CN116962121B - 一种深度学习联合信道估计的LoRa系统信号检测方法 - Google Patents
一种深度学习联合信道估计的LoRa系统信号检测方法 Download PDFInfo
- Publication number
- CN116962121B CN116962121B CN202310939318.5A CN202310939318A CN116962121B CN 116962121 B CN116962121 B CN 116962121B CN 202310939318 A CN202310939318 A CN 202310939318A CN 116962121 B CN116962121 B CN 116962121B
- Authority
- CN
- China
- Prior art keywords
- lora
- pilot
- signal
- neural network
- layer
- 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.)
- Active
Links
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 title claims abstract description 93
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 230000004044 response Effects 0.000 claims abstract description 47
- 238000003062 neural network model Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims abstract description 27
- 238000004891 communication Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000005520 cutting process Methods 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 25
- 230000004913 activation Effects 0.000 claims description 21
- 108010003272 Hyaluronate lyase Proteins 0.000 claims description 19
- 238000005562 fading Methods 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0224—Channel estimation using sounding signals
- H04L25/0228—Channel estimation using sounding signals with direct estimation from sounding signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/69—Spread spectrum techniques
- H04B1/707—Spread spectrum techniques using direct sequence modulation
- H04B1/7097—Interference-related aspects
- H04B1/711—Interference-related aspects the interference being multi-path interference
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/026—Arrangements for coupling transmitters, receivers or transceivers to transmission lines; Line drivers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03165—Arrangements for removing intersymbol interference using neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03178—Arrangements involving sequence estimation techniques
- H04L25/03305—Joint sequence estimation and interference removal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/69—Spread spectrum techniques
- H04B2001/6912—Spread spectrum techniques using chirp
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开了一种深度学习联合信道估计的LoRa系统信号检测方法，属于通信技术领域。包括：S100：搭建LoRa系统，生成LoRa信号；S200：对LoRa信号中原始导频部分、导频响应部分和载荷响应部分进行切割、标记处理，并对切割、标记后的LoRa信号进行预处理；S300：基于经过预处理的LoRa信号，构造训练集和测试集；S400：构造LoRa解调的初始神经网络模型；S500：选取神经网络和优化函数的超参数；S600：利用所述训练集训练初始神经网络模型，并且通过所述测试集保存优化的神经网络模型参数性能；本发明能够有效提升检测性能以及检测精确度。
Description
技术领域
本发明涉及通信技术领域，更具体的说是涉及一种深度学习联合信道估计的LoRa系统信号检测方法。
背景技术
随着物联网设备的增加，在物联网应用中，传感器设备通常需要长时间运行在低功耗状态下，同时需要保证数据的可靠传输。LoRa(长距离低功耗射频技术)作为一种广泛应用于物联网领域的LPWAN(低功耗广域网)技术，具有远距离传输、低功耗、可靠性高等优点，因此受到了广泛的关注和应用。但是在远距离传输的时候，不可避免的受到衰落信道的影响。而且为了能达到低功耗的效果，LoRa信号在使用class A方案上传信息的时候，使用的是类ALOHA协议。这种协议会导致一个网关内，当LoRa设备部署的数量增加时，面临的信号冲突而导致的信号检测准确率降低。因此，如何在衰落信道和多信号干扰下提高LoRa信号的检测准确率称为了通信领域的热点研究问题之一。
目前，解决LoRa信号冲突的技术受到广泛关注，比如使用一种预防性方法，在LoRa节点中进行检测，如果由于干扰信号的存在，而没有接收到确认，则重新发送一次，但是这样的方法降低频谱的利用效率。此外，还有一些基于连续干扰抵消算法，通过检测接收到的信号并识别最强的信号，接着解码最强信号信息，最后重现其复杂包络并且将其从接收信号中去除，不断重复直到LoRa信号全部被解码，但是SIC技术在面临多个干扰信号进行处理时，实现难度较高，并且复杂度和占用的计算资源、存储资源较多。
深度学习是一种机器学习算法，它通过建立多层神经网络来学习和识别数据中的模式。近年来，深度学习在许多领域都取得了显著的进展。例如，在图像识别和语音识别领域，深度学习已经被广泛应用，并且取得了令人瞩目的成果。此外，在自然语言处理、医学图像分析、自动驾驶等领域，深度学习也被广泛应用。
在通信物理层应用方面，深度学习也被广泛研究。与传统的通信物理层技术相比，深度学习可以更好地处理非线性和动态的信道环境，从而提高无线通信的可靠性和效率。例如，深度学习可以用于信道估计、信噪比估计、自适应调制等方面的研究。此外，深度学习还可以用于多信号干扰下的检测等方面的研究。因此，在LoRa使用ALOHA协议下，为了提高LoRa信号能够在衰落信道和多设备干扰情况下提高LoRa系统的检测性能，可以联合信道估计和基于深度学习信号检测的接收机方案，然而，在现有技术中，联合信道估计和基于深度学习信号检测的接收机方案存在以下不足：如薛松,倪林,卢磊提出的《基于深度学习的LoRa信号识别研究》.物联网技术中，针对低信噪比环境下传统匹配滤波算法在LoRa信号解调中误码率较高的问题，公开了一种基于深度学习的LoRa信号识别方法。相比于传统的匹配滤波接收，该方法能够有效降低系统误码率，提高系统通信距离以及延长节点电池寿命，但是，该方法在加性高斯白噪声，无干扰的情况下性能较为优越但是在衰落信道和多设备干扰的情况下，性能恶化严重，且技术方案的神经网络架构中，只使用批量归一化，因此在面临含有衰落信道下的环境，在高信噪比(信噪比简称为SNR)下通信的性能会受到影响，甚至在极高信噪比时(SNR＝40dB)会出现错误地板问题(错误地板问题：通信系统的性能(BER)不会随着干扰噪声的削弱而提升，而是保持不变)。再如专利号CN110099019A公开的基于深度学习的LoRa调制信号检测方法，该方法利用实时采集的无线通信信号的频率特征向量生成训练特征集和测试特征集，采用深度学习中的卷积神经网络技术，构建并训练调制识别卷积神经网络，但是，该方法仅在加性高斯白噪声，无干扰的情况下性能较为优越，但是在衰落信道和多设备干扰的情况下，性能恶化严重，且技术方案使用的是批量归一化方式，这种方式仍然没有解决在极高信噪比错误地板的问题。
综上，如何提供一种检测性能高、检测精确度高的深度学习联合信道估计的LoRa系统信号检测方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种深度学习联合信道估计的LoRa系统信号检测方法，用以解决上述现有技术中存在的技术问题。
为了实现上述目的，本发明提供如下技术方案：
本发明提供了一种深度学习联合信道估计的LoRa系统信号检测方法，包括：
S100：搭建LoRa系统，生成LoRa信号；
S200：对LoRa信号中原始导频部分、导频响应部分和载荷响应部分进行切割、标记处理，并对切割、标记后的LoRa信号进行预处理；
S300：基于经过预处理的LoRa信号，构造训练集和测试集；
S400：构造LoRa解调的初始神经网络模型；
S500：选取神经网络和优化函数的超参数；
S600：利用所述训练集训练初始神经网络模型，并且通过所述测试集保存优化的神经网络模型参数性能；
S700：将优化的神经网络模型部署到LoRa系统中进行LoRa信号检测。
优选的，所述S100包括：
S110：搭建LoRa系统，搭建的所述LoRa系统包括：发射端、通信信道以及接收端；
S120：在所述发射端输出比特序列并经过进制转换、插入导频、串并转换、LoRa调制、添加循环前缀及并串转换处理；
S130：设LoRa调制之后得到信号X，其中所述信号X包含导频pilot和载荷x；
S140：所述信号X经过所述通信信道时，基于衰落信道和噪声的影响，在所述接收端得到LoRa信号y，使用数学表达式描述y为：
y＝hX+n；
式中，h为通信信道系数，n为复高斯噪声。
优选的，所述信号y包括：导频响应部分yx和载荷响应部分ypilot。
优选的，所述S200包括：
S210：在所述接收端已知原始导频部分pilot的基础上，切割出导频响应部分yx和载荷响应部分ypilot以及原始导频部分pilot；
S220：使用原始比特序列对切割出的导频响应部分yx和载荷响应部分ypilot以及原始导频部分pilot进行标记；
S230：对步骤S220进行标记的信号进行Dechirp处理、离散傅里叶变换处理、以及提取实部和虚部处理以及归一化处理。
优选的，所述S230包括：
S231：Dechirp处理：使用初始随时间频率连续下降的down-chirp信号与导频响应部分yx、载荷响应部分ypilot和原始导频部分pilot相乘，公式为：
其中为初始随时间频率连续下降的down-chirp信号；
导频响应部分yx、载荷响应部分ypilot和原始导频部分pilot经过Dechirp处理过后的记为：和pilotd；
S232：离散傅里叶变换处理：将和pilotd从时域转换到频域中，得到三个复数矩阵；
S232：离散傅里叶变换处理：将导频响应部分yx、载荷响应部分ypilot和原始导频部分pilot从时域转换到频域中，得到三个复数矩阵；
S233：提取实部和虚部处理：将三个复数矩阵的实部和虚部分离，得到6个实数矩阵；
S234：归一化处理：对6个实数矩阵各自归一化，归一化的计算表达式为：
其中，mean(A)、Var(A)分别表示求矩阵A的均值和方差，其中1e-15是为常数，考虑到矩阵A方差可能为0导致处理出错问题，设置一个常数，用于数值稳定性。
进一步的，通过上述技术方案，对复数进行了处理，使用归一化方式为层归一化，并且是提取实部虚部之后，将6个实数矩阵当作6个单独样本进行归一化处理。
更优的，本发明的层归一化是在单个样本上进行归一化，而不是批量归一化(在批量数据上进行的归一化)。
优选的，所述S300包括：
S310：依据S200的处理结果，设置一次处理的LoRa信号数量、通道个数以及一个LoRa信号序列的长度；
S320：基于经过预处理的LoRa信号，按照S310设置的内容合成数据集；
S330：按照7:3的比列，将所述数据集随机划分为训练集和测试集。
优选的，所述S400包括：
S410：构建特征提取块，所述特征提取块包括依次串联的卷积层、批量归一化层、激活函数、平均池化层；
S420：构建LoRa解调的初始神经网络模型，所述初始神经网络模型由卷积神经网络CNN以及全连接神经网络FCNN构成。
优选的，所述初始神经网络模型的结构包括：依次串联的输入层、隐藏层以及输出层；
其中，所述隐藏层包括：第一特征提取块、第二特征提取块、第三特征提取块、层归一化、第一全连接层、第二全连接层以及第三全连接层。
优选的，所述S500包括：
S510：将所述输入层的输入维度设置为6×2^SF，其中SF为扩频因子；
其中，扩频因子(SF)是LoRa调制的关键参数之一，它表示发送信号中每个数据位所需的符号数，一般情况下SF取值范围为：{7，8，9，10，11，12}。LoRa信号中，一个码元承载信息量为SF比特。
S520：将所述第一特征提取块设置为:
卷积层为一维卷积层，输入通道数为6，输出通道数为96。
激活函数为ReLU激活函数。
平均池化层的核为2，步长为2；
S530：将所述第二特征提取块设置为:
卷积层为一维卷积层，输入通道数为96，输出通道数为256。
激活函数为ReLU激活函数。
平均池化层的核为3，步长为3；
S520：将所述第三特征提取块设置为:
卷积层为一维卷积层，输入通道数为256，输出通道数为256。
激活函数为ReLU激活函数。
平均池化层的核为2，步长为2。
S530：将所述第一全连接层、所述第二全连接层以及所述第三全连接层的神经元数量设置为256；
S540：所述输出层神经元个数为扩频因子SF，其中，扩频因子SF等于待预测比特序列的数量。
优选的，所述S600包括：
S610：利用所述训练集训练初始神经网络模型；
S620：计算误码率，判断误码率是否符合要求，若误码率不符合要求，则重新选取超参数进行训练；若符合要求，则得到优化的神经网络模型。
S630：通过所述测试集测试优化的神经网络性能，保存优化的神经网络模型参数性能。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种深度学习联合信道估计的LoRa系统信号检测方法，结合导频、导频响应、载荷响应、层归一化的方式，提高了检测性能以及检测精确度，具体有益效果如下：
1)考虑导频可以降低衰落信道的影响，进一步提高通信的性能(BER)，获取更好的性能提升；
2)本发明具有通用性，对于LoRa系统处于多种环境(环境1：高斯白噪声环境。环境2：衰落信道+高斯白噪声+多设备干扰。环境3：高斯白噪声+多设备干扰。环境4：衰落信道+高斯噪声)，并且该神经网络架构在干扰下的性能相较于现有技术而言都能得到提升；
3)本发明的神经网络架构联合使用批量归一化和层归一化结合，只训练一组神经网络参数就可以在不同信噪比、不同干扰情况下的进行LoRa系统的信号检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程示意图；
图2为本发明的预处理方法流程示意图；
图3为本发明的特征提取块结构示意图；
图4为本发明的神经网络模型结构整体架构图；
图5为本发明实施例提供的本发明与现有技术方案在瑞丽衰落信道下无干扰下性能效果对比图；
图6为本发明实施例提供的本发明与现有技术方案在瑞丽衰落信道下干扰参数lambda＝0.7下性能效果对比图；
图7为本发明实施例提供的本发明与现有技术方案在在瑞丽衰落信道下恒有一个干扰用户下性能效果对比图；
图8为本发明实施例提供的本发明与现有技术方案在正常没有干扰下的性能效果对比图；
图9为本发明实施例提供的本发明与现有技术方案在正常有干扰下的性能效果对比图；
图10为本发明实施例提供的本发明与现有技术方案在瑞利衰落信道及高斯白噪声下的性能效果对比图。
具体实施方式
下面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，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他实施例，都属于本发明保护的范围。
本发明的目的是提供一种深度学习联合信道估计的LoRa系统信号检测方法，包括：搭建LoRa系统，生成LoRa信号；对LoRa信号中原始导频部分、导频响应部分和载荷响应部分进行切割、标记处理，并对切割、标记后的LoRa信号进行预处理；基于经过预处理的LoRa信号，构造训练集和测试集；构造LoRa解调的初始神经网络模型；选取神经网络和优化函数的超参数；利用训练集训练初始神经网络模型，并且通过测试集保存优化的神经网络模型参数性能；将优化的神经网络模型部署到LoRa系统中进行LoRa信号检测。实现检测性能高、检测精确度高的深度学习联合信道估计的LoRa系统信号检测。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参见图1所示，本发明实施例公开了一种深度学习联合信道估计的LoRa系统信号检测方法，包括：
S100：搭建LoRa系统，生成LoRa信号。
在一个具体实施例中，包括：
在发射端传输的比特序列经过进制转换、插入导频、串并转换、LoRa调制、添加循环前缀及并串转换。假设LoRa调制之后得到X(X里包含导频pilot和载荷x)，经过信道时，会受到衰落信道和噪声的影响，在接收端得到LoRa信号y可以表示为：使用数学表达式描述y为：
y＝hX+n；
式中，h为通信信道系数，n为复高斯噪声。
具体的，信号y包括：导频响应部分yx和载荷响应部分ypilot。
S200：对已知的导频部分、LoRa信号的导频响应部分和载荷响应部分切割、标记，然后进行预处理。
在一个具体实施例中，包括：
在接收端得到y中，包含导频响应部分yx和载荷响应部分ypilot；并且在接收端是已知原始导频部分pilot。因此切割出yx、ypilot和pilot三个部分，然后使用原始比特序列进行标记。然后进行预处理；
具体预处理流程参见附图2所示，包括：Dechirp处理-离散傅里叶变换-提取实部和虚部->归一化。
具体的，Dechirp处理具体是使用初始down-chirp信号与yx、ypilot和pilot这三个部分进行相乘。，公式为：
其中为初始随时间频率连续下降的down-chirp信号；
导频响应部分yx、载荷响应部分ypilot和原始导频部分pilot经过Dechirp处理过后的记为：和pilotd；
S232：离散傅里叶变换处理：将经过Dechirp处理过后的导频响应部分载荷响应部分/>和原始导频部分pilotd从时域转换到频域中，得到三个复数矩阵；
离散傅里叶变换则将这三个部分从时域转换到频域中，得到三个复数矩阵。提取实部和虚部则是将三个复数矩阵的实部和虚部分离，得到6个实数矩阵。归一化则是6个实数矩阵各自归一化，归一化的计算表达式可以写成：
其中，mean(A)、Var(A)分别表示求矩阵A的均值和方差，其中1e-15是一个小的常数，考虑到矩阵A方差可能为0导致处理出错问题，设置一个常数，用于数值稳定性，在分母中加上它以避免除零错误。
具体的，6个实数矩阵的归一化处理方法都是相同的。因此，当进行归一化处理的时候，将6个实数矩阵依次充当变量，代入归一化的计算公式的矩阵A。
具体的，通过上述技术方案，对复数进行了处理，使用归一化方式为层归一化，并且是提取实部虚部之后，将6个实数矩阵当作6个单独样本进行归一化处理。
更优的，本发明的层归一化是在单个样本上进行归一化，而不是批量归一化(在批量数据上进行的归一化)。
S300：基于经过预处理的LoRa信号，构造训练集和测试集；
在一个具体实施例中，包括：
得到6个实数矩阵分别代表yx、ypilot和pilot这三个部分的实部和虚部。因此数据集就围绕6个实数矩阵来构建。在一维卷积神经网络中，一次输入的特征维度一般为(batch，channel，feature)。
batch代表输入数据的批量大小，即一次处理的样本数量，在本LoRa专利中，表示一次处理的LoRa信号数量。
channel表示输入数据的通道数也表示输入数据的特征数量，上面的处理中，得到了6个实数矩阵，所以本专利将每个实数矩阵都代表一个通道，6个实数矩阵就代表6个通道。
feature表示特征长度，在本专利中就代表一个LoRa信号序列的长度。
在经过预处理过的LoRa信号之后，将按照上述的方式合成数据集，并且按照7:3的比列，随机划分为训练集和测试集。
S400：构造LoRa解调的原始神经网络，由卷积神经网络CNN+全连接神经网络FCNN构成。
在一个具体实施例中，包括：
首先构建一个特征提取块，参见图3所示，：它是有一个卷积层、一个批量归一化层、一个激活函数、一个平均池化层串联组成；
神经网络模型LDNN其结构依次为：输入层→第一个特征提取块→第二个特征提取块→第三个特征提取块→层归一化→第一个全连接层→第二个全连接层→第三个全连接层→输出层。这三个特征选取块的超参数对于所有的SF是相同的。而神经网络模型LDNN整体架构参见图4所示。
S500：选取神经网络和优化函数的超参数。
在一个具体实施例中，包括：神经网络的整体架构在步骤S400体现，而具体参数则是在不断训练和训练结果中调整，本实施例最后选择神经网络的结构参数如下：
输入层的输入维度为6×2^SF，其中SF为扩频因子；
具体的，扩频因子(SF)是LoRa调制的关键参数之一，它表示发送信号中每个数据位所需的符号数，一般情况下SF取值范围为：{7，8，9，10，11，12}。LoRa信号中，一个码元承载信息量为SF比特。
第一个提取块:
卷积层为一维卷积层，输入通道数为6，输出通道数为96。
激活函数为ReLU激活函数。
平均池化层的核为2，步长为2。
第二个提取块:
卷积层为一维卷积层，输入通道数为96，输出通道数为256。
激活函数为ReLU激活函数。
平均池化层的核为3，步长为3。
第三个提取块:
卷积层为一维卷积层，输入通道数为256，输出通道数为256。
激活函数为ReLU激活函数。
平均池化层的核为2，步长为2。
三个全连接层的神经元数量皆为256。
输出层神经元个数为SF，即待预测比特序列的数量。
S600：利用数据集训练神经网络，并且通过测试集测试优化的神经网络性能，保存优化的神经网络模型参数性能。
在一个具体实施例中，还包括：计算误码率，判断误码率是否符合要求，若误码率不符合要求，则重新选取超参数进行步骤S600；若符合要求，则将神经网络模型部署到LoRa通信系统中。
具体的，在通信系统中，误码率(BER)是衡量传输过程中比特错误数量的指标。它被定义为传输的错误比特数量除以传输的总比特数。BER越低，通信系统的性能越好。阈值：Lora系统通信的相干解调的误码率。
假设LoRa的调制参数SF设置为7(SF＝7)，(信噪比：噪声对LoRa信号影响的一种度量，以dB为单位)信噪比SNR＝-10dB，通信的环境是在一个网关之中，干扰参数lambda＝0.7，当LoRa设备发送信号给网关的时候，BER＝0.1429。
具体的，神经网络完成一次训练集的训练，就对测试集进行测试，假设测试结果表示为test_BER(test_BER越低，模型性能越好)，因此，每一次test_BER达到历史最低的时候，保存这个历史最低值和神经网络模型的参数到本地文件，起到一种记录的作用。
由上述技术方案可知，本发明结合导频响应和载荷响应、原始导频一起作为特征输入到神经网络，神经网络通过对这三部分的特征进行函数映射最后得到预测的比特序列。在本发明的神经网络结构中，联合批量归一化和层归一化一起构成一种适合LoRa解调的神经网络(定义为：LDNN)，通过对导频响应和载荷响应、原始导频这三部分特征进行函数映射，最后直接得到二进制的传输比特序列，而不是十进制的符号，同时，在信号预处理中，提取实部和虚部之后，对每一个提取的实部和虚部单独归一化，然后再各自以通道的形式合成数据集，解决了现有技术中错误地板问题，与现有技术相比获得较好的性能增益。
在一个具体实施例中，为了能够体现本发明有益效果，参见图5所示，在无干扰下，本发明的技术方案和传统信号检测方案性能相似；参见图6所示，在干扰参数lambda＝0.7的时候，本发明所提出的LDNN模型的误码率比传统已知完美信道状态信息的相干检测的误码率性能更好。(假设干扰信号的数量遵循参数为lambda的泊松分布。Lambda取值越大，干扰信号的数量越多，即干扰情况越严重)；进一步的，假设当干扰信号的数量恒为1的时候，信号干扰比SIR变换的时候，两种解调方式的性能对比，参见图7所示，本发明提出的技术方案取得比传统方案更好的性能。
在一个具体实施例中，参见图8-9所示，新增加没有加入导频时候，神经网络的性能BER曲线，即图中LDNN no pilot SF＝7(SF＝10)曲线。补充说明：LDNN no pilot SF＝7(SF＝10)特征输入没有导频响应、原始导频，只有载荷响应。从图8-9可以看出，加入导频及其响应作为特征输入的本发明LDNN的性能优于LDNN no pilot SF＝7(SF＝10)BER性能。
在一个具体实施例中，参加图10所示，在瑞利衰落信道+高斯白噪声下的性能比较中LDNN noLN SF＝7含义为：特征处理不使用归一化，神经网络架构也去掉层归一化的BER性能。比较可以得知，LDNN noLN SF＝7在极高信噪比下出现了类似错误地板问题。但是本发明LDNN SF＝7不会出现这一问题。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (1)
1.一种深度学习联合信道估计的LoRa系统信号检测方法，其特征在于，包括：
S100：搭建LoRa系统，生成LoRa信号，包括：
S110：搭建LoRa系统，搭建的所述LoRa系统包括：发射端、通信信道以及接收端；
S120：在所述发射端输出比特序列并经过进制转换、插入导频、串并转换、LoRa调制、添加循环前缀及并串转换处理；
S130：设LoRa调制之后得到信号X，其中所述信号X包含导频pilot和载荷x；
S140：所述信号X经过所述通信信道时，基于衰落信道和噪声的影响，在所述接收端得到LoRa信号y，使用数学表达式描述y为：
y＝hX+n；
式中，h为通信信道系数，n为复高斯噪声；
其中，所述信号y包括：导频响应部分yx和载荷响应部分ypilot；
S200：对LoRa信号中原始导频部分、导频响应部分和载荷响应部分进行切割、标记处理，并对切割、标记后的LoRa信号进行预处理，包括：
S210：在所述接收端已知原始导频部分pilot的基础上，切割出导频响应部分yx和载荷响应部分ypilot以及原始导频部分pilot；
S220：使用原始比特序列对切割出的导频响应部分yx和载荷响应部分ypilot以及原始导频部分pilot进行标记；
S230：对步骤S220进行标记的信号进行Dechirp处理、离散傅里叶变换处理、以及提取实部和虚部处理以及归一化处理，包括：
S231：Dechirp处理：使用初始随时间频率连续下降的down-chirp信号与导频响应部分yx、载荷响应部分ypilot和原始导频部分pilot相乘，公式为：
其中为初始随时间频率连续下降的down-chirp信号；
S232：离散傅里叶变换处理：将和pilotd从时域转换到频域中，得到三个复数矩阵；
S233：提取实部和虚部处理：将三个复数矩阵的实部和虚部分离，得到6个实数矩阵；
S234：归一化处理：对6个实数矩阵各自归一化，归一化的计算表达式为：
其中，mean(A)、Var(A)分别表示求矩阵A的均值和方差，其中1e-15是为常数，用于数值稳定性；
S300：基于经过预处理的LoRa信号，构造训练集和测试集，包括：
S310：依据S200的处理结果，设置一次处理的LoRa信号数量、通道个数以及一个LoRa信号序列的长度；
S320：基于经过预处理的LoRa信号，按照S310设置的内容合成数据集；
S330：按照7:3的比列，将所述数据集随机划分为训练集和测试集；
S400：构造LoRa解调的初始神经网络模型，包括：
S410：构建特征提取块，所述特征提取块由一个卷积层、一个批量归一化层、一个激活函数、一个平均池化层串联组成；
S420：构建LoRa解调的初始神经网络模型，所述初始神经网络模型由卷积神经网络CNN以及全连接神经网络FCNN构成，所述初始神经网络模型的结构包括：依次串联的输入层、隐藏层以及输出层，其中，所述隐藏层包括：第一特征提取块、第二特征提取块、第三特征提取块、层归一化、第一全连接层、第二全连接层以及第三全连接层；
S500：选取神经网络和优化函数的超参数，包括：
S510：将所述输入层的输入维度设置为6×2^SF，其中SF为扩频因子；
S520：将所述第一特征提取块设置为:
卷积层为一维卷积层，输入通道数为6，输出通道数为96；
激活函数为ReLU激活函数；
平均池化层的核为2，步长为2；
S530：将所述第二特征提取块设置为:
卷积层为一维卷积层，输入通道数为96，输出通道数为256；
激活函数为ReLU激活函数；
平均池化层的核为3，步长为3；
S520：将所述第三特征提取块设置为:
卷积层为一维卷积层，输入通道数为256，输出通道数为256；
激活函数为ReLU激活函数；
平均池化层的核为2，步长为2；
S530：将所述第一全连接层、所述第二全连接层以及所述第三全连接层的神经元数量设置为256；
S540：所述输出层神经元个数为扩频因子SF，其中，扩频因子SF等于待预测比特序列的数量；
S600：利用所述训练集训练初始神经网络模型，并且通过所述测试集保存优化的神经网络模型参数性能，包括：
S610：利用所述训练集训练初始神经网络模型；
S620：计算误码率，判断误码率是否符合要求，若误码率不符合要求，则重新选取超参数进行训练；若符合要求，则得到优化的神经网络模型；
S630：通过所述测试集测试优化的神经网络性能，保存优化的神经网络模型参数性能；
S700：将优化的神经网络模型部署到LoRa系统中进行LoRa信号检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310939318.5A CN116962121B (zh) | 2023-07-27 | 2023-07-27 | 一种深度学习联合信道估计的LoRa系统信号检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310939318.5A CN116962121B (zh) | 2023-07-27 | 2023-07-27 | 一种深度学习联合信道估计的LoRa系统信号检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116962121A CN116962121A (zh) | 2023-10-27 |
| CN116962121B true CN116962121B (zh) | 2024-02-27 |
Family
ID=88456304
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310939318.5A Active CN116962121B (zh) | 2023-07-27 | 2023-07-27 | 一种深度学习联合信道估计的LoRa系统信号检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116962121B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2020220278A1 (zh) * | 2019-04-30 | 2020-11-05 | 华为技术有限公司 | 一种信道估计模型训练方法及设备 |
| CN112953862A (zh) * | 2021-02-07 | 2021-06-11 | 哈尔滨工程大学 | 一种基于深度学习的高速铁路场景信道估计方法 |
| CN115987722A (zh) * | 2022-12-22 | 2023-04-18 | 山东大学 | 一种深度学习辅助的ofdm信道估计与信号检测方法 |
-
2023
- 2023-07-27 CN CN202310939318.5A patent/CN116962121B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2020220278A1 (zh) * | 2019-04-30 | 2020-11-05 | 华为技术有限公司 | 一种信道估计模型训练方法及设备 |
| CN112953862A (zh) * | 2021-02-07 | 2021-06-11 | 哈尔滨工程大学 | 一种基于深度学习的高速铁路场景信道估计方法 |
| CN115987722A (zh) * | 2022-12-22 | 2023-04-18 | 山东大学 | 一种深度学习辅助的ofdm信道估计与信号检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116962121A (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109474352B (zh) | 一种基于深度学习的水声正交频分复用通信方法 | |
| CN112464837B (zh) | 基于小数据样本的浅海水声通信信号调制识别方法及系统 | |
| CN109890043B (zh) | 一种基于生成式对抗网络的无线信号降噪方法 | |
| CN109672639B (zh) | 一种基于机器学习的信号解调方法 | |
| CN109525369B (zh) | 一种基于循环神经网络的信道编码类型盲识别方法 | |
| CN113595664B (zh) | 一种基于深度学习的多用户宽带通信系统的频谱感知方法 | |
| CN113630130B (zh) | 端到端数字通信解调方法 | |
| CN110659684A (zh) | 一种基于卷积神经网络stbc信号识别方法 | |
| CN112733811B (zh) | 基于改进稠密神经网络的水声信号调制方式类间识别方法 | |
| CN106941463A (zh) | 一种单比特量化mimo系统信道估计方法及系统 | |
| CN114615118B (zh) | 一种基于多端卷积神经网络的调制识别方法 | |
| CN113971430A (zh) | 信号检测及模型训练方法、装置、设备及存储介质 | |
| CN116628566A (zh) | 一种基于聚合残差变换网络的通信信号调制分类方法 | |
| CN101588191A (zh) | 无线电信号认知方法及设备 | |
| CN116962121B (zh) | 一种深度学习联合信道估计的LoRa系统信号检测方法 | |
| CN113259289B (zh) | 基于残差神经网络的单通道混叠信号调制模式识别方法 | |
| CN113114603A (zh) | 一种mimo-ofdm系统的信息恢复方法及装置 | |
| CN115065578B (zh) | 一种基于改进自适应阈值的dft信道估计方法 | |
| CN114330441B (zh) | 一种基于时频谱和迁移学习的水声janus信号识别方法与系统 | |
| CN115642968A (zh) | 基于深度学习的通信干扰信号和频谱空洞联合认知方法、设备和介质 | |
| CN115913849A (zh) | 基于一维复值残差网络的电磁信号辨识方法 | |
| CN113242201B (zh) | 基于生成分类网络的无线信号增强解调方法及系统 | |
| Zhao et al. | An End-to-End Demodulation System Based on Convolutional Neural Networks | |
| CN111314255A (zh) | 一种低复杂度siso和mimo接收机生成方法 | |
| KR102284007B1 (ko) | K-심볼 차동 연산 전처리를 통한 지능형 디지털 변조 분류 방법 및 장치 |
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 |