CN110138468A - 多节点软件无线电平台的Lora信号监测***及方法 - Google Patents
多节点软件无线电平台的Lora信号监测***及方法 Download PDFInfo
- Publication number
- CN110138468A CN110138468A CN201910331465.8A CN201910331465A CN110138468A CN 110138468 A CN110138468 A CN 110138468A CN 201910331465 A CN201910331465 A CN 201910331465A CN 110138468 A CN110138468 A CN 110138468A
- Authority
- CN
- China
- Prior art keywords
- signal
- data
- lora
- module
- frequency
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- 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
-
- 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
- H04B17/318—Received signal strength
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
一种多节点软件无线电平台的Lora信号监测***及方法,包括Lora信号监测、数据融合中心两部分;Lora信号监测部分包括多个Lora信号监测节点;Lora信号监测节点包括射频前端处理模块、软件无线电平台硬件处理模块、信号数据处理模块以及监测节点上位机软件模块;数据融合中心部分包括用云服务器模块和用户应用软件模块。本发明利用射频前端对无线信号进行预处理,用能量检测和卷积神经网络调制识别算法对LoRa信号进行识别,并部署多节点监测,将数据上传至数据融合中心做LoRa信号有无的判决以及参数的估计。本发明能对未知频点信息的LoRa信号进行识别与参数估计,提高了LoRa信号检测的概率。
Description
技术领域
本发明涉及通信技术领域,更进一步涉及无线通信技术领域的一种基于多节点软件无线电平台的长距离广域Lora(Long-Range)信号的监测***及方法。本发明在保证检测性能的条件下,在软件无线电平台上检测识别出Lora信号,并且估计出信号的中心频率、带宽等参数信息,并实施多节点协同检测提高检测概率,从而完成Lora信号的监测。
背景技术
Lora是一种新兴的物联网通信技术,因其传输距离远,工作功耗低等特点被广泛应用在工厂、厂矿、农场等场所,随着其应用领域的不断扩展,相关设备的不断增加,对于loRa信号监测的研究也逐渐增多。在实际监测过程中,由于掌握的信号先验信息不同,需要在一定平台上选择合适算法快速准确的识别出Lora信号,进行参数估计,并且降低虚警概率和提高参数估计的准确度。人们根据Lora芯片具有信道检测功能的特性,利用MCU(微控制单元)驱动Lora芯片对某些频点进行监测。针对简单单一的Lora信号,还可以利用能量检测的方法进行监测,能量检测对硬件平台的处理速度有较高的要求。实际监测过程中,可能面临着复杂的电磁环境,所以对于Lora信号的快速识别与参数估计的难度越来越大,传统的lora信号的频点监测与单节点能量检测的监测***及方法的应用受到了一定限制。
北京资信物联科技有限公司在其申请的专利文献“LoRa现场信号测试仪、方法及测试***”(专利申请号201811413030.X,公布号CN109412717A)中公开了一种LoRa现场信号测试***及方法。该测试***主要提出利用MCU(微控制单元)驱动LoRa通信模块,MCU(微控制单元)用于控制LoRa通信模块,LoRa通信模块用于根据检测指令接收LoRa信号,根据检测指令接收LoRa信号,获取LoRa信号的当前信号强度,并将当前信号强度通过蓝牙模块发送至移动终端。该测试***存在的不足之处是:该测试***是利用MCU(微控制单元)驱动Lora模块进行测试,MCU(微控制单元)处理速度不高,导致不能快速检测Lora信号。该专利申请文献公开的方法的步骤是,首先将LoRa模块设置为接收模式,然后设置LoRa接收模块的中心频率、扩频因子等参数,进而利用LoRa模块对已知频点进行检测。该方法存在的不足之处是:由于该方法采用对已知频点进行检测的方法检测Lora信号,进行LoRa信号测试时必须配置频率等参数信息,导致该方法只能检测已知频点信息的单个定频点上有无LoRa信号,无法检测对某一频段内未知频点信息的LoRa信号。
江西飞尚科技有限公司申请的专利文献“基于Lora无线技术的高支模同步监测装置及检测方法”(专利申请号201610198542.3,公布号CN105741526A)中公开了一种Lora无线技术检测方法。该方法的步骤是,使用现场可编程门阵列FPGA(Field-ProgrammableGate Array)进行对多个Lora模块进行数据通信可逻辑控制,实现并行数据采集和传输的功能,数据汇总到FPGA内部后,FPGA再将并行数据通过高速串行接口发送给微控制器进行处理,微控制器接收到数据后,进行数据解析,判断某个信道信息,该方法存在的不足之处是:由于该方法采用多LoRa模块进行信道检测,导致该方法只能检测已知多频点信息的多个定频点上有无LoRa信号,对未知频点信息的LoRa信号无法实现检测,并且检测概率受监测装置部署位置影响较大,LoRa信号检测概率较低。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种多节点软件无线电平台的长距离广域Lora(Long-Range)信号的监测***及方法,用以解决无法检测对某一频段内未知频点信息的LoRa信号,能够在复杂无线信号中对LoRa信号进行识别与参数估计,并且多节点部署进行协同监测,以理想的检测性能和尽可能低的复杂度完成信号的检测。
实现本发明目的思路是,先利用射频前端实时接收不同方向无线信号并进行预处理,利用软件无线电硬件处理模块进行数字化处理,然后利用能量检测算法和卷积神经网络调制识别算法进行LoRa信号的识别与参数估计,并部署多节点协同监测,多节点监测数据上传至数据融合中心,数据融合中心利用K均值聚类算法做LoRa信号有无的判决,以及参数估计,并做显示与存储。
本发明的***包括Lora信号监测、数据融合中心两部分;Lora信号监测部分包括多个Lora信号监测节点;Lora信号监测节点包括射频前端处理模块、软件无线电平台硬件处理模块、信号数据处理模块以及监测节点上位机软件模块;射频前端处理模块包括天线模块、一级低通滤波器模块、低噪声放大器模块、二级低通滤波器模块;信号数据处理模块包括能量检测模块和卷积神经网络调制识别模块;数据融合中心部分包括用云服务器模块和用户应用软件模块;所述的天线模块、一级低通滤波器模块、低噪声放大器模块、二级低通滤波器模块、软件无线电平台硬件模块通过射频线依次相连;所述软件无线电平台硬件模块与信号数据处理模块通过数据总线和控制总线相连;所述数据处理模块与监测节点上位机软件模块通过数据总线相连;所述监测节点上位机软件模块与云服务器模块通过网络相连;所述云服务器模块与数据融合中心通过网络相连;其中:
所述射频前端模块中天线模块,包括全向天线和定向天线,用于接收LoRa信号;
所述射频前端模块中一级低通滤波器模块,用于LoRa信号的滤波;
所述射频前端模块中低噪声放大器模块,用于接收LoRa信号,并进行放大;
所述射频前端模块中二级低通滤波器模块,对放大后LoRa信号进行滤波;
所述Lora信号监测节点软件无线电平台硬件处理模块,采用的是一款完全开源的软件无线电产品LimeSDR,用于对射频前端处理的信号进行下变频、数字化处理等,为下一步数据处理提供无线信号数据;
所述信号数据处理模块中能量检测模块,用于对无线信号的识别与中心频率、带宽等参数的估计;
所述信号数据处理模块中卷积神经网络调制识别模块,用于对LoRa信号的调制识别;
所述Lora信号监测节点上位机软件模块,用于Lora信号监测节点的硬件控制以及检测结果的显示;
所述数据融合中心云服务器模块,完成节点监测数据的存储与数据的转发,完成与用户应用软件模块的交互;
所述数据融合中心用户应用软件模块,用于对多节点的管理、信号有无的判决以及参数估计。
本发明方法的步骤包括如下:
(1)获取LoRa信号频段的放大无线信号:
(1a)射频前端处理模块中的一级低通滤波器模块,对天线实时接收的无线信号,在待监测LoRa信号频段进行低通滤波;
(1b)射频前端处理模块中的低噪声放大器模块,对滤波后的无线信号进行放大;
(1c)射频前端处理模块中的二级低通滤波器模块,对放大后的无线信号进行低通滤波,得到LoRa信号频段的放大无线信号;
(2)获取数字化信号:
软件无线电平台硬件处理模块,对放大后无线信号进行无线信号实时处理,通过数据总线实时输出数字化信号;
(3)LoRa信号检测与参数估计:
(3a)信号数据处理模块中的能量检测模块,从实时输出的数字化信号中截取一帧数字化信号,利用能量检测算法,计算该帧信号的频谱数据;
(3b)判断所截取的一帧数字化信号中是否存在无线信号,若是,执行步骤(3c),否则,执行步骤(3a);
(3c)记录数字化信号中所有无线信号的开始频点和结束频点,用每个无线信号的结束频点减去其开始频点,得到该无线信号的带宽,将该无线信号的开始频点值和结束频点值的平均值,作为该无线信号的中心频率值;
(3d)信号数据处理模块中的卷积神经网络调制识别模块,利用卷积神经网络调制识别算法,识别所选帧无线信号是否为LoRa调制信号,若是,则执行步骤(4),否则,执行步骤(3a);
(4)上传无线信号检测数据:
监测节点上位机软件模块对所选帧LoRa调制信号的多组中心频率和带宽数据,进行本地显示与存储,并上传至数据融合中心模块;
(5)部署节点:
将多个Lora信号监测节点分散的放置于监测区域内的不同位置,多个Lora信号监测节点进行监测;
(6)协同处理多节点数据:
(6a)数据融合中心的云服务器模块,接收与存储多个Lora信号监测节点上传的多组中心频率和带宽数据,进行存储;
(6b)每个中心频率和带宽数据作为一组数据,统计每个节点同一时刻上传的数据组的总数;
(6c)运用K均值聚类算法,对多组中心频率和带宽数据进行分类;
(6d)统计分类后每类数据组中数据的组数;
(7)判断分类后每类数据中数据的组数是否大于部署节点数的二分之一,若是,则认为该类数据为LoRa信号数据,执行步骤(8),否则,认为不是LoRa信号数据,执行步骤(3);
(8)估计LoRa信号参数:
(8a)将所有LoRa信号数据中心点的中心频率和带宽数据,组成多个loRa信号中心频率和带宽;
(8b)数据融合中心的用户应用软件模块对多个loRa信号中心频率和带宽数据进行存储和显示。
本发明与现有技术相比具有以下优点:
第一、由于本发明的***中Lora信号监测部分将多个Lora信号监测节点分散的放置于监测区域内的不同位置,多个Lora信号监测节点进行协同监测,多个节点能够协同监测,数据融合中心的云服务器模块进行LoRa信号有无的判决,可以准确的检测并识别出LoRa信号,可以提高LoRa信号检测概率,有效的克服了现有技术中检测概率受监测装置部署位置影响较大,检测概率较低的问题,使得本发明***提高了LoRa信号检测概率。
第二、由于本发明的方法中LoRa信号检测与参数估计采用能量检测和卷积神经网络调制识别算法,进行LoRa信号识别,并进行参数估计,能够检测某一频段内未知频点信息的LoRa信号,并进行参数估计,克服了现有技术中对未知频点信息的LoRa信号无法检测的问题,使得本发明的方法能够在复杂无线信号中对未知频点信息的LoRa信号进行识别与参数估计。
第三、由于本发明的方法中在协同处理多节点数据中运用K均值聚类算法,处理多节点数据,并进行参数估计,克服了现有技术中检测概率较低的问题,使得本发明的方法提高了LoRa信号检测概率,并降低了LoRa信号的参数估计的误差。
附图说明
附图1为本发明***结构示意图;
附图2为本发明方法的流程图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照附图1,对本发明的Lora信号监测***做进一步的描述。
本发明的Lora信号监测***包括Lora信号监测、数据融合中心两部分。
Lora信号监测部分包括多个Lora信号监测节点。Lora信号监测节点包括射频前端处理模块、软件无线电平台硬件处理模块、信号数据处理模块以及监测节点上位机软件模块。射频前端处理模块包括天线模块、一级低通滤波器模块、放大器模块、二级低通滤波器模块。信号数据处理模块包括能量检测模块和卷积神经网络调制识别模块。
数据融合中心部分包括用云服务器模块和用户应用软件模块。所述的天线模块、一级低通滤波器模块、放大器模块、二级低通滤波器模块、软件无线电平台硬件模块通过射频线依次相连。所述软件无线电平台硬件模块与信号数据处理模块通过数据总线和控制总线相连。所述数据处理模块与监测节点上位机软件模块通过数据总线相连。所述监测节点上位机软件模块与云服务器模块通过网络相连。所述云服务器模块与数据融合中心通过网络相连。其中:
所述Lora信号监测节点射频前端模块,用于接收LoRa信号,并做LoRa信号的滤波和放大处理。
所述Lora信号监测节点软件无线电平台硬件模块,采用的是一款完全开源的软件无线电产品LimeSDR,用于对射频前端处理的信号进行下变频、数字化处理等,为下一步数据处理提供无线信号数据。
所述Lora信号监测节点数据处理模块,用于对LoRa信号的识别与中心频率、带宽等参数的估计。
所述Lora信号监测节点上位机软件模块,用于Lora信号监测节点的硬件控制以及检测结果的显示。
所述数据融合中心云服务器模块,完成节点监测数据的存储与数据的转发,完成与用户应用软件模块的交互。
所述数据融合中心用户应用软件模块,用于对多节点的管理、信号有无的判决以及参数估计。
参照附图2,对本发明方法的具体步骤做进一步的描述。
步骤1,处理无线信号。
射频前端处理模块中的一级低通滤波器,对天线实时接收的无线信号,在待监测LoRa信号频段进行低通滤波。
射频前端处理模块中的低噪声放大器,对滤波后的无线信号进行放大。
射频前端处理模块中的二级低通滤波器,对放大无线信号进行低通滤波,得到LoRa信号频段的放大无线信号。
步骤2,对无线信号进行数字化处理。
软件无线电平台硬件处理模块,对放大后无线信号进行无线信号实时处理,通过数据总线实时输出数字化信号。
步骤3,LoRa信号检测与参数估计。
(3.1)信号数据处理模块中的能量检测模块,从实时输出的数字化信号中截取一帧数字化信号,利用能量检测算法,计算该帧信号的频谱数据。
(3.2)判断所截取的一帧数字化信号中是否存在无线信号,若是,执行本步骤的(3.3),否则,执行本步骤的(3.1)。
(3.3)记录数字化信号中所有无线信号的开始频点和结束频点,用每个无线信号的结束频点减去其开始频点,得到该无线信号的带宽,将该无线信号的开始频点值和结束频点值的平均值,作为该无线信号的中心频率值。
(3.4)信号数据处理模块中的卷积神经网络调制识别模块,利用卷积神经网络调制识别算法,识别所选帧无线信号是否为LoRa调制信号,若是,执行步骤4,否则,执行本步骤的(3.1)。
步骤4,上传无线信号检测数据。
监测节点上位机软件模块对所选帧LoRa调制信号的多组中心频率和带宽数据,进行本地显示与存储,并上传至数据融合中心模块。
步骤5,部署节点:
将多个Lora信号监测节点分散的放置于监测区域内的不同位置,多个Lora信号监测节点进行监测。
步骤6,协同处理多节点数据:
数据融合中心的云服务器模块,接收与存储多个Lora信号监测节点上传的多组中心频率和带宽数据,进行存储。
每个中心频率和带宽数据作为一组数据,统计每个节点同一时刻上传的数据组的总数。
运用K均值聚类算法,对多组中心频率和带宽数据进行分类。
统计分类后每类数据组中数据的组数。
步骤7,判断分类后每类数据中数据的组数是否大于部署节点数的二分之一,若是,则认为该类数据为LoRa信号数据,执行步骤8,否则,认为不是LoRa信号数据,执行步骤3。
步骤8,估计LoRa信号参数:
将所有LoRa信号数据中心点的中心频率和带宽数据,组成多个loRa信号中心频率和带宽。
数据融合中心的用户应用软件模块对多个loRa信号中心频率和带宽数据进行存储和显示。
Claims (7)
1.一种多节点软件无线电平台的Lora信号监测***,包括Lora信号监测、数据融合中心两部分;Lora信号监测部分包括多个Lora信号监测节点;Lora信号监测节点包括射频前端处理模块、软件无线电平台硬件处理模块、信号数据处理模块以及监测节点上位机软件模块;射频前端处理模块包括天线模块、一级低通滤波器模块、低噪声放大器模块、二级低通滤波器模块;信号数据处理模块包括能量检测模块和卷积神经网络调制识别模块;数据融合中心部分包括用云服务器模块和用户应用软件模块;所述的一级低通滤波器模块、低噪声放大器模块、二级低通滤波器模块、软件无线电平台硬件模块通过射频线依次相连;所述软件无线电平台硬件模块与信号数据处理模块通过数据总线和控制总线相连;所述数据处理模块与监测节点上位机软件模块通过数据总线相连;所述监测节点上位机软件模块与云服务器模块通过网络相连;所述云服务器模块与数据融合中心通过网络相连;其中:
所述射频前端模块中天线模块,包括全向天线和定向天线,用于接收LoRa信号;
所述射频前端模块中一级低通滤波器模块,用于LoRa信号的滤波;
所述射频前端模块中低噪声放大器模块,用于接收LoRa信号,并进行放大;
所述射频前端模块中二级低通滤波器模块,对放大后LoRa信号进行滤波;
所述Lora信号监测节点软件无线电平台硬件处理模块,采用的是一款完全开源的软件无线电产品LimeSDR,用于对射频前端处理的信号进行下变频、数字化处理等,为下一步数据处理提供无线信号数据;
所述信号数据处理模块中能量检测模块,用于对无线信号的识别与中心频率、带宽等参数的估计;
所述信号数据处理模块中卷积神经网络调制识别模块,用于对LoRa信号的调制识别;
所述Lora信号监测节点上位机软件模块,用于Lora信号监测节点的硬件控制以及检测结果的显示;
所述数据融合中心云服务器模块,用于完成节点监测数据的存储与数据的转发,可以接入异构网络设备,接收异构网络设备监测数据,完成与用户应用软件模块的交互;
所述数据融合中心用户应用软件模块,用于对多节点的管理、信号有无的判决以及参数估计。
2.根据权利要求1所述的多节点软件无线电平台的Lora信号监测***,其特征在于,所述的多节点软件无线电平台的Lora信号监测***多个节点中不同节点分别采用全向天线和定向天线对LoRa信号进行监测。
3.根据权利要求1所述的多节点软件无线电平台的Lora信号监测***,其特征在于,所述的多节点软件无线电平台的Lora信号监测***云服务器中,可以接入不同的的LoRa信号监测设备,可以接收诸如频谱仪等设备的频谱等监测数据。
4.一种多节点软件无线电平台的Lora信号监测方法,其特征在于,LoRa信号检测与参数估计采用能量检测和卷积神经网络调制识别算法,进行LoRa信号识别,并进行参数估计,协同处理多节点数据中运用K均值聚类算法,处理多节点数据,该方法包括步骤如下:
(1)获取LoRa信号频段的放大无线信号:
(1a)射频前端处理模块中的天线模块,用于实时接收不同方向上的无线信号;
(1b)射频前端处理模块中的一级低通滤波器模块,对天线实时接收的无线信号,在待监测LoRa信号频段进行低通滤波;
(1c)射频前端处理模块中的低噪声放大器模块,对滤波后的无线信号进行放大;
(1d)射频前端处理模块中的二级低通滤波器模块,对放大后的无线信号进行低通滤波,得到LoRa信号频段的放大无线信号;
(2)获取数字化信号:
软件无线电平台硬件处理模块,对放大后无线信号进行无线信号实时处理,通过数据总线实时输出数字化信号;
(3)LoRa信号检测与参数估计:
(3a)信号数据处理模块中的能量检测模块,从实时输出的数字化信号中截取一帧数字化信号,利用能量检测算法,计算该帧信号的频谱数据;
(3b)判断所截取的一帧数字化信号中是否存在无线信号,若是,执行步骤(3c),否则,执行步骤(3a);
(3c)记录数字化信号中所有无线信号的开始频点和结束频点,用每个无线信号的结束频点减去其开始频点,得到该无线信号的带宽,将该无线信号的开始频点值和结束频点值的平均值,作为该无线信号的中心频率值;
(3d)信号数据处理模块中的卷积神经网络调制识别模块,利用卷积神经网络调制识别算法,识别所选帧无线信号是否为LoRa调制信号,若是,则执行步骤(4),否则,执行步骤(3a);
(4)上传无线信号检测数据:
监测节点上位机软件模块对所选帧LoRa调制信号的多组中心频率和带宽数据,进行本地显示与存储,并上传至数据融合中心模块;
(5)部署节点:
将多个Lora信号监测节点分散的放置于监测区域内的不同位置,多个Lora信号监测节点进行监测;
(6)协同处理多节点数据:
(6a)数据融合中心的云服务器模块,接收与存储多个Lora信号监测节点上传的多组中心频率和带宽数据,进行存储;
(6b)每个中心频率和带宽数据作为一组数据,统计每个节点同一时刻上传的数据组的总数;
(6c)运用K均值聚类算法,对多组中心频率和带宽数据进行分类;
(6d)统计分类后每类数据组中数据的组数;
(7)判断分类后每类数据中数据的组数是否大于部署节点数的二分之一,若是,则认为该类数据为LoRa信号数据,执行步骤(8),否则,认为不是LoRa信号数据,执行步骤(3);
(8)估计LoRa信号参数:
(8a)将所有LoRa信号数据中心点的中心频率和带宽数据,组成多个loRa信号中心频率和带宽;
(8b)数据融合中心的用户应用软件模块对多个loRa信号中心频率和带宽数据进行存储和显示。
5.根据权利要求4所述的多节点软件无线电平台的Lora信号监测方法,步骤(3a)中所述能量检测算法的步骤如下:
第一步,Lora信号监测***多个节点分别从各自数字化处理后的信号中截取前20帧数字化信号;
第二步,每个节点分别对各自每一帧数字化信号进行快速傅里叶变换FFT,得到每一帧数字化信号的频谱数据,对每一帧频谱数据进行平均得到单帧频谱数据平均值;
第三步,每个节点分别对20个单帧频谱数据平均值进行平均,得到每个节点的判决门限值;
第四步,在所截取前20帧数字化信号之后,每个节点实时截取每一帧数字化信号,对每一帧数字化信号做快速傅里叶变换FFT,得到每一帧信号的频谱数据。
6.根据权利要求4所述的多节点软件无线电平台的Lora信号监测方法,步骤(3d)中所述卷积神经网络调制识别算法的步骤如下:
第一步,在多个节点的不同位置,采用大功率LoRa信号源发送LoRa信号;
第二步,Lora信号监测***多个节点分别从各自实时输出的数字化信号中,在持续30秒到60秒的时间段内,实时采集含有LoRa调制信号的无线通信信号;
第三步,每个节点对采集的LoRa无线信号数据进行预处理,每个节点生成对应的数据集;
第四步,每个节点上构建一个9层的调制识别卷积神经网络,其结构依次为:输入层→第一个卷积层→第一个池化层→第二个卷积层→第二个池化层→展平层→第一个全连接层→第二个全连接层→第三个全连接层;
第五步,利用二维信号改造方法,分别设置每个节点上调制识别卷积神经网络的每层参数:
将输入层的输入维度设置为(2,L),L为步骤(1b)选取的整数;
将第一个卷积层的输入维度设置为(2,L),输出维度设置为(340,128);
将第一个池化层的池化方式设置为最大池化,输入维度设置为(340,128),输出维度设置为(170,128);
将第二个卷积层的输入维度设置为(170,128),输出维度设置为(170,64);
将第二个池化层的输入维度设置为(170,64),输出维度设置为(85,64);
将展平层设置的输入维度设置为(85,64),输出维度设置为5440;
将第一个、第二个、第三个全连接层的输入维度依次设置为5440、128、64,输出维度依次设置为128、64、11;
第六步,将每个节点的数据集分别输入到对应节点上的调制识别卷积神经网络中,对调制识别卷积神经网络进行训练,得到训练好的调制识别卷积神经网络;
第七步,对于某一帧数字化信号,若能量检测算法处理结果为存在无线信号,则将该帧数字化信号输入调制识别卷积神经网络中,进行LoRa调制信号的识别;
第八步,对于某一帧数字化信号,若能量检测算法处理结果为存在无线信号,则将此帧数字化信号输入调制识别卷积神经网络中,进行LoRa信号调制方式的识别。
7.根据权利要求4所述的多节点软件无线电平台的Lora信号监测方法,步骤(6c)中所述K均值聚类算法的步骤如下:
第一步,取所有节点同一时刻上传的数据组中的最大值,作为待分类数据的类别数K;
第二步,将上传至云服务器的每组数据的中心频率和带宽转换为中心频率带宽坐标;
第三步,从所有中心频率,带宽坐标点中随机取P个点作为中心点,所述P的取值与待分类数据的类别数K相等;
第四步,计算所有中心频率带宽坐标到每个类的中心点的距离,将每个距离中心点最短的中心频率带宽坐标,划分到该中心点的所属类别;
第五步,对每个类中的中心频率带宽坐标值取平均,将每类取平均后的中心频率带宽坐标,作为该类新的中心点;
第六步,重复以上步骤,直到每类中心点在每次迭代后不变化为止,得到K类数据组和K个中心点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910331465.8A CN110138468B (zh) | 2019-04-24 | 2019-04-24 | 多节点软件无线电平台的Lora信号监测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910331465.8A CN110138468B (zh) | 2019-04-24 | 2019-04-24 | 多节点软件无线电平台的Lora信号监测***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110138468A true CN110138468A (zh) | 2019-08-16 |
CN110138468B CN110138468B (zh) | 2020-08-25 |
Family
ID=67570837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910331465.8A Active CN110138468B (zh) | 2019-04-24 | 2019-04-24 | 多节点软件无线电平台的Lora信号监测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110138468B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111586706A (zh) * | 2020-04-10 | 2020-08-25 | 西安电子科技大学 | 长距离广域信道检测方法、***、存储介质、物联网终端 |
CN112261607A (zh) * | 2020-10-23 | 2021-01-22 | 莱盟通信科技(上海)有限公司 | 一种端云结合的室内无线网络智能监测*** |
CN113630299A (zh) * | 2021-09-22 | 2021-11-09 | 江苏亨通太赫兹技术有限公司 | 一种深度学习通讯处理***及应用其的通讯链路 |
CN114296032A (zh) * | 2021-12-17 | 2022-04-08 | 中国航天科工集团八五一一研究所 | 一种基于fpga的实时复杂信号识别与参数估计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170041170A1 (en) * | 2015-08-07 | 2017-02-09 | Soongsil University Research Consortium Techno-Park | Cooperative spectrum sensing system using sub-nyquist sampling and method thereof |
CN106603976A (zh) * | 2016-12-09 | 2017-04-26 | 西华大学 | 一种智能微波频段无线电监测控制*** |
CN107122738A (zh) * | 2017-04-26 | 2017-09-01 | 成都蓝色起源科技有限公司 | 基于深度学习模型的无线电信号识别方法及其实现*** |
US20180091336A1 (en) * | 2016-09-27 | 2018-03-29 | Bae Systems Information And Electronic Systems Integration Inc. | Techniques for implementing a portable spectrum analyzer |
CN208190661U (zh) * | 2018-05-08 | 2018-12-04 | 天津与时数据科技有限公司 | 一种LoRa信号强度监测终端设备 |
-
2019
- 2019-04-24 CN CN201910331465.8A patent/CN110138468B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170041170A1 (en) * | 2015-08-07 | 2017-02-09 | Soongsil University Research Consortium Techno-Park | Cooperative spectrum sensing system using sub-nyquist sampling and method thereof |
US20180091336A1 (en) * | 2016-09-27 | 2018-03-29 | Bae Systems Information And Electronic Systems Integration Inc. | Techniques for implementing a portable spectrum analyzer |
CN106603976A (zh) * | 2016-12-09 | 2017-04-26 | 西华大学 | 一种智能微波频段无线电监测控制*** |
CN107122738A (zh) * | 2017-04-26 | 2017-09-01 | 成都蓝色起源科技有限公司 | 基于深度学习模型的无线电信号识别方法及其实现*** |
CN208190661U (zh) * | 2018-05-08 | 2018-12-04 | 天津与时数据科技有限公司 | 一种LoRa信号强度监测终端设备 |
Non-Patent Citations (2)
Title |
---|
DMYTRO KUCHEROV等: "《Detection of Signals from a LoRa System Under Interference Conditions》", 《2018 INTERNATIONAL SCIENTIFIC-PRACTICAL CONFERENCE PROBLEMS OF INFOCOMMUNICATIONS. SCIENCE AND TECHNOLOGY (PIC S&T)》 * |
赵雄文等: "《基于高阶累积量和循环谱的信号调制方式混合识别算法》", 《电子与信息学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111586706A (zh) * | 2020-04-10 | 2020-08-25 | 西安电子科技大学 | 长距离广域信道检测方法、***、存储介质、物联网终端 |
CN111586706B (zh) * | 2020-04-10 | 2022-06-14 | 西安电子科技大学 | 长距离广域信道检测方法、***、存储介质、物联网终端 |
CN112261607A (zh) * | 2020-10-23 | 2021-01-22 | 莱盟通信科技(上海)有限公司 | 一种端云结合的室内无线网络智能监测*** |
CN113630299A (zh) * | 2021-09-22 | 2021-11-09 | 江苏亨通太赫兹技术有限公司 | 一种深度学习通讯处理***及应用其的通讯链路 |
CN114296032A (zh) * | 2021-12-17 | 2022-04-08 | 中国航天科工集团八五一一研究所 | 一种基于fpga的实时复杂信号识别与参数估计方法 |
CN114296032B (zh) * | 2021-12-17 | 2024-05-17 | 中国航天科工集团八五一一研究所 | 一种基于fpga的实时复杂信号识别与参数估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110138468B (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110138468A (zh) | 多节点软件无线电平台的Lora信号监测***及方法 | |
CN110166154B (zh) | 一种基于神经网络的软件无线电频谱监测识别的方法 | |
CN104883734B (zh) | 一种基于地理指纹的室内被动定位方法 | |
CN103916820B (zh) | 基于接入点稳定度的无线室内定位方法 | |
Xu et al. | Pedestrain monitoring system using Wi-Fi technology and RSSI based localization | |
CN103581831B (zh) | 基于WiFi以及移动终端的室内定位方法 | |
CN110031729A (zh) | 局部放电信号源的检测方法、***及数据融合分析单元 | |
CN112990026B (zh) | 基于对抗训练的无线信号感知模型构建、感知方法及*** | |
CN106550331A (zh) | 一种室内定位方法和设备 | |
CN106936517A (zh) | 一种异常无线电信号的自动识别***及其方法 | |
CN104869630A (zh) | 基于离线指纹库的伪基站快速定位方法与*** | |
CN110933628B (zh) | 基于孪生网络的指纹室内定位方法 | |
CN103997782B (zh) | 一种基于信号强度和抓包速率的无线ap探测定位的方法 | |
CN104393939A (zh) | 一种网格化无线电监测方法及*** | |
CN110543842A (zh) | 一种基于Wi-Fi信号的目标运动识别方法及*** | |
CN108809450A (zh) | 一种分布式频谱监测方法 | |
CN109947238A (zh) | 一种基于wifi的非合作式手势识别的方法 | |
CN106027174A (zh) | 无线电监测无人值机***及该***的信号分析与识别方法 | |
CN104811977B (zh) | 一种侦听邻区的方法和设备 | |
CN106100776B (zh) | 基于无线台站网格监测***的频谱感知方法 | |
CN109752600B (zh) | 基于软件定义无线电技术的异常电磁信号分析***及方法 | |
CN208060701U (zh) | 一种基于微波的多目标分类*** | |
CN105162531B (zh) | 一种超短波宽带监测***及方法 | |
CN110991378B (zh) | 一种功率放大器个体识别方法及装置 | |
CN107396392A (zh) | 无线接入点的射频指标测试方法、装置、设备及存储介质 |
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 |