基于小尺度特征与深度学习的LoRa并发解调系统.pdfVIP

摘要

摘要

当前，LoRa技术由于其长通信距离、低运行功耗等优势在智慧农场、智慧城市、智能

监控等场景中得到了广泛的研究与应用。然而在有限的频带资源下，伴随着LoRa设备的大

规模部署，多个LoRa设备并行传输、相互干扰的概率将不断增大。现有的LoRa并发解调

方案中，基于介质访问控制层的方法受限于LoRa网络的低部署成本与低运行功耗难以实际

运行；基于物理层的方法多利用大尺度的静态特征来解调整个数据包，但受限于特征的维度

与精度，难以适用于大规模并发场景。

本文观察到，受收发端间采样时间偏差（SamplingTimeOffset,STO）、中心频率偏差

（CenterFrequencyOffset,CFO）及采样率偏差（SamplingFrequencyOffset,SFO）的影响，

整个数据包内每个符号的分数级频率偏移随时间规律变化且具备较强的时间相关性。本文将

整个数据包内每个符号随时间规律变化的分数级频率偏移，及基于分数级频率偏移求得的精

确幅值与相位特征统称为小尺度特征。由于不同收发端间各类偏差往往并不相同（STO、

CFO、SFO），因此受各类偏差影响、随时间规律变化的小尺度特征可更好地适用于并发解

调过程，提升符号区分时所用的特征维度与精度。同时，为了能在其他LoRa信号干扰及噪

声影响下逐符号地精确提取LoRa数据包的小尺度特征并学习其变化规律，本文基于深度学

习方法，利用复数卷积神经网络逐符号地筛选属于同一数据包符号频峰的小尺度特征，利用

复数长短期记忆网络来学习小尺度特征的变化规律、验证其时间相关性从而对卷积层的筛选

结果进行反馈。

本文利用商用LoRa节点SX1278与基站USRPB210搭建LoRa并发传输平台，并在不

同的场景和射频参数下进了广泛的验证。实验结果表明，相比于现有的工作，本文的方案在

各类场景下均可实现更高的网络吞吐量，从而提升LoRa网络并发解调性能与可扩展性。

关键词：LoRa，低功耗广域网，并发传输，神经网络，小尺度特征

I

II

Abstract

Abstract

Atpresent,LoRatechnologyhasbeenextensivelyresearchedandappliedinvarious

scenarios,suchassmartagriculture,smartcities,andintelligentmonitoring,duetoitsadvantages

oflongcommunicationrangeandlowpowerconsumption.However,withthelimitedbandwidth

resourcesandlarge-scaledeploymentofLoRadevices,theprobabilityofparalleltransmissionand

mutualinterferenceamongmultipleLoRadevicesiscontinuouslyincreasing.Amongexisting

LoRaconcurrentdemodulationschemes,methodsbasedonthemediumaccesscontrollayerare

limitedbythelowdeploymentcostandlowpowerconsumptionofLoRanetworks,makingthem

difficulttoimplementinpractice.Methodsbasedonthephysicallayeroftenrelyoninter-chip

staticfeaturesfordemodulatingentiredatapackets.However,thesemethodsareconstrainedby

thedimensio