[发明专利]基于深度学习的LoRa调制信号检测方法

权利要求书

1.一种基于深度学习的LoRa调制信号检测方法，其特征在于，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，该方法的具体步骤包括如下：

(1)采集无线通信信号：

(1a)利用软件无线电装置，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，将采集到的无线通信信号存储到本地数据库中；

(1b)从(255，12800)的范围内选取一个整数，作为子信号长度，将无线通信信号切割成多个子信号；

(2)标记被切割后的每个子信号：

(2a)利用终端中的LoRa解调器，对切割后的每个子信号进行解调操作；

(2b)按照下述数据码标记规则，将能够被LoRa解调器解调的每个子信号分别标记为相应的前导码、数据包、校验位三种数据类型中的一种：

将能被LoRa解调器解调为前导码的每个子信号均标记为前导码数据类型；

将能被LoRa解调器解调为数据包的每个子信号均标记为数据包数据类型；

将能被LoRa解调器解调为校验位的每个子信号均标记为校验位数据类型；

当LoRa解调器对子信号的解调结果同时包含一个以上数据码类型时，则将具有最长序列长度的数据码类型作为该子信号的数据类型；

(2c)将不能被LoRa解调器解调为LoRa数据码的每个子信号，均标记为噪声信号；

(3)生成训练特征集和测试特征集：

(3a)对标记后的每个子信号任取前十六分之一到三分之一组数据以及剩余数据分别进行快速傅里叶变换FFT，将快速傅里叶变换后的信号，作为该子信号的频率特征向量，组成频率特征向量集合；

(3b)利用批量归一化方法，对每个特征向量进行归一化处理；

(3c)将归一化处理后的所有特征向量按7：3的比例，随机划分为训练特征集和测试特征集；

(4)构建调制识别卷积神经网络：

(4a)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；

(4b)利用二维信号改造方法，设置调制识别卷积神经网络的每层参数；

所述二维信号改造方法是指，将输入层后一层的卷积层的卷积核数目设置为输入层最大维度的三分之一，卷积核步长设置为卷积核尺寸的一半，池化窗口和补偿设置为2；

(5)训练调制识别卷积神经网络：

(5a)将训练特征集输入到调制识别卷积神经网络中；

(5b)采用限量迭代训练法，对调制识别卷积神经网络进行训练，直到调制识别卷积神经网络的所有参数收敛，得到训练好的调制识别卷积神经网络；

(6)检测LoRa调制信号：

(6a)将测试特征集中的每个样本输入到训练好的调制识别卷积神经网络中，得到测试特征集的检测结果；

(6b)将检测结果中包含前导码数据类型，数据包数据类型以及校验位数据类型的测试特征集，判定为包含LoRa调制信号。

2.根据权利要求1所述的基于深度学习的LoRa调制信号检测方法，其特征在于，步骤(3b)中所述的批量归一化方法是指，线性函数归一化方法、0均值标准化、自编码器归一化中的任意一种。

3.根据权利要求1所述的基于深度学习的LoRa调制信号检测方法，其特征在于，步骤(4b)中所述调制识别卷积神经网络的每层参数设置如下：

将输入层的输入维度设置为2×L，L表示采样点间隔；

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；

将三个全连接层的激活函数均设置为ReLu函数，损失函数采用交叉熵损失函数。

4.根据权利要求1所述的基于深度学习的LoRa调制信号检测方法，其特征在于，步骤(5b)中所述限量迭代训练法是指，梯度下降方法、逐层预训练方法、拟牛顿方法三种方法中的任意一种。