然后回到频带下边界-bw/2，从而扫过整个带宽。不同chirp对应不同的起始频率，共具有2^SF种。解调时对原始chirp进行脉冲压缩得到起始频率，由于upchirp和downchirp存在着共轭的关系，因此此处可以直接使用upchirp与标准的downchirp相乘，并做傅里叶变换，得到其在这一区间的频率能量峰值。能量峰值所对应的频率即为其初始频率从而进行解调。
线性扩频调制技术使得LoRa信号一直存在吞吐过低的情况，目前的技术LoRa吞吐最高仅为27kbps。其以数据传输速率为代价换取了通信距离远，功耗低。同时通过对实际应用情况的分析，LoRa网络的实际寿命通常小于理论预期。
在降低功耗方面，LoRa功耗的早期工作依赖于资源调度和参数优化。例如：利用LoRa网络的重传率估计其能量消耗，再通过调整模型参数来降低LoRa网络的整体能量消耗。以及通过优化LoRa传输过程中的参数设置，使LoRa节点能够在不同的环境中选择自己的信道传输参数，最终降低LoRa节点的能耗。
降低LoRa功耗的另一种方法是对其硬件模块进行优化。Eletreby等人提出的Chior系统。可以并发传输和解码十个LoRa节点的数据包，在保证相同数据速率的前提下，将LoRa节点的解码距离提高了2.65倍，降低了LoRa节点的能耗。反向散射通信通过设计反向散射模块可以检测环境中的LoRa数据包，从而不需要产生载波，可以功耗更低的情况下传输LoRa数据包。
发明内容
为了进一步提高LoRa的能量效率与吞吐，本发明提出了对信号在发送端进行剪接发送并在接收端利用神经网络解码的方法，本发明能够同时提高吞吐、降低功耗，并且在提升传输距离上也有非常好的表现力；该方法结合了滑动窗口检测，利用其脉冲压缩后的接收信号与先验信号的频域相关性分析，即使LoRa节点接收到不完整的数据包，也能保证准确的数据包检测。
为了实现上述任务，本发明采用以下技术方案，包括：
一种基于神经网络解码的LoRa剪接通信方法，按照以下步骤执行：
步骤一：信号发送；
以chirp信号为处理单位，网关对节点发送来的原始LoRa信号进行信噪比计算得到对应的剪接率，根据剪接率对chirp信号进行剪切和拼接形成新Payload信号，新Payload信号与Preamble信号拼接形成新LoRa信号，节点将新LoRa信号发送给网关；
步骤二：信号接收；
对新LoRa信号进行高频滤波和信号同步，按照时间长度，分割得到各个chirp信号；之后再次根据时间长度对各chirp信号进行分段处理得到整段chirp信号、前1/3chirp信号、中1/3chirp信号和后1/3chirp信号；整段chirp信号、前1/3chirp信号、中1/3chirp信号和后1/3chirp信号分别与down chirp相乘，再进行傅里叶变换得到频域序列矩阵，形成神经网络模型的输入；
步骤三：模型训练；
原始chirp信号所对应的序号作为标签，步骤二得到的频域的序列矩阵分别输入神经网络模型，输出结果经过一个全链接层，融和后再通过一个全链接层，以均方误差作为神经网络的损失函数，再使用Adam优化算法最小化损失函数，获得神经网络训练模型；
步骤四：利用步骤三获得的神经网络训练模型对接收的LoRa信号进行解码。
可选的，步骤二中，所述的高频滤波采用IIR低通滤波器进行。
可选的，步骤二中，使用滑动窗口对高频滤波后的新LoRa信号进行信号同步，并依据时间单位对高频滤波后的新LoRa信号中的Payload信号进行分割处理。
具体包括：将高频滤波后的新LoRa信号的频域能量进行脉冲压缩，利用滑动窗口找到脉冲压缩后的能量最大值位置即为chirp信号的有效载荷的起始位置，实现信号同步；利用10个downchirps大小来进行滑动窗口，实现对信道的监测。
可选的，步骤二中，整段chirp信号、前1/3chirp信号、中1/3chirp信号和后1/3chirp信号分别与down chirp相乘的具体过程如下式所示；
Figure BDA0003089310250000031
其中：Cu为upchirp,Cd为downchirp,fo为Cu的起始频率，Hz；k为频率变化率，Hz/s；BW为频带宽度，Hz；t为时间，s；fBW/2为Cd起始频率，Hz；j为虚部信号。
可选的，神经网络模型具体结构如下表所示：
Figure BDA0003089310250000032
可选的，所述神经网络的Loss函数为：
Figure BDA0003089310250000033
其中xi为神经网络的输入，yi为神经网络的输出。
可选的，剪接后chirp信号的表达式如下：
Figure BDA0003089310250000034
Sr为剪接率，选择范围是1/1、1/2、1/4或1/8；f0为起始频率，Hz；k为频率变化率，Hz/s；t为时间，s；j为虚数信号。
一种基于神经网络解码的LoRa剪接通信系统，所述的系统执行本发明任一的基于神经网络解码的LoRa剪接通信方法。
一种基于神经网络解码的LoRa剪接通信系统，设置：
信号发送模块：以chirp信号为处理单位，网关对节点发送来的原始LoRa信号进行信噪比计算得到对应的剪接率，根据剪接率对chirp信号进行剪切和拼接形成新Payload信号，新Payload信号与Preamble信号拼接形成新LoRa信号，节点将新LoRa信号发送给网关；
信号接收模块：对新LoRa信号进行高频滤波和信号同步，按照时间长度，分割得到各个chirp信号；之后再次根据时间长度对各chirp信号进行分段处理得到整段chirp信号、前1/3chirp信号、中1/3chirp信号和后1/3chirp信号；整段chirp信号、前1/3chirp信号、中1/3chirp信号和后1/3chirp信号分别与down chirp相乘，再进行傅里叶变换得到频域序列矩阵，形成神经网络模型的输入；
模型训练模块：原始chirp信号所对应的序号作为标签，步骤二得到的频域的序列矩阵分别输入神经网络模型，以均方误差作为神经网络的损失函数，再使用Adam优化算法最小化损失函数，获得神经网络训练模型；
利用模型训练模块获得的神经网络训练模型对接收的LoRa信号进行解码。
本发明与现有技术相比具有以下特点：
本发明将剪接的发送信号添加到原始方案中，剪接发送神经网络解码机制与以往节能解决方案集成在一起，实现更低的功耗和更好的通信效果。通过拼接LoRa信号的方式来同时完成对功耗的降低和对吞吐的提升。它的优点是不需要额外的硬件模块。与此同时，单信道剪接发送神经网络解码机制还可以与节点硬件优化及其他方案一起使用，进一步提升性能。通过缩短每个发送信号的物理长度来实现信号的部分截获这一思路在以前的工作中从未考虑过。我们根据不同的节点所处的通信环境选择不同的剪接率。而神经网络解码机制则利用深度学习来弥补剪接带来的解码损失，使其能够在保证通信距离的前提下，提升吞吐降低功耗。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1为原始LoRa数据包和剪接后数据包的时频图；
图2为解码神经网络结构图。
具体实施方式
以下将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，以下所描述的实施例仅是本发明的一部分实施例，并非全部实施例，也并未对本发明做任何形式上的限制，凡是利用本实施例的技术方案，包括对本实施例做了简单的变化，均属于本发明保护的范围。
标准LoRa信号数据包包含以下几个部分：用于信号检测的导频即Preamble、用于信号同步的起始帧界定符Start Frame Delimiter(SFD)以及记录原始传输信息的有效载荷数据部分Payload。
有效载荷数据部分Payload由各个chirp信号组成，依据时间单位对Payload信号进行分割得到多个chirp信号；在信号发送阶段，对每个chirp信号的前一部分依据当时通信信噪状态选取合适的长度截取下来，即依据剪接率Sr剪切，重新进行信号拼接构成新的有效载荷数据部分Payload，同时形成新的LoRa信号；网关对节点发送来的原始LoRa信号进行信噪比计算得到对应的剪接率。由于信号长度越长，其能量越多，抗噪声越好；但如果过长则其吞吐的提升和能耗的降低效果会大打折扣。剪接时长度的选择需要根据通信环境进行动态调整。因此，本发明的步骤一：发送时节点向网关发送原始长度的数据包，网关接受到数据后，计算信噪比并根据信噪比匹配到合适的剪接率，将此剪接率反馈给节点。信噪比与剪接率的匹配关系如表1所示。
表1
SNR范围 SNR<-10dB -10dB<SNR<-5dB
剪接率sr选择 1/1 1/2
SNR范围 -5dB<SNR<0dB 0dB<SNR
剪接率sr选择 1/4 1/8
在后续发送时，节点按照网关指示的剪接率将payload部分进行剪接并予以发送(保留原始的Preamble和SFD部分不予更改以保证准确的数据包检测和同步)。在步骤一中需要根据首次通信完整信号所计算出的信噪比情况决定之后通信所选取的剪接率。比如具体的，步骤一：对payload部分的各chirp信号进行前1/n剪接处理，获得新的发送信号并予以发送。
步骤1.1：首次发送时节点向网关发送原始长度的数据包，网关接受到数据后，计算信噪比并根据信噪比选择合适的剪接率sr，将此剪接率反馈给节点。
步骤1.2：在后续发送时，节点按照网关指示的剪接率将payload部分进行剪接并予以发送。剪接后chirp信号的表达式如下：
Figure BDA0003089310250000061
Sr为剪接率，选择范围是1/1、1/2、1/4或1/8，即n＝1、2、4或8；f0为起始频率，Hz；k为频率变化率，Hz/s；t为时间，s；j为虚数信号。
步骤二：接收信号并进行数据预处理。
对新LoRa信号进行高频滤波和信号同步，按照时间长度，分割得到各个chirp信号；之后再次根据时间长度对各chirp信号进行分段处理得到整段chirp信号、前1/3chirp信号、中1/3chirp信号和后1/3chirp信号；“分割”是把各个chirp信号分开，它的时间长度就是整个chirp信号的持续时间t；“分段”是在输入神经网络前，分成前中后三段，每段的时间长度就是原本chirp信号持续时间t的1/3，也就是1/3t；
在信号接收阶段，利用了chirp信号的时间和频率之间所具有的关联性，将接收到的信号按照时间进行分段处理，分为整段chirp信号、前1/3chirp信号、中1/3chirp信号和后1/3chirp信号。
使用IIR低通滤波器对信号进行滤波，以去除信号带宽外的高频噪声。使用滑动窗口进行信号同步和分割。为了降低频域分布不均匀的噪声对整段信号解码的影响，利用了chirp信号的时间和频率之间所具有的关联性，将接收到的信号按照时间进行分段处理，分为整段chirp信号、前1/3chirp信号、中1/3chirp信号和后1/3chirp信号，共四部分，将四部分分别与Down chirp相乘，再将其进行傅里叶变换得到频域的序列矩阵。
Figure BDA0003089310250000062
其中：Cu为upchirp,Cd为downchirp,fo为Cu的起始频率，Hz；k为频率变化率，Hz/s；BW为频带宽度，Hz；t为时间，s；fBW/2为Cd起始频率，Hz；j为虚部信号。
在步骤二中需要对数据进行预处理操作。这一步骤中首先需要做好的是信号同步和准确截取问题，此处使用滑动窗口，在窗口内将信号与Down chirp相乘，将频域能量进行脉冲压缩，利用滑动窗口找到脉冲压缩后的能量最大值位置即为chirp信号有效载荷的起始位置，即实现信号的精准同步。之后根据chirp信号的时间长度，对各个chirp信号进行分割。
步骤三：利用训练集数据对神经网络模型进行训练。其具体结构如表2所示：
表2神经网络模型结构
Figure BDA0003089310250000063
Figure BDA0003089310250000071
将步骤二预处理后得到的四个矩阵作为输入。原始chirp信号所对应的序号作为标签，将其分别输入卷积神经网络CNN、深度神经网络DNN再将其输出结果融和在一起通过深度神经网络DNN网络，以均方误差作为神经网络的损失函数，再使用Adam优化算法最小化所述神经网络的损失函数，获得最终的神经网络训练模型。
步骤四：使用训练好的神经网络模型对信号进行解码。将训练好的模型导出，然后用于通信过程中接收到的预处理后信号的解码。
神经网络的Loss函数为：
Figure BDA0003089310250000072
其中xi为神经网络的输入，yi为神经网络的输出。
实施例一：
本实施例提出一种基于分段神经网络解码的LoRa剪接通信方法，包括以下步骤：
步骤一：标准LoRa信号数据包包含以下几个部分：用于信号检测的导频即Preamble、用于信号同步的起始帧界定符Start Frame Delimiter(SFD)以及记录原始传输信息的有效载荷数据部分Payload。有效载荷数据部分Payload由各个chirp信号组成，为了确保信号检测和同步，LoRa中的标准报头被保留不进行任何操作。对每个chirp信号的前一部分依据当时通信信噪状态选取合适的长度截取下来，截取的长度等于剪接率sr*chirp信号的原始长度。不同通信环境下剪接率sr的最佳选择如表1所示。然后将截取后的信号重新进行拼接构成新的有效载荷数据部分Payload如图1所示。
步骤二：将接受到的信号进行预处理，减轻噪声的影响，并进行信号的同步和有效载荷的截取。
步骤2.1：首先，使用IIR低通滤波器对信号进行滤波，以去除高频噪声。
步骤2.2：信号同步和有效载荷分段。由于拼接机制保留了原始LoRa信号的前同步码，可以使用LoRa标准包检测来确保信号同步。即利用10个downchirps的窗口大小来实现滑动窗口，实现对信道的监测。然后，将通道的滑动窗口乘以2.25个upchirp，并进行傅里叶变换来同步信号。当信号的快速傅立叶变换峰值频率聚集在0Hz，强度超过预设阈值时，信号同步完成，根据拼接信号的长度对有效载荷中的信号进行分段，从而实现有效载荷截取。
步骤2.3：为了充分利用接收到信号的频域特征，将其进行分段处理，分为整段chirp信号、前1/3chirp信号、中1/3chirp信号和后1/3chirp信号，共四部分，将四部分分别于Down chirp相乘，得到其傅里叶变换后的序列。
步骤三：训练数据集为实际环境中收集的所有信号集合共2^SF种chirp信号，并依据起始频率的大小采用one-hot编码生成训练标签，本例中使用LoRa SF＝7的情况一共的标签为128种，标签则为一维长128的数据。利用上述训练集数据对神经网络模型进行训练。为了充分利用chirp信号各频段的频域特征，将接收到的整段chirp信号、前1/3chirp信号、中1/3chirp信号和后1/3chirp信号，预处理后得到的四个矩阵分别输入卷积神经网络CNN，输出结果经过一个全链接层(FC)，融合层融和后再通过一个全链接层(FC)，最后结果作为整个模型的输出。以均方误差作为loss函数，当loss函数值低于5*10^(-6)时，训练完成。神经网络结构图如图2所示，各层具体参数如表2所示。
步骤四：使用训练完成的神经网络模型对预处理后的剪接信号进行解码。
在十公里的范围内部署了节点和接收端，进行了本方法和商用设备的对比试验。商用设备选择使用sx1276芯片或rf96芯片的Arduino UNO节点配合搭载了sx1276芯片的dragino网关。在保持包接收率90％的情况下，商用设备通信距离最大只能保持在4.3KM，而在此距离下本方法所有剪接率通信包接收率均在90％以上，其中不剪接信号的包接收率更是达到了99％。由此可知，在此距离下本方法可以使用1/8剪接进行通信，从而提升最多7.98倍吞吐。
同时随着距离提升，商用LoRa设备的通信距离迅速下降，在5Km范围大约仅有80％的包接收率，这已经难以保持一个正常的通信。而本方法在该距离下可以使用1/4剪接率进行通信并达到90％的包接收率，从而提升3.99倍的吞吐。而在6KM距离下，商用LoRa设备仅有60％的包接收率，这已经完全无法满足正常的通信需求，而此时本方法可以以1/2剪接率通信并达到90％的包接收率，从而提升1.99倍吞吐。值得注意的是，对于不剪接的信号，本方法可以在7.7KM处实现90％以上的包接收率，作为对比，商用设备在这个距离大约仅有10％的包接收率，处于一种完全无法使用的状态。
经过实验对比本方法最大可将吞吐提升至商用节点7.7倍，通信距提升至1.7倍。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (10)

1.一种基于神经网络解码的LoRa剪接通信方法，其特征在于，按照以下步骤执行：
步骤一：信号发送；
以chirp信号为处理单位，根据剪接率对chirp信号进行剪切和拼接形成新Payload信号，新Payload信号与Preamble信号拼接形成新LoRa信号，节点将新LoRa信号发送给网关；
步骤二：信号接收；
对新LoRa信号进行高频滤波和信号同步，按照时间长度，分割得到各个chirp信号；之后再次根据时间长度对各chirp信号进行分段处理得到整段chirp信号、前1/3chirp信号、中1/3chirp信号和后1/3chirp信号；整段chirp信号、前1/3chirp信号、中1/3chirp信号和后1/3chirp信号分别与down chirp相乘，再进行傅里叶变换得到频域序列矩阵，形成神经网络模型的输入；
步骤三：模型训练；
原始chirp信号所对应的序号作为标签，步骤二得到的频域序列矩阵输入神经网络模型，以均方误差作为神经网络的损失函数，再使用Adam优化算法最小化损失函数，获得神经网络训练模型；
步骤四：利用步骤三获得的神经网络训练模型对接收的LoRa信号进行解码。
2.根据权利要求1所述的基于神经网络解码的LoRa剪接通信方法，其特征在于，步骤二中，所述的高频滤波采用IIR低通滤波器进行。
3.根据权利要求1或2所述的基于神经网络解码的LoRa剪接通信方法，其特征在于，步骤二中，使用滑动窗口对高频滤波后的新LoRa信号进行信号同步，并依据时间单位对高频滤波后的新LoRa信号中的Payload信号进行分割处理。
4.根据权利要求3所述的基于神经网络解码的LoRa剪接通信方法，其特征在于，具体包括：
将高频滤波后的新LoRa信号的频域能量进行脉冲压缩，利用滑动窗口找到脉冲压缩后的能量最大值位置即为chirp信号的有效载荷的起始位置，实现信号同步；
利用10个downchirps大小来进行滑动窗口，实现对信道的监测。
5.根据权利要求1或2所述的基于神经网络解码的LoRa剪接通信方法，其特征在于，步骤二中，整段chirp信号、前1/3chirp信号、中1/3chirp信号和后1/3chirp信号分别与downchirp相乘的具体过程如下式所示；
Figure FDA0003089310240000021
其中：Cu为upchirp,Cd为downchirp,fo为Cu的起始频率，Hz；k为频率变化率，Hz/s；BW为频带宽度，Hz；t为时间，s；fBW/2为Cd起始频率，Hz；j为虚部信号。
6.根据权利要求1或2所述的基于神经网络解码的LoRa剪接通信方法，其特征在于，神经网络模型具体结构如下表所示：
Figure FDA0003089310240000022
7.根据权利要求1或2所述的基于神经网络解码的LoRa剪接通信方法，其特征在于，所述神经网络的Loss函数为：
Figure FDA0003089310240000023
其中xi为神经网络的输入，yi为神经网络的输出。
8.根据权利要求1或2所述的基于神经网络解码的LoRa剪接通信方法，其特征在于，剪接后chirp信号的表达式如下：
Figure FDA0003089310240000024
Sr为剪接率，选择范围是1/1、1/2、1/4或1/8；f0为起始频率，Hz；k为频率变化率，Hz/s；t为时间，s；j为虚数信号。
9.一种基于神经网络解码的LoRa剪接通信系统，其特征在于，所述的系统执行权利要求1-8任一所述的基于神经网络解码的LoRa剪接通信方法。
10.一种基于神经网络解码的LoRa剪接通信系统，其特征在于，设置：
信号发送模块：以chirp信号为处理单位，网关对节点发送来的原始LoRa信号进行信噪比计算得到对应的剪接率，根据剪接率对chirp信号进行剪切和拼接形成新Payload信号，新Payload信号与Preamble信号拼接形成新LoRa信号，节点将新LoRa信号发送给网关；
信号接收模块对新LoRa信号进行高频滤波和信号同步，按照时间长度，分割得到各个chirp信号；之后再次根据时间长度对各chirp信号进行分段处理得到整段chirp信号、前1/3chirp信号、中1/3chirp信号和后1/3chirp信号；整段chirp信号、前1/3chirp信号、中1/3chirp信号和后1/3chirp信号分别与down chirp相乘，再进行傅里叶变换得到频域序列矩阵，形成神经网络模型的输入；
模型训练模块：原始chirp信号所对应的序号作为标签，步骤二得到的频域的序列矩阵分别输入神经网络模型，以均方误差作为神经网络的损失函数，再使用Adam优化算法最小化损失函数，获得神经网络训练模型；
利用模型训练模块获得的神经网络训练模型对接收的LoRa信号进行解码。
CN202110590420.XA 2021-05-28 2021-05-28 一种基于分段神经网络解码的LoRa剪接通信方法及系统 Active CN113395683B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110590420.XA CN113395683B (zh) 2021-05-28 2021-05-28 一种基于分段神经网络解码的LoRa剪接通信方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110590420.XA CN113395683B (zh) 2021-05-28 2021-05-28 一种基于分段神经网络解码的LoRa剪接通信方法及系统

Publications (2)

Publication Number Publication Date
CN113395683A true CN113395683A (zh) 2021-09-14
CN113395683B CN113395683B (zh) 2022-07-12

Family

ID=77619393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110590420.XA Active CN113395683B (zh) 2021-05-28 2021-05-28 一种基于分段神经网络解码的LoRa剪接通信方法及系统

Country Status (1)

Country Link
CN (1) CN113395683B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230173602A (ko) * 2022-06-17 2023-12-27 셈테크 코포레이션 처프-변조 무선 신호들용 전송기, 수신기 및 방법

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170353269A1 (en) * 2016-06-01 2017-12-07 Qualcomm Incorporated Encoding and decoding of control signaling with sectional redundancy check
CN108199892A (zh) * 2018-01-12 2018-06-22 电子科技大学 基于神经网络的LoRa终端最大发送速率动态预测方法
CN110099019A (zh) * 2019-04-24 2019-08-06 西安电子科技大学 基于深度学习的LoRa调制信号检测方法
CN110809200A (zh) * 2019-11-12 2020-02-18 西北大学 一种无源backscatter长距离通信系统
CN111464465A (zh) * 2020-03-11 2020-07-28 重庆邮电大学 一种基于集成神经网络模型的信道估计方法
US20200241139A1 (en) * 2017-10-02 2020-07-30 Bridger Photonics, Inc. Processing temporal segments of laser chirps and examples of use in fmcw lidar methods and apparatuses
CN111884760A (zh) * 2020-07-13 2020-11-03 西北大学 一种基于fpga高吞吐反向散射细粒度移频编码方法
CN111970693A (zh) * 2020-08-06 2020-11-20 哈尔滨工业大学 一种低复杂度的LoRa物联网基于物理层波形的安全加密方法
CN112671680A (zh) * 2021-01-20 2021-04-16 哈尔滨工业大学 一种改进误码性能的基于多倍带宽采样的LoRa解调方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170353269A1 (en) * 2016-06-01 2017-12-07 Qualcomm Incorporated Encoding and decoding of control signaling with sectional redundancy check
US20200241139A1 (en) * 2017-10-02 2020-07-30 Bridger Photonics, Inc. Processing temporal segments of laser chirps and examples of use in fmcw lidar methods and apparatuses
CN108199892A (zh) * 2018-01-12 2018-06-22 电子科技大学 基于神经网络的LoRa终端最大发送速率动态预测方法
CN110099019A (zh) * 2019-04-24 2019-08-06 西安电子科技大学 基于深度学习的LoRa调制信号检测方法
CN110809200A (zh) * 2019-11-12 2020-02-18 西北大学 一种无源backscatter长距离通信系统
CN111464465A (zh) * 2020-03-11 2020-07-28 重庆邮电大学 一种基于集成神经网络模型的信道估计方法
CN111884760A (zh) * 2020-07-13 2020-11-03 西北大学 一种基于fpga高吞吐反向散射细粒度移频编码方法
CN111970693A (zh) * 2020-08-06 2020-11-20 哈尔滨工业大学 一种低复杂度的LoRa物联网基于物理层波形的安全加密方法
CN112671680A (zh) * 2021-01-20 2021-04-16 哈尔滨工业大学 一种改进误码性能的基于多倍带宽采样的LoRa解调方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
CHAO YANG: "Folded Chirp-Rate Shift Keying Modulation for LEO Satellite IoT", 《IEEE ACCESS》 *
DAN XU: "cantor: Improving Goodput in LoRa Concurrent Transmission", 《IEEE INTERNET OF THINGS JOURNAL》 *
LIU, CHEN: "Low-Cost and Robust Geographic Opportunistic Routing in a Strip Topology Wireless Network", 《ACM TRANSACTIONS ON SENSOR NETWORKS》 *
SAMIR DAWALIBY: "Dynamic Network Slicing for LoRaWAN", 《 2018 14TH INTERNATIONAL CONFERENCE ON NETWORK AND SERVICE MANAGEMENT (CNSM)》 *
SAMIR DAWALIBY等: "Network Slicing Optimization in Large Scale LoRa Wide Area Networks", 《 2019 IEEE CONFERENCE ON NETWORK SOFTWARIZATION (NETSOFT)》 *
王旭东等: "一种改进的CNN端到端自编码器通信系统", 《电讯技术》 *
贾蒙: "无线传感器网络不可靠链路特性", 《信息与控制》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230173602A (ko) * 2022-06-17 2023-12-27 셈테크 코포레이션 처프-변조 무선 신호들용 전송기, 수신기 및 방법
KR102665501B1 (ko) 2022-06-17 2024-05-14 셈테크 코포레이션 처프-변조 무선 신호들용 전송기, 수신기 및 방법

Also Published As

Publication number Publication date
CN113395683B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
US7054662B2 (en) Method and system for forward link beam forming in wireless communications
DE60206356T2 (de) Orthogonale Frequenzmultiplexierung (OFDM) mit Kanalprediktion
CN102769523B (zh) 通信系统、发送装置以及通信方法
US8451926B2 (en) Method and device for pre-coding in multiple input multiple output system
EP1248401B1 (en) Ofdm communication apparatus and ofdm communication method
CN1478341A (zh) 电信系统中的方法和装置
SE520542C2 (sv) Förfarande och anordning för koherent kommunikation i ett spread-spectrum-system
CN102832963B (zh) 用于电力线载波扩频通信的速率自适应系统及方法
Yuan et al. NOMA study in 3GPP for 5G
CN113395683B (zh) 一种基于分段神经网络解码的LoRa剪接通信方法及系统
WO2018036432A1 (en) System and method for filtered ofdm
CN103023850B (zh) 可变带宽的ofdm发射机和接收机
CN101674126A (zh) 一种多频时分多址卫星通信系统复合型上行功率控制方法
CN101778062A (zh) 一种针对短波通信信道下的单载波频域均衡帧结构
CN103281279A (zh) 一种电力线载波芯片的实现方法
CN103023838A (zh) 一种上行小区干扰对齐方法
CN115987739A (zh) 一种基于双时间尺度的通信感知一体化信号处理方法
Habib SDR based modulation performance of RF signal under different communication channel
CN208112656U (zh) Wcdma中继器下行信道参数估计系统
Chen et al. Research on middle voltage power line OFDM communication strategy based on channel estimation
CN115361050B (zh) 一种基于noma和swipt的星地通信方法及系统
CN115002825B (zh) 一种通信设备及通信方法
CN115208488B (zh) 一种基于特殊链路故障特性评估的自主恢复系统
KianiHarchegani et al. Distributed equalization and power allocation for multi-carrier bidirectional filter-and-forward relay networks
Simon et al. An Amplified Multi Equalizer Model in LTE-OFDM System for BER Performance

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant