CN114143149B - 一种基于神经网络的LoRa信道估计方法及系统 - Google Patents

Abstract

本发明公开了一种基于神经网络的LoRa信道估计方法及系统，包括利用MCE模型对上行链路进行信道状态估计：1.1采集上行信道中的信道状态获取信道状态，建立信道状态空间的马尔可夫模型H＝{h₁,h₂,h₃……h_n}，共n种信道状态；利用最小偏差的映射关系，将马尔可夫模型中的h_n与采集到的信道状态进行映射；再利用状态转移概率和状态转移次数进行信道状态预测；本发明的方法和系统，提升网络解码率的同时，不额外增加网络能耗。

Description

一种基于神经网络的LoRa信道估计方法及系统

技术领域

本发明属于通信领域，具体涉及一种基于神经网络的LoRa信道估计方法及系统。

背景技术

近年来物联网领域的迅速发展给人们的日常生活带来了巨大的改变，低功耗远距离LoRa(Long Range)现已经成为大规模物联网应用的主要实现网络之一，备受人们关注。然而经过现有的研究发现，在复杂的信道环境中(如城市环境)，无线信道的衰落导致信号失真情况严重，使得LoRa网络的性能受到显著的影响，网络解码率明显下降。

LoRa在物理层中使用了CSS(Chirp Spread Spectrum)扩频调制技术对信号进行调制发送，LoRa物理层的数据包主要分为三个部分：前导码、可选报头、数据负载。每一部分皆由chirp信号组成。Chirp信号是一种频率在一定时间内线性变化的sin波。频率随时间增大的即为up-chirp和频率随时间减小的即为down-chirp。在up-chirp中，对于不同的扩频因子SF，一个chirp信号的起始频率共有2^SF种。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。如图1(a)与图1(b)所示，分别表示了两种起始频率不同的up-chirp的时频图。从图中可以看到信号的频率在一定区间内均为逐渐增大的状态。如图1(c)所示，为标准的down-chirp的时频图。从图中可以看出，信号的频率随着时间的变化为逐渐减小的状态。

通过起始频率f₀的不同将信号分为2^SF种，即可将有效信息加载到符号上。Chirp信号可以表示为：

其中：fo为chirp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；j为虚部信号。

在LoRa网络中，接收端在收到信号之后，根据chirp信号不同的起始频率，解调出信号中所包含的信息，即完成通信。由于终端与基站不同的业务需求与功率设置，通常会让上行链路(终端设备到基站)和下行链路(基站到终端设备)分别使用不同的频段，并且在两个频段之间设置了保护带宽以防止频段间的相互干扰，即Frequency DivisionDuplexing，FDD系统。如对于美国902-928MHz频段，为了提升信号的抗干扰性，信号会周期性的更换载波频率，在一定范围内以200Hz的间隔逐次变化。同时由于LoRa上行链路通信频繁，数据量大；下行链路通信次数较少，数据量低，所以利用大量的上行数据，对下次上行链路进行时变信道估计；同时利用上行数据对下行的跨频段信道估计，对改善网络性能，提高网络解码率意义非常重大。

发明内容

本发明的目的是提供一种基于神经网络的LoRa信道估计方法及系统，提升网络解码率的同时，不额外增加网络能耗。

具体的技术方案包括：

一种基于神经网络的LoRa信道估计方法，包括利用MCE模型对上行链路进行信道状态估计：

1.1采集上行信道中的信道状态获取信道状态，建立信道状态空间的马尔可夫模型H＝{h₁,h₂,h₃……h_n}，共n种信道状态；利用最小偏差的映射关系，将马尔可夫模型中的h_n与采集到的信道状态进行映射；

1.2拟定相邻信道状态之间的时间间隔T，建立马尔可夫模型的状态转移概率矩阵TP：状态转移概率矩阵TP包含i行j列的元素值TP_i,j，TP_i,j＝P(s₁＝h_j|s₀＝h_i)，表示当前信道状态s₀为h_i的情况下，下一信道状态s₁为h_j的条件概率，其中，信道状态s₀和信道状态s₁之间的时间间隔为T；

1.3建立i行j列的状态转移次数矩阵TC，对于矩阵TC中的每个元素TC_i,j：

TC_i,j＝COUNT(s₁＝h_j|s₀＝h_i)

其中，s₀和s₁表示前后两种信道状态，h_i和h_j表示前后两种信道状态对应的信道状态；COUNT(s₁＝h_j|s₀＝h_i)表示在统计实验中，当前信道状态s₀为h_i的情况下，下一信道状态s₁为h_j的总次数；

1.4结合状态转移次数矩阵TC，对于状态转移概率矩阵TP中的每个元素TP_i,j进行更新，则有：

其中，

表示状态h_i出现的总次数；

1.5基站获得t_now时刻所对应的信道状态s_now，对于t_next时刻的信道状态s_next进行预测，预测通过信道状态连续转移概率矩阵TS：

表示需要连乘的TP矩阵个数；从TS里获取从信道状态s_now转移到每一种信道状态的概率，然后进行加权随机，得到信道状态s_next。

可选的，所述的步骤1.1中的映射具体为：

建立最小偏差的映射关系，采集到的信道状态按照各频率成分不同的衰落程度进行量化得到信道状态，再映射至马尔可夫模型的状态空间。

可选的，还包括利用NCE-DNN模型对下行链路进行信道估计，包括：

S1模型训练：上行链路频段λ_up、下行链路频段λ_down和上行链路频段λ_up对应的信道状态h_up输入到NCE-DNN模型中，进行训练；

S2数据处理：利用该模型得到下行链路信道状态，辅助下行链路解码。

可选的，所述的NCE-DNN模型的隐藏层由四个全连接层组成，每层的神经元个数分别为64、256、128和64，输出层包括一个变量，为λ_down频段所对应的信道状态信息h_down；

模型的训练集使用在f₁频段上收发chirp信号测量得到的信道状态为样本，在相同信道环境中使用相同chirp信号在f₂频段中测量得到的信道状态为样本对应的标签。

可选的，所述的NCE-DNN模型的参数如下表所示：

一种基于神经网络的LoRa信道估计系统，包括上行链路信道状态估计模块，该模块中写入如下程序：

1.1采集上行信道中的信道状态获取信道状态，建立信道状态空间的马尔可夫模型H＝{h₁,h₂,h₃……h_n}，共n种信道状态；利用最小偏差的映射关系，将马尔可夫模型中的h_n与采集到的信道状态进行映射；

1.2拟定相邻信道状态之间的时间间隔T，建立马尔可夫模型的状态转移概率矩阵TP：状态转移概率矩阵TP包含i行j列的元素值TP_i,j，TP_i,j＝P(s₁＝h_j|s₀＝h_i)，表示当前信道状态s₀为h_i的情况下，下一信道状态s₁为h_j的条件概率，其中，信道状态s₀和信道状态s₁之间的时间间隔为T；

1.3建立i行j列的状态转移次数矩阵TC，对于矩阵TC中的每个元素TC_i,j：

TC_i,j＝COUNT(s₁＝h_j|s₀＝h_i)

其中，s₀和s₁表示前后两种信道状态，h_i和h_j表示前后两种信道状态对应的信道状态；COUNT(s₁＝h_j|s₀＝h_i)表示在统计实验中，当前信道状态s₀为h_i的情况下，下一信道状态s₁为h_j的总次数；

1.4结合状态转移次数矩阵TC，对于状态转移概率矩阵TP中的每个元素TP_i,j进行更新，则有：

其中，

表示状态h_i出现的总次数；

1.5基站获得t_now时刻所对应的信道状态s_now，对于t_next时刻的信道状态s_next进行预测，预测通过信道状态连续转移概率矩阵TS：

表示需要连乘的TP矩阵个数；从TS里获取从信道状态s_now转移到每一种信道状态的概率，然后进行加权随机，得到信道状态s_next。

可选的，所述的步骤1.1中的映射具体为：

建立最小偏差的映射关系，采集到的信道状态按照各频率成分不同的衰落程度进行量化得到信道状态，再映射至马尔可夫模型的状态空间。

可选的，还包括下行链路信道估计模块，该模块中写入如下程序：

S1模型训练：上行链路频段λ_up、下行链路频段λ_down和上行链路频段λ_up对应的信道状态h_up输入到NCE-DNN模型中，进行训练；

S2数据处理：利用该模型得到下行链路信道状态，辅助下行链路解码。

可选的，所述的NCE-DNN模型的隐藏层由四个全连接层组成，每层的神经元个数分别为64、256、128和64，输出层包括一个变量，为λ_down频段所对应的信道状态信息h_down；

模型的训练集使用在f₁频段上收发chirp信号测量得到的信道状态为样本，在相同信道环境中使用相同chirp信号在f₂频段中测量得到的信道状态为样本对应的标签。

10、根据权利要求8所述的基于神经网络的LoRa信道估计系统，其特征在于，所述的NCE-DNN模型的参数如下表所示：

本发明与现有技术相比具有以下特点：

本发明着眼于导致信号失真的根本原因——信道衰落，分别对时变信道系统中的信道状态预测以及频分双工(FDD)系统中的跨频段信道状态估计展开相关研究。针对在复杂的信道环境中(如城市环境)，无线信道的衰落导致信号失真情况严重，这一问题，现有的解决方法，如自适应速率机制(Adaptive Date Rate，ADR)等通过调整LoRa设备的扩频因子与发送功率对网络性能进行优化，这类技术虽然可以一定程度上提升网络解码率，然而同时也增加了网络的能耗。

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为三种不同chirp的时频图，(a)起始频率为-250kHz的up-chirp；(b)起始频率为-125kHz的up-chirp；(c)标准的down-chirp；

图2为不同SNR下MCE模型对网络解码率的提升率；

图3为不同SNR下MCE模型预测值与实际值的均方误差；

图4为不同SNR下NCE-DNN模型对网络解码率的提升率；

图5为不同SNR下NCE-DNN模型预测值与实际值的均方误差。

具体实施方案

为了使本发明的目的、技术方案和优点更加清楚，下面将结合实施例对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

名词解释：

信道状态：该信道对所传输信号的影响；

上行链路波长λ_up：上行链路信道的中心频率所对应的波长；

下行链路波长λ_down：下行链路信道的中心频率所对应的波长；

上行链路波长λ_up与信道状态信息h_up的对应关系为，当信道的中心频率所对应的波长为λ_up时，对所传输信号产生的影响。

本发明的基于神经网络的LoRa信道估计方法具体包括：

步骤一：上行链路时变信道利用MCE模型进行信道估计

1.1使用上行信道进行通信，对信道估计模型的样本集进行收取。

1.2建立马尔可夫模型的状态空间，状态空间包含离散的各个状态的状态值，使用集合H＝{h₁,h₂,h₃……h_n}进行表示，共n种信道状态。

1.3将1.1中所采集的信道系统中不同的信道状态取值进行量化并且一一映射到状态空间中的每个元素。为了使该模型能够更加贴近真实的信道系统，该状态空间需要与真实信道系统中的信道状态建立最小偏差的映射关系。因此需要将信道状态按照各频率成分不同的衰落程度进行量化从而映射至模型的状态空间。

具体来讲，假设信道状态h_i中一共包含η个频率成分，则h_i为一个1*的矩阵，对于这η个频率成分，我们对其中的每个频率成分根据衰落程度的不同均匀量化为ξ个值，便可实现在量化过程中引入最小的误差。此时，状态空间中的元素个数n即为：

n＝η*ξ

使用这种方法，我们可以将任意的信道状态根据其在各频率上的衰落程度量化为状态空间中n个元素之一，并且保证量化过程中产生最小的误差。

当状态空间的元素数量较小时，信道状态有着更低的细化程度，因此，状态空间内相邻状态之间的平均差异较大，反之，当状态空间的元素数量较多时，信道状态有着更高的细化程度，缩小了状态空间内相邻两状态之间的平均差异，应用了该状态空间的马尔可夫模型对信道状态的预测便可以更加准确。然而另一方面，更多元素数量的状态空间意味着更大的状态转移概率矩阵，因此，在模型建立期间对状态转移概率矩阵的求解过程中需要更多的统计，从而消耗更多的计算资源。同时，更大的状态转移概率矩阵意味着算法运行过程中更大的时间开销。因此，建立合适元素个数的状态空间便尤为重要。通过实验验证，将设置状态空间元素数量为3125，可实现模型整体性能的最优化

1.4拟定相邻状态之间的时间间隔，由于该马尔可夫模型表示着信道系统在时间上的变化趋势与规律，因此相邻状态之间的时间间隔表示了模型在时间上的细化程度。

当时间间隔更大时，马尔可夫过程中相邻状态之间引入了更多的不确定性，因此状态转移的可能性更加复杂，进而导致模型的状态转移概率矩阵包含有更大的误差，从而降低模型的整体性能。当时间间隔更小时，相邻状态之间的不确定性减少，状态转移概率矩阵有着更高的准确度，因此模型的性能也会一定程度上升高。更小的时间间隔T则意味着状态连续转移概率矩阵的计算过程中会有更多的矩阵连乘运算，这在一定程度上增加了算法的时间复杂度。产生了更多的计算资源消耗。通过在不同质量的网络中进行测试，对相邻状态时间间隔T进行不同的取值，并且观察随着T取值的变化，模型的性能变化趋势，以及算法运行的总耗时变化趋势等。我们在本文的MCE模型中采取0.42ms作为相邻状态之间的时间间隔以达到模型性能的最优化。

1.5建立模型的状态转移概率矩阵。使用n行n列的矩阵TP进行表示，同时，我们使用S＝{s₁,s₂,s₃……}来表示信道状态变化的随机马尔可夫过程，其中，相邻状态之间的时间间隔我们使用T来表示。对于该状态转移概率矩阵TP,其中i行j列的元素值TP_i,j的物理意义为P(s₁＝h_j|s₀＝h_i)表示当前状态s₀为h_i的情况下，下一状态s₁为h_j的条件概率，其中，s₀和s₁之间的时间间隔为T。具体计算方式如下：

1.5.1建立i行j列的状态转移次数矩阵TC。使用状态转移概率矩阵TP得到该时变信道系统中相邻两个时刻之间状态转移的概率分布情况。需要建立n行n列的状态转移次数矩阵TC，用来记录统计实验过程中每两种状态之间出现转移的总次数，对于矩阵TC中的每个元素TC_i,j，有：

TC_i,j＝COUNT(s₁＝h_j|s₀＝h_i)

其中，s0、s1表示前后两种状态，hi、hj表示这两种状态的值，COUNT(s₁＝h_j|s₀＝h表示在统计实验中，当前状态s0为h的情况下，下一状态s1为h的总次数。

1.5.2结合状态转移次数矩阵TC，对于状态转移概率矩阵中的每个元素TP_i,j更新，可以用下式来计算：

其中，TC_i,j表示当前状态为h_i的情况下，下一状态为h_j的总次数。

表示状态h_i出现的总次数。

1.6模型应用

在模型的应用过程中，基站在t_now时刻通过终端设备上行的信号计算出当前时刻所对应的信道状态s_now，假设基站想要对此时刻之后的t_next时刻的信道状态s_next进行预测，则我们可以计算t_now时刻与t_next时刻之间信道的状态连续转移概率矩阵TS：

其中t_now表示当前时刻，t_next表示下一时刻，T表示时间间隔，TP为状态转移概率矩阵，

表示需要连乘的TP矩阵个数。。

基站便可以实现利用t_now时刻的信道状态s_now对t_next时刻的信道状态s_next进行预测，具体操作为TS里可以找到从s_now这个状态转移到每一种状态的概率分别是多大，然后进行一个加权随机，得到的结果即为s_next。通过预测得到的信道状态s_next，对传输的信号进行纠正补偿，从而提高后续解码的准确度。

步骤二：下行链路跨频段信道模型NCE-DNN建立

2.1使用1.1所收取的数据作为样本集，利用上行链路的通信状况对下行链路信道进行信道估计。

2.2跨频段信道模型NCE-DNN建立。在模型的输入层中包含三个变量，分别为两个链路的频段所对应的波长λ_up和λ_down，以及λ_up频段所对应的信道状态信息h_up，隐藏层由四个全连接层组成，每层的神经元个数分别为64、256、128、64，输出层包括一个变量，为λ_down频段所对应的信道状态信息h_down。模型的训练集使用在f₁频段上收发chirp信号测量得到的信道状态信息为样本，在相同信道环境中使用相同chirp信号在f₂频段中测量得到的信道状态信息为样本对应的标签。训练集的样本总数为64000。模型的具体参数如表所示。

表NCE-DNN模型参数设置

2.3将上行和下行两个链路的频段所对应的波长λ_up和λ_down，以及最近一次上行λ_up频段所对应的信道状态信息h_up输入到下行链路跨频段信道模型NCE-DNN，利用该模型得到下行链路信道状态信息，以辅助下行链路解码。

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：上行链路时变信道利用MCE模型进行信道估计

1.1使用上行信道进行通信，对信道估计模型的样本集进行收取。

将中心频率为431MHz，占空比设置为50％的chirp信号作为通信信号，实验具体参数如下：SF的取值范围为7到12,信噪比的取值范围为-20dB到10dB，取值间隔为2.5dB，多径信道中路径的总数为1到6，当路径总数为6时，路径延迟取值为[0ms，0.2ms，0.5ms，1.6ms，2.3ms，5ms]。

1.2建立马尔可夫模型的状态空间，状态空间包含离散的各个状态的状态值，使用集合H＝{h₁,h₂,h₃……h_n}进行表示，其中一共包含的信道状态类型数为n。

1.3将1.2中所采集的信道系统中不同的信道状态取值进行量化并且一一映射到状态空间中的每个元素。为了使该模型能够更加贴近真实的信道系统，该状态空间需要与真实信道系统中的信道状态建立最小偏差的映射关系。因此需要将信道状态按照各频率成分不同的衰落程度进行量化从而映射至模型的状态空间。

当状态空间的元素数量较小时，信道状态有着更低的细化程度，因此，状态空间内相邻状态之间的平均差异较大，反之，当状态空间的元素数量较多时，信道状态有着更高的细化程度，缩小了状态空间内相邻两状态之间的平均差异，应用了该状态空间的马尔可夫模型对信道状态的预测便可以更加准确。然而另一方面，更多元素数量的状态空间意味着更大的状态转移概率矩阵，因此，在模型建立期间对状态转移概率矩阵的求解过程中需要更多的统计，从而消耗更多的计算资源。同时，更大的状态转移概率矩阵意味着算法运行过程中更大的时间开销。因此，建立合适元素个数的状态空间便尤为重要。通过实验验证，将设置状态空间元素数量为3125，可实现模型整体性能的最优化；

1.4拟定相邻状态之间的时间间隔，由于该马尔可夫模型表示着信道系统在时间上的变化趋势与规律，因此相邻状态之间的时间间隔表示了模型在时间上的细化程度。

当时间间隔更大时，马尔可夫过程中相邻状态之间引入了更多的不确定性，因此状态转移的可能性更加复杂，进而导致模型的状态转移概率矩阵包含有更大的误差，从而降低模型的整体性能。当时间间隔更小时，相邻状态之间的不确定性减少，状态转移概率矩阵有着更高的准确度，因此模型的性能也会一定程度上升高。更小的时间间隔T则意味着状态连续转移概率矩阵的计算过程中会有更多的矩阵连乘运算，这在一定程度上增加了算法的时间复杂度。产生了更多的计算资源消耗。通过在不同质量的网络中进行测试，对相邻状态时间间隔T进行不同的取值，并且观察随着T取值的变化，模型的性能变化趋势，以及算法运行的总耗时变化趋势等。我们在本案例的MCE模型中采取0.42ms作为相邻状态之间的时间间隔以达到模型性能的最优化。

1.5建立模型的状态转移概率矩阵。使用n行n列的矩阵TP进行表示，同时，我们使用S＝{s₁,s₂,s₃……}来表示信道状态变化的随机马尔可夫过程，其中，相邻状态之间的时间间隔我们使用T来表示。对于该状态转移概率矩阵TP,其中i行j列的元素值TP_i,j的物理意义为P(s₁＝h_j|s₀＝h_i)表示当前状态s₀为h_i的情况下，下一状态s₁为h_j的条件概率，其中，s₀和s₁之间的时间间隔为T。具体计算方式如下：

1.5.1建立n行n列的状态转移次数矩阵TC。使用状态转移概率矩阵TP得到该时变信道系统中相邻两个时刻之间状态转移的概率分布情况。我们需要建立n行n列的状态转移次数矩阵TC，用来记录统计实验过程中每两种状态之间出现转移的总次数，对于矩阵TC中的每个元素TC_i,j，我们有：

TC_i,j＝COUNT(s₁＝h_j|s₀＝h_i)#

其中，s0、s1表示前后两种状态，hi、hj表示这两种状态的值，COUNT(s₁＝h_j|s₀＝h表示在统计实验中，当前状态s0为h的情况下，下一状态s1为h的总次数。

1.5.2结合状态转移次数矩阵TC，对于状态转移概率矩阵中的每个元素TP_i,j，我们可以用下式来计算：

其中，TC_i,j表示当前状态为h_j的情况下，下一状态为h_j的总次数。

表示状态h_i出现的总次数。

1.6模型应用

在模型的应用过程中，基站在t_now时刻通过终端设备上行的信号计算出当前时刻所对应的信道状态s_now，假设基站想要对此时刻之后的t_next时刻的信道状态s_next进行预测，则我们可以计算t_now时刻与t_next时刻之间信道的状态连续转移概率矩阵TS：

其中t_now表示当前时刻，t_next表示下一时刻，T表示时间间隔，TP为状态转移概率矩阵，

表示需要连乘的TP矩阵个数。。

基站便可以实现利用t_now时刻的信道状态s_now对t_next时刻的信道状态s_next进行预测，具体操作为TS里可以找到从s_now这个状态转移到每一种状态的概率分别是多大，然后进行一个加权随机，得到的结果即为s_next。通过预测得到的信道状态s_next，对传输的信号进行纠正补偿，从而提高后续解码的准确度。

如图2-3所示为网络的不同信噪比对模型性能的影响，图2所示为随着信噪比的变化模型对网络解码率的提升率变化趋势，图3所示为随着信噪比的变化模型对信道状态的预测值与其实际值之间的均方误差变化趋势。实验在预测延时分别为1s、2s、3s、4s时做了测量统计，从图2中可以看出，对于不同的信噪比，模型对网络解码率的提升率较集中的分布在5％到10％之间。随着信噪比的升高，模型的性能会略微有所下降，然而在图3中可以看到随着信噪比的升高，模型的预测值更加接近真实值。这是因为在信噪比更高的网络中，信道状态的变化更加的平稳，所以模型的预测结果也更加准确，然而在信噪比更高的网络中模型对网络解码率的提升空间更小。这表示该模型在信噪比更低的网络中也有较好的性能表现。

步骤二：下行链路跨频段信道模型NCE-DNN建立

2.1使用1.1所收取的数据作为样本集，利用上行链路的通信状况对跨品读那下行链路信道进行信道估计。所预测的下行链路中心频率为413.5MHz,其余参数与步骤一所设相同。

2.2跨频段信道模型NCE-DNN建立。在模型的输入层中包含三个变量，分别为两个链路的频段所对应的波长λ_up和λ_down，以及λ_up频段所对应的信道状态信息h_up，隐藏层由四个全连接层组成，每层的神经元个数分别为64、256、128、64，输出层包括一个变量，为λ_down频段所对应的信道状态信息h_down。模型的训练集使用在f₁频段上收发chirp信号测量得到的信道状态信息为样本，在相同信道环境中使用相同chirp信号在f₂频段中测量得到的信道状态信息为样本对应的标签。训练集的样本总数为64000。模型的具体参数如表所示。

表NCE-DNN模型参数设置

2.3将上行和下行两个链路的频段所对应的波长λ_up和λ_down，以及最近一次上行λ_up频段所对应的信道状态信息h_up输入到下行链路跨频段信道模型NCE-DNN，利用该模型得到下行链路信道状态信息，以辅助下行链路解码。

如图4-5所示为网络的不同信噪比对模型性能的影响，图4所示为随着信噪比的变化模型对网络解码率的提升率变化趋势，图5所示为随着信噪比的变化模型对信道状态的预测值与其实际值之间的均方误差变化趋势。实验分别在不同信号SF的网络中进行了测量统计。从图4中可以看出，对于不同的信噪比，模型对网络解码率的提升率大致分布在5％到20％之间，随着信噪比的增大，提升率也在平稳上升中，在图5中也可看到模型预测值与实际值之间的误差在逐步减小中。这是因为在信噪比更高的网络中，跨频段的信道链路之间的实际差异也在相应的减小，因此模型可以得到更加准确的预测结果。而对于不同的信号SF，从图4与图5中可以看出其对模型的性能并无明显影响，因此本模型对于不同信号SF的网络具有很好的适应性。

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 (8)

1.一种基于神经网络的LoRa信道估计方法，其特征在于，包括利用MCE模型对上行链路进行信道状态估计：

1.1采集上行信道中的信道状态获取信道状态，建立信道状态空间的马尔可夫模型H＝{h₁,h₂,h₃……h_n}，共n种信道状态；建立最小偏差的映射关系，采集到的信道状态按照各频率成分不同的衰落程度进行量化得到信道状态，再映射至马尔可夫模型的状态空间；

1.2拟定相邻信道状态之间的时间间隔T，建立马尔可夫模型的状态转移概率矩阵TP：状态转移概率矩阵TP包含i行j列的元素值TP_i,j，TP_i,j＝P(s₁＝h_j|s₀＝h_i)，表示当前信道状态s₀为h_i的情况下，下一信道状态s₁为h_j的条件概率，其中，信道状态s₀和信道状态s₁之间的时间间隔为T；

1.3建立i行j列的状态转移次数矩阵TC，对于矩阵TC中的每个元素TC_i,j：

TC_i,j＝COUNT(s₁＝h_j|s₀＝h_i)

其中，s₀和s₁表示前后两种信道状态，h_i和h_j表示前后两种信道状态对应的信道状态；COUNT(s₁＝h_j|s₀＝h_i)表示在统计实验中，当前信道状态s₀为h_i的情况下，下一信道状态s₁为h_j的总次数；

1.4结合状态转移次数矩阵TC，对于状态转移概率矩阵TP中的每个元素TP_i,j进行更新，则有：

其中，

表示状态h_i出现的总次数；

1.5基站获得t_now时刻所对应的信道状态s_now，对于t_next时刻的信道状态s_next进行预测，预测通过信道状态连续转移概率矩阵TS：

表示需要连乘的TP矩阵个数；从TS里获取从信道状态s_now转移到每一种信道状态的概率，然后进行加权随机，得到信道状态s_next。

2.根据权利要求1所述的基于神经网络的LoRa信道估计方法，其特征在于，还包括利用NCE-DNN模型对下行链路进行信道估计，包括：

S1模型训练：上行链路频段λ_up、下行链路频段λ_down和上行链路频段λ_up对应的信道状态h_up输入到NCE-DNN模型中，进行训练；

S2数据处理：利用该模型得到下行链路信道状态，辅助下行链路解码。

3.根据权利要求2所述的基于神经网络的LoRa信道估计方法，其特征在于，所述的NCE-DNN模型的隐藏层由四个全连接层组成，每层的神经元个数分别为64、256、128和64，输出层包括一个变量，为λ_down频段所对应的信道状态信息h_down；

模型的训练集使用在f₁频段上收发chirp信号测量得到的信道状态为样本，在相同信道环境中使用相同chirp信号在f₂频段中测量得到的信道状态为样本对应的标签。

4.根据权利要求2所述的基于神经网络的LoRa信道估计方法，其特征在于，所述的NCE-DNN模型的参数如下表所示：

5.一种基于神经网络的LoRa信道估计系统，其特征在于，包括上行链路信道状态估计模块，该模块中写入如下程序：

1.1采集上行信道中的信道状态获取信道状态，建立信道状态空间的马尔可夫模型H＝{h₁,h₂,h₃……h_n}，共n种信道状态；建立最小偏差的映射关系，采集到的信道状态按照各频率成分不同的衰落程度进行量化得到信道状态，再映射至马尔可夫模型的状态空间；

1.2拟定相邻信道状态之间的时间间隔T，建立马尔可夫模型的状态转移概率矩阵TP：状态转移概率矩阵TP包含i行j列的元素值TP_i,j，TP_i,j＝(s₁＝h_j|₀＝h_i)，表示当前信道状态s₀为h_i的情况下，下一信道状态s₁为h_j的条件概率，其中，信道状态s₀和信道状态s₁之间的时间间隔为T；

1.3建立i行j列的状态转移次数矩阵TC，对于矩阵TC中的每个元素TC_i,j：

TC_i,j＝COUNT(s₁＝h_j|s₀＝h_i)

其中，s₀和s₁表示前后两种信道状态，h_i和h_j表示前后两种信道状态对应的信道状态；COUNT(s₁＝h_j|s₀＝h_i)表示在统计实验中，当前信道状态s₀为h_i的情况下，下一信道状态s₁为h_j的总次数；

1.4结合状态转移次数矩阵TC，对于状态转移概率矩阵TP中的每个元素TP_i,j进行更新，则有：

其中，

表示状态h_i出现的总次数；

1.5基站获得t_now时刻所对应的信道状态s_now，对于t_next时刻的信道状态s_next进行预测，预测通过信道状态连续转移概率矩阵TS：

表示需要连乘的TP矩阵个数；从TS里获取从信道状态s_now转移到每一种信道状态的概率，然后进行加权随机，得到信道状态s_next。

6.根据权利要求5所述的基于神经网络的LoRa信道估计系统，其特征在于，还包括下行链路信道估计模块，该模块中写入如下程序：

S1模型训练：上行链路频段λ_up、下行链路频段λ_down和上行链路频段λ_up对应的信道状态h_up输入到NCE-DNN模型中，进行训练；

S2数据处理：利用该模型得到下行链路信道状态，辅助下行链路解码。

7.根据权利要求6所述的基于神经网络的LoRa信道估计系统，其特征在于，所述的NCE-DNN模型的隐藏层由四个全连接层组成，每层的神经元个数分别为64、256、128和64，输出层包括一个变量，为λ_down频段所对应的信道状态信息h_down；

模型的训练集使用在f₁频段上收发chirp信号测量得到的信道状态为样本，在相同信道环境中使用相同chirp信号在f₂频段中测量得到的信道状态为样本对应的标签。

8.根据权利要求6所述的基于神经网络的LoRa信道估计系统，其特征在于，所述的NCE-DNN模型的参数如下表所示：

Images