CN111769904B - 一种反向散射通信***中多反射设备并行传输的检测方法 - Google Patents

Abstract

本发明属于通信技术领域，具体涉及一种反向散射通信***中多反射设备并行传输的检测方法。本发明的方法针对一个接入点和多个反射设备的***，通过最大期望算法对接收信号进行聚类后，对接收信号的星座点进行分类，最终完成对星座点的聚类；然后根据不同反射设备的位边界处接收信号星座点的跃迁信息，利用FM0编码在位边界处电平跳变的特性，将聚类后的簇按照不同反射设备在位边界处跳变的情况，划分为高电平组和低电平组，再按照对应的划分方式对反射设备的数据进行解码。本发明可以在无需信道状态信息和导频的条件下，实现多个反射设备的并行传输的检测与解码。

Description

一种反向散射通信***中多反射设备并行传输的检测方法

技术领域

本发明属于通信技术领域，具体涉及一种反向散射通信***中多反射设备并行传输的检测方法。

背景技术

反向散射通信***是通过阅读器产生并发送射频正弦载波给附近的反向散射设备(后文简称为反射设备)(即标签)提供能量并承载反射设备信息回传给阅读器。其典型代表是RFID技术，RFID阅读器发送正弦载波给标签，标签接收到的信号一部分用于能量收集来满足标签电路的正常工作，另一部分用于反向散射，以把标签的信息传输给阅读器。反向散射通信技术可以使标签摆脱电池的束缚，解决了物联网传感器的能源问题，在未来物联网中发挥重要作用。

现有的反向散射通信***多标签传输接收机算法存在一些不足。以RFID***为例，RFID中多标签并行传输时，多个标签之间会发生碰撞。目前主流的处理方法是通过时分多路的方式防止多个标签的碰撞，分为非确定性防碰撞算法和确定性防碰撞算法两个大类。以ALOHA算法为代表的非确定性防碰撞算法的缺点是容易出现标签饥饿现象，以二进制搜索算法为代表的确定性防碰撞算法的缺点是当标签数量较多时，查询树的深度将会非常深，影响阅读器读写速度。并且，无论时确定性防碰撞算法还是确定性防碰撞算法都没有真正实现多个标签的并行传输检测，这限制了***的吞吐量性能。

发明内容

本发明的主要内容是提出一种反向散射通信***中多标签并行传输的信号检测方法。

本发明采用的技术方案为：

反向散射通信***包括一个接入点和多个反射设备，所述接入点配置一根或者多根天线用于信号的发送和接收，接入点发送下行信号或者纯载波信号，反射设备根据信息比特选择不同的反向散射系数进行反向散射，接入点进行自干扰消除并检测反射设备的信号；其特征在于，所述检测方法包括以下步骤：

S1、接入点发送下行信号；信号形式包括但不限于纯载波信号、OFDM信号、WiFi信号、蜂窝信号、或者其他射频信号；

S2、反射设备进行能量收集，并根据自身携带的信息对接收信号进行反向散射；反射设备的功率反射系数被配置为接入点已知的固定常数，反射设备吸收接入点发射的信号并从中获取能量。反射设备通过不断改变天线阻抗的方式将入射信号以不同的幅度和相位反射回接入点，实现对入射信号的调制，从而达到与接入点通信的目的。***中的多个反射设备可以同时向接入点反射信号，接入点将从接收到的叠加信号中恢复出各个反射设备的信息；

S3、接入点接收反向散射的信号，进行自干扰消除并检测反射设备的信号：反射设备在数字域和(或)模拟域重构该自干扰信号并将其从接收信号中消除，然后利用机器学习聚类算法和反射设备的编码特征实现对反射设备信息的恢复；具体为：

当M个反射设备同时发送信号时，接入点接收到的信号y(n)为各个反射设备信号的叠加；假设反射设备的信号周期为接入点发射信号的周期的D倍，则接入点第q根接收天线的接收信号为：

其中，p为接入点的发射功率，α_m为第m个反射设备的功率反射系数，f_m,q表示接入点第q根接收天线到第m个反射设备的信道响应，g_m,q表示第m个反射设备到接入点第q根接收天线的信道响应，s(n)表示接入点发送的信号，x_m为第m个反射设备的信号，u_q(n)是功率为σ²的加性高斯噪声；

接收机对连续D个符号进行合并，建立每根天线上的观测量

通过对第(l-1)D到第lD个符号进行合并，l＝1,...,L，L表示观测符号块的数目，接收机所有天线得到的相应观测样本点记为

Q是接收机天线数目；将连续LD个s(n)符号周期内得到的样本组合起来，得到观测向量

的分布符合高斯混合模型，

映射的星座点将会出现2^M个簇，即

符合2^M元高斯混合模型，对观测向量的星座点进行聚类：

令K＝2^M，

的概率密度函数为：

其中θ＝(π₁,π₂,π₃,...,π_K,θ₁,θ₂,θ₃,...,θ_K)，π_k是权重系数，表示第k个高斯分量在高斯混合模型中所占的权重，且

θ_k＝(μ_k,Σ_k)，μ_k是高斯分量的均值，Σ_k是协方差矩阵，

是高斯分布概率密度函数：

引入引变量γ_l＝[γ_l1,γ_l2,γ_l3,...,γ_lk,...,γ_lK]，其中l＝1,2,3,...,L，γ_lk的定义如下：

定义

为完全观测数据，获得完全观测数据的对数似然函数为：

使用最大期望算法进行聚类，最大期望算法包括E步和M步，E步为求Q函数，Q函数是完全数据的对数似然函数

在给定观测数据y和当前参数θⁱ的条件下，对引入变量γ_l的条件概率的期望：：

M步为求函数Q(θ,θⁱ)对θ的极大值；通过不断迭代执行E步和M步，最终使估计值θ收敛；

获得最大期望算法迭代得到的值后，对接收信号y(n)的星座点进行分类，最终完成对星座点的聚类；

收集不同反射设备的位边界处接收信号y(n)星座点的跃迁信息，利用FM0编码在位边界处电平跳变的特性，将聚类后的簇按照不同反射设备在位边界处跳变的情况，划分为高电平组和低电平组；

获得不同的簇的划分方式后，按照对应的划分方式对反射设备的数据进行解码。

本发明的有益效果为：本发明提出了基于最大期望算法和反射设备数字编码跳变特性的并行传输检测方法，通过机器学习技术将并行检测问题转换为聚类问题，并且，可以在无需信道状态信息和导频的条件下，实现多个反射设备的并行传输的检测与解码。

附图说明

图1：反向散射通信***的示意图；

图2：并行传输反向散射通信***的传输帧结构图；

图3：反射设备示意图；

图4：两个反射设备并行传输时接收信号星座图；

图5：FM0编码示意图；

图6：两个反射设备并行传输示意图；

图7：接收信号在反射设备1位边界时刻星座点的跃迁情况；

图8：反射设备1对簇的分组过程；

图9：T₀时刻示意图；

图10：反射设备2对簇的分组结果；

图11：基于EM和DBSCAN聚类的并行传输检测算法误码率曲线图；

图12：基于EM聚类的并行检测算法在不同反射设备数目下的误码率对比图。

具体实施方式

下面结合附图对本发明的技术方案做进一步详细描述：

首先，如图1所示，本发明提出的反向散射通信***，包括一个接入点(比如RFID***读写器、或者其他类型反向散射通信***的接入点)和M(M≥1)个反射设备；

如图2所示，所有的反射设备在同一时间向接入点反射信号；

如图3所示，所述的每个反射设备包括：

反向散射天线模块：用于接收和反射环境接入点的信号；

反向散射调制模块：根据信息符号改变天线的负载阻抗，实现反向散射调制；

微控制器模块：用于控制反射设备的通信过程；

信号处理器模块：用于反射设备进行基本的信号处理，比如控制信号的解码等；

射频能量收集器和电池模块：用于从入射信号中收集能量并为电池充电，实现对所有模块供电；

其他模块，包括存储、感测、时钟等单元。

反射设备通过故意切换负载阻抗来调制其接收到的入射信号，以改变其反向散射信号的幅度和/或相位，并且反向散射信号被全双工接入点接收并最终解码。

本发明提出一种多反射设备并行传输的反向散射通信以及并行检测方法，包括以下步骤：

S1.接入点发送下行信号；

S2.反射设备进行能量收集，并根据自身携带的信息对接收信号进行反向散射；

S3.接入点接收反向散射的信号，进行自干扰消除并检测反射设备的信号；

进一步的，所述步骤S1中的信号形式包括但不限于未调载波信号、OFDM信号、WIFI信号、蜂窝信号、或者其他射频信号：

所述步骤S2中反射设备的功率反射系数被配置为接入点已知的固定常数，反射设备吸收接入点发射的信号并从中获取能量。反射设备通过不断改变天线阻抗的方式将入射信号以不同的幅度和相位反射回接入点，实现对入射信号的调制，从而达到与接入点通信的目的。***中的多个反射设备同时向接入点反射信号，接入点将从接收到的叠加信号中恢复出各个反射设备的信息。

所述步骤S3中，反射设备在数字域和(或)模拟域重构该自干扰信号并将其从接收信号中消除，然后利用机器学习聚类算法和反射设备的编码特征实现对多个并行传输的反射设备信息的恢复。

下面，详细介绍在数据发送阶段的信号处理流程，进而提出多反射设备并行传输检测方法。

***相关的信息描述为：s(n)表示接入点发送的信息符号，x_m表示第m个反射设备的信息符号，假设反射设备的符号周期为接入点发射符号周期的D倍(D≥1)。假设信道为准静态信道，用f_m,q表示接入点第q根接收天线到第m个反射设备的信道响应，g_m,q表示第m个反射设备到接入点第q根接收天线的信道响应。第m个反射设备的功率反射系数用α_m表示。

假定接入点的发射功率为P，则接入点第q个接收天线接收到来自第m个反射设备的反向散射信号可以写为：

由于M个反射设备同时反射信号，接入点接收到的信号为各个反射设备信号的叠加。假设接收机有具备Q个接收天线，则第q个接收天线的的接收信号

其中u_q(n)是功率为σ²的加性高斯噪声，

接收机对连续D个符号进行合并，由于信号s(n)对于接收机是已知的，因此可以建立每根天线上的观测量

其中s^*(n)表示信号s(n)的共轭。通过对第(l-1)D到第lD个符号进行合并，l＝1,...,L，接收机所有天线得到的相应观测样本点记为

进一步，将连续LD个s(n)符号周期内得到的样本组合起来，记为观测向量

注意到，上述

遵循高斯混合模型，现以两个反射设备并行传输、接收机采用单天线为例进行说明。当并行传输的反射设备数目M＝2时，

可以写为：

典型地，s(n)服从分布

且D是一个大整数(实际应用中反射设备信号x_m的符号率远远低于接入点发送下行信号s(n)的符号率)，则

服从如下分布：

由上述可知，当M个反射设备同时发送信息时，接收信号

的分布符合高斯混合模型(Gaussian Mixture Model,GMM)。接收信号

映射的星座点将会出现2^M个簇。如图4所示，在M＝2时，接收信号

在星座图上映射出4个簇。图中带箭头的虚线表示信道向量，可以看出当反射设备1发送‘1’而反射设备2发送‘0’时，接收信号的星座点会坐落于图中标号为2的簇中。反之，反射设备1发送‘0’而反射设备2发送‘1’时，接收信号会坐落于标号为4的簇中。当反射设备1和反射设备2都发送‘1’时，接收信号会坐落于标号为1的簇中。当两个反射设备均发送‘0’时，接收信号的星座点将在标号为3的簇中。

所述步骤S3中，并行检测算法先利用期望最大(Expectation Maximization,EM)算法对接入点处接收信号的星座点进行聚类，将星座点聚类为多个独立的簇。然后，利用FM0的电平跳变特性获取聚类后的簇与各个反射设备发送数据之间的映射关系，实现在无信道信息和导频的情况下解码各个反射设备的信息。

步骤S3中得聚类过程如下：

符合2^M元GMM模型。令K＝2^M，

的概率密度函数可以表示为：

其中θ＝(π₁,π₂,π₃,...,π_K,θ₁,θ₂,θ₃,...,θ_K)。π_k是权重系数，表示第k个高斯分量在GMM模型中所占的权重，且

是高斯分布概率密度函数，θ_k＝(μ_k,Σ_k)，其表达式如下：

EM算法通过引入了隐变量γ_n的方式构建了一个更容易求解的函数。

隐变量γ_l＝[γ_l1,γ_l2,γ_l3,...,γ_lk,...,γ_lK]，其中l＝1,2,3,...,L。γ_lk的定义如下：

此时，定义

为完全观测数据。完全观测数据的对数似然函数可以表示为：

EM算法是通过不断迭代更新的方式逐渐接近最优解的。每轮迭代由E步和M步构成，通过不断迭代执行E步和M步，最终使估计值θ收敛于某值。

令θⁱ和θⁱ⁺¹分别代表第i轮迭代前和迭代后θ的值。EM算法中E步是求Q函数。Q函数是完全数据的对数似然函数

在给定观测数据y和当前参数θⁱ的条件下，对引入变量γ_l的条件概率的期望：

EM算法的M步是求函数Q(θ,θⁱ)对θ的极大值，即求解θⁱ⁺¹。

分别用

和

表示待更新的参数θⁱ⁺¹中均值和方差，以及权重系数。

将公式7分别对μ_k，Σ_k，π_k求偏导并令其等于0，则可以求出

结果如下：

EM算法一定会收敛，但是不一定收敛于全局最优解，也可能会收敛于局部最优解。EM算法对初始值很敏感，选择不同的初值，收敛的结果可能不一样。因此，可先使用k-means++算法对接收信号

进行预聚类，然后根据聚类结果计算出EM算法的初始值，再用EM算法迭代得到最终分类结果，尽可能保证聚类的准确性。

步骤S3中簇与反射设备数据的映射关系获取过程如下：

现有的商用反射设备使用FM0进行编码，FM0编码的规则是：如果数据位为‘1’，则电平在数据位开始处发生翻转并持续到下一个数据位开始之前。如果数据位为‘0’，则电平在数据位开始处发生翻转，并且在数据位的中间时刻再次翻转。

图5为FM0编码的示意图，可以看出无论数据是‘0’还是‘1’，波形在每个数据位的开始时刻，都有一个翻转。将每个数据位开始的时刻称为“位边界”。

此外，多个反射设备同时反射信号时，反射设备之间是不同步的。图6展示了两个反射设备单接收天线的并行传输情况。图中(a)为反射设备1处的原始信号，反射设备1的周期为30us，响应时延为10us。(b)为反射设备2处的原始信号，反射设备2的周期为32us，响应时延为30us。(c)为反射设备1和反射设备2产生的反向散射信号传播至接入点处产生的叠加信号。图中较长的虚线，且标注t_1,m的时刻为反射设备1的位边界时刻。较短的点划线，且标注t_2,m的时刻为反射设备2的位边界时刻。可以看出两个反射设备的位边界多数时刻都是不重合的。

由于FM0编码会在位边界处发生电平翻转，这使接收信号

的星座点在各反射设备的位边界时刻发生跃迁。图7是反射设备1的位边界t_1,1～t_1,6时刻电平翻转导致

的星座点在不同簇之间跃迁的情况。可以看出，

的星座点在t_1,1时刻由标号为D的簇跳跃至标号为B的簇，t_1,2时刻由C跳至A，t_1,3和t_1,4时刻由B跳至D，t_1,5时刻由C跳至A，t_1,6时刻由B跳至C。

采集接收信号

在所有反射设备的位边界处星座点的跃迁信息。如表1和表2所示，分别是反射设备1和反射设备2在不同位边界时刻的星座点的跃迁信息。

表1：接收信号在反射设备1位边界时刻星座点跃迁信息

表2：接收信号在反射设备2位边界时刻星座点跃迁信息

根据FM0的编码特征可知，跃迁前的簇和跃迁后的簇一定代表反射设备的相反电平。对于反射设备来说，通过其在位边界处的跃迁信息，可以将星座图上的簇分为2组，其中某一组代表反射设备m的高电平，另一组代表反射设备m的低电平。

图8是根据表1中反射设备1的位边界跃迁信息对星座图上簇分组的过程。(a)表示在BD1的位边界t_1,1时刻，接收信号

的星座点从标号为D的簇跃迁至标号为B的簇。这意味着对于BD1来说，簇B和簇D代表相反的电平。(b)表示在t_1,2时刻，星座点由C跳至A，意味着簇C和簇A代表BD1的相反电平。(c)表示在t_1,6时刻，星座点由B跳跃至C，则簇C和簇B代表BD1的相反电平。(d)表示由于簇B与簇C、簇D均为相反电平，所以簇C和簇D具有相同电平。

此外，在每一轮通信中都存在一个时刻：所有的反射设备均没有反射信号，用T₀表示这段时间。在T₀时刻，所有的反射设备都在充电状态，均为低电平。如图9所示，通过观察接收信号

的星座点位置，可以发现在T₀时刻星座点出现在X组中，这说明X组代表反射设备1的低电平，Y组代表反射设备1的高电平。因此，簇C和簇D表示反射设备1发送的数据为’0’，簇A和簇B表示反射设备1发送的数据为数据’1’。

通过上述步骤，在没有信道信息和导频的情况下获得了聚类后簇与反射设备1的发送数据之间的映射关系。此时可以完成对反射设备1的解码，如表3所示：

表3：反射设备1信息解码

最终获得反射设备1的信息为‘01011010011010011001’，解码完成。

反射设备2的解码步骤和反射设备1一样，根据表2的信息为星座点的簇进行分组，结果如图10所示。可以看出，因为每个反射设备的位边界跃迁信息不同，导致不同反射设备对星座图上簇的分组不一样。反射设备2将簇分成了P和Q两个组，P组包含簇A和簇C，Q组包含簇B和簇D。由于接收信号

在T₀时刻的星座点落在Q组，因此Q组中的簇表示反射设备2为低电平，P组中的簇表示反射设备2为高电平。

上述为反射设备2解码信息的过程，获得反射设备2的信息为‘011010010101100101’，如表4，解码完成。

表4：反射设备2信息解码

通过上述步骤可以得知，当多个反射设备并行传输时，接收机可以先通过聚类算法将星座点进行聚类。然后，借助FM0编码的电平跳变特性，根据每个反射设备在它位边界时刻的星座点跃迁信息将簇分组，然后解码出反射设备的信息。

使用密度聚类(DBSCAN)的并行检测算法作为对比方案，与本专利所提出的并行检测算法进行对比。

DBSCAN是一种基于密度的聚类算法。DBSCAN以数据之间的紧密程度作为分类标准，同一个类别中的数据之间应该是紧密相连的。将全部数据按照是否紧密集中在一起的判断标准，划分为一个又一个的类别，最终完成对数据的聚类。

DBSCAN有两个重要参数，一个参数是邻域半径eps，是指某个数据的邻域半径大小。另一个参数是最少数目对象minPts。

假设有一点P，如果在P点以eps为半径的邻域内，数据点的个数不少于minPts，则称P点为核心对象。如果有另外一个点Q在P的eps邻域内，则称P-Q直接密度可达。如果点Q的eps邻域内数据点大于minPts，则点Q也是核心对象。若点K在Q的eps邻域内但不在P的eps邻域内，则称K-Q直接密度可达，K-P间接密度可达。判断K发现其eps半径内的邻域数据点少于minPts个，则K不是核心对象，称K为边界点。边界点无法再向下传播。

DBSCAN聚类的步骤：首先，任意选择一个没有经过分类的核心对象，找到这个核心对象的所有密度可达的点，即从核心点向外传播直至遇到边界点无法再传播时，将这些数据点归为一个集合，则完成了一个类别的聚类。然后继续选择新的核心对象，并寻找其密度可达点，然后聚类。重复这个过程，直到所有的核心对象都被分类，聚类完成。

***中有多个反射设备并行传输，接入点配备一根或者两根接收天线。信道为高斯信道，假设在传输过程中信道系数不发生大的变化。EM算法收敛的门限ε＝10^-3，当EM算法的迭代更新小于收敛门限时，就停止迭代。

从图11可以看出在给定条件下，无论接收机是单天线还是双天线，本发明提出的基于EM聚类的并行检测算法的误码率都低于使用DBSCAN聚类的算法。

其次可以看出，无论是EM聚类的并行检测算法还是DBSCAN聚类的并行检测算法，其双天线接收机的误码率都低于单天线接收机的误码率，接收机天线数目越多则性能越好。本算法的误码率来自于聚类过程中的误码，当星座点的簇之间发生重合或者混叠时，单天线接收机对于星座点的聚类准确度将会受到影响。而多天线则可以使接收机接收到的信号具有更高的维度，当星座点在某一个维度(即接收样本点(向量)

中的某一元素)上发生重合或混叠时，在另外一个维度可能是分离的。因此，多天线接收机可以提升聚类的准确度，多天线比单天线具更低的检测误码率。

另外，通过仿真结果可以看出，在低信噪比的情况下，基于DBSCAN聚类的并行检测算法性能较差。例如在SNR＝7dB时，无论是单天线接收机还是双天线接收机，基于DBSCAN聚类的并行检测算法的误码率都在50％左右，这意味着接收机无法解码。这是因为低信噪比下接收信号的星座点分布的比较散，簇之间存在相互渗透的情况。根据DBSCAN聚类的原理可知，簇之间的界限模糊会导致不同类别的核心质点之间形成密度可达关系，从而使本来应该独立的两个类合并，最终分类数目错误，从而造成接收机完全无法解码。与DBSCAN算法不同，EM算法是一种软聚类算法，通过计算每个数据点对各类别的响应度，实现数据的聚类。因此，即便在低信噪比条件下簇发生重合时，EM算法仍然能够保证正确的聚类数目。由此可以看出，本发明所提出的多反射设备并行传输检测算法具有很大的性能优势。

图12展示了接收机配备2根接收天线的情况下，基于EM聚类的并行检测算法分别在2个反射设备和3个反射设备并行传输时的误码率曲线。可以看出，在相同信噪比条件下3个反射设备并行通信的误码率高于2个反射设备并行通信时的误码率。这是由于并行通信的反射设备越多，则接收信号的星座点越密集，簇之间的距离更近，增加了聚类错误的概率。

Claims (1)

1.一种反向散射通信***中多反射设备并行传输的检测方法，所述反向散射通信***包括一个接入点和多个反射设备，所述接入点配置一根或者多根天线用于信号的发送和接收，接入点发送下行信号或者纯载波信号，反射设备根据信息比特选择不同的反向散射系数进行反向散射，接入点进行自干扰消除并检测反射设备的信号；其特征在于，所述检测方法包括以下步骤：

S1、接入点发送下行信号；

S2、反射设备进行能量收集，多个反射设备同时向接入点反射信号，其中发射设备的功率反射系数为接入点已知的固定常数；

S3、接入点接收反向散射的信号，并检测反射设备的信号；具体为：

当M个反射设备同时发送信号时，接入点接收到的信号y(n)为各个反射设备信号的叠加；反射设备的信号周期为接入点发射信号的周期的D倍，则接入点第q根接收天线的接收信号为：

其中，p为接入点的发射功率，α_m为第m个反射设备的功率反射系数，f_m,q表示接入点第q根接收天线到第m个反射设备的信道响应，g_m,q表示第m个反射设备到接入点第q根接收天线的信道响应，s(n)表示接入点发送的信号，x_m为第m个反射设备的信号，u_q(n)是功率为σ²的加性高斯噪声；

接收机对连续D个符号进行合并，建立每根天线上的观测量

通过对第(l-1)D到第lD个符号进行合并，l＝1,...,L，L是观测符号块的数目，接收机所有天线得到的相应观测样本点记为

Q是接收机天线数目；将连续LD个s(n)符号周期内得到的样本组合起来，得到观测向量

的分布符合高斯混合模型，

映射的星座点将会出现2^M个簇，即

符合2^M元高斯混合模型，对观测向量的星座点进行聚类：

令K＝2^M，

的概率密度函数为：

其中θ＝(π₁,π₂,π₃,...,π_K,θ₁,θ₂,θ₃,...,θ_K)，π_k是权重系数，表示第k个高斯分量在高斯混合模型中所占的权重，且

θ_k＝(μ_k,Σ_k)，μ_k是高斯分量的均值，Σ_k是协方差矩阵，

是高斯分布概率密度函数：

引入引变量γ_l＝[γ_l1,γ_l2,γ_l3,...,γ_lk,...,γ_lK]，其中l＝1,2,3,...,L，γ_lk的定义如下：

定义

为完全观测数据，获得完全观测数据的对数似然函数为：

使用最大期望算法进行聚类，最大期望算法包括期望步和最大化步，期望步为求Q函数，Q函数是完全数据的对数似然函数

在给定观测数据y和当前参数θⁱ的条件下，对引入变量γ_l的条件概率的期望：：

最大化步为求函数Q(θ,θⁱ)对θ的极大值；通过不断迭代执行期望步和最大化步，最终使估计值θ收敛；

获得最大期望算法迭代得到的值后，对接收信号y(n)的星座点进行分类，最终完成对星座点的聚类；

收集不同反射设备的位边界处接收信号y(n)星座点的跃迁信息，利用FM0编码在位边界处电平跳变的特性，将聚类后的簇按照不同反射设备在位边界处跳变的情况，划分为高电平组和低电平组；

获得不同的簇的划分方式后，按照对应的划分方式对反射设备的数据进行解码。

Images