[發明專利]一種基于分段神經網絡解碼的LoRa剪接通信方法及系統

有效

• 申請號: 202110590420.X
• 申請日: 2021-05-28
• 公開（公告）號: CN113395683B
• 公開（公告）日: 2022-07-12
• 發明（設計）人: 徐丹;胡王倩;任仲遠;孫雪;陳少杰;王薇;房鼎益;陳曉江
• 申請（專利權）人: 西北大學
• 主分類號: H04W4/70
• 分類號: H04W4/70;H04W24/02;G06N3/04;G06N3/08
• 代理公司: 西安恒泰知識產權代理事務所 61216
• 代理人: 孫雅靜

1.一種基于神經網絡解碼的LoRa剪接通信方法，其特征在于，按照以下步驟執行：

步驟一：信號發送；

以chirp信號為處理單位，根據剪接率對chirp信號進行剪切和拼接形成新Payload信號，新Payload信號與Preamble信號拼接形成新LoRa信號，節點將新LoRa信號發送給網關；

步驟二：信號接收；

對新LoRa信號進行高頻濾波和信號同步，按照時間長度，分割得到各個chirp信號；之后再次根據時間長度對各chirp信號進行分段處理得到整段chirp信號、前1/3chirp信號、中1/3chirp信號和后1/3chirp信號；整段chirp信號、前1/3chirp信號、中1/3chirp信號和后1/3chirp信號分別與down chirp相乘，再進行傅里葉變換得到頻域序列矩陣，形成神經網絡模型的輸入；

步驟三：模型訓練；

原始chirp信號所對應的序號作為標簽，步驟二得到的頻域序列矩陣輸入神經網絡模型，以均方誤差作為神經網絡的損失函數，再使用Adam優化算法最小化損失函數，獲得神經網絡訓練模型；

步驟四：利用步驟三獲得的神經網絡訓練模型對接收的LoRa信號進行解碼。

2.根據權利要求1所述的基于神經網絡解碼的LoRa剪接通信方法，其特征在于，步驟二中，所述的高頻濾波采用IIR低通濾波器進行。

3.根據權利要求1或2所述的基于神經網絡解碼的LoRa剪接通信方法，其特征在于，步驟二中，使用滑動窗口對高頻濾波后的新LoRa信號進行信號同步，并依據時間單位對高頻濾波后的新LoRa信號中的Payload信號進行分割處理。

4.根據權利要求3所述的基于神經網絡解碼的LoRa剪接通信方法，其特征在于，具體包括：

將高頻濾波后的新LoRa信號的頻域能量進行脈沖壓縮，利用滑動窗口找到脈沖壓縮后的能量最大值位置即為chirp信號的有效載荷的起始位置，實現信號同步；

利用10個downchirps大小來進行滑動窗口，實現對信道的監測。

5.根據權利要求1或2所述的基于神經網絡解碼的LoRa剪接通信方法，其特征在于，步驟二中，整段chirp信號、前1/3chirp信號、中1/3chirp信號和后1/3chirp信號分別與downchirp相乘的具體過程如下式所示；

其中：Cu為upchirp,Cd為downchirp,f_o為Cu的起始頻率，Hz；k為頻率變化率，Hz/s；BW為頻帶寬度，Hz；t為時間，s；f_BW/2為Cd起始頻率，Hz；j為虛部信號。

6.根據權利要求1或2所述的基于神經網絡解碼的LoRa剪接通信方法，其特征在于，神經網絡模型具體結構如下表所示：

7.根據權利要求1或2所述的基于神經網絡解碼的LoRa剪接通信方法，其特征在于，所述神經網絡的Loss函數為：

其中x_i為神經網絡的輸入，y_i為神經網絡的輸出。

8.根據權利要求1或2所述的基于神經網絡解碼的LoRa剪接通信方法，其特征在于，剪接后chirp信號的表達式如下：

Sr為剪接率，選擇范圍是1/1、1/2、1/4或1/8；f₀為起始頻率，Hz；k為頻率變化率，Hz/s；t為時間，s；j為虛數信號。

9.一種基于神經網絡解碼的LoRa剪接通信系統，其特征在于，所述的系統執行權利要求1-8任一所述的基于神經網絡解碼的LoRa剪接通信方法。

10.一種基于神經網絡解碼的LoRa剪接通信系統，其特征在于，設置：

信號發送模塊：以chirp信號為處理單位，網關對節點發送來的原始LoRa信號進行信噪比計算得到對應的剪接率，節點根據剪接率對chirp信號進行剪切和拼接形成新Payload信號，新Payload信號與Preamble信號拼接形成新LoRa信號，節點將新LoRa信號發送給網關；

信號接收模塊對新LoRa信號進行高頻濾波和信號同步，按照時間長度，分割得到各個chirp信號；之后再次根據時間長度對各chirp信號進行分段處理得到整段chirp信號、前1/3chirp信號、中1/3chirp信號和后1/3chirp信號；整段chirp信號、前1/3chirp信號、中1/3chirp信號和后1/3chirp信號分別與down chirp相乘，再進行傅里葉變換得到頻域序列矩陣，形成神經網絡模型的輸入；

模型訓練模塊：原始chirp信號所對應的序號作為標簽，步驟二得到的頻域的序列矩陣分別輸入神經網絡模型，以均方誤差作為神經網絡的損失函數，再使用Adam優化算法最小化損失函數，獲得神經網絡訓練模型；

利用模型訓練模塊獲得的神經網絡訓練模型對接收的LoRa信號進行解碼。