[发明专利]基于深度学习的LoRa调制信号检测方法

说明书

本发明公开了一种基于深度学习的LoRa调制信号检测方法，通过对待检测信号进行傅里叶变换，提取信号的频率特征向量，构建一个调制识别卷积神经网络来检测LoRa调制信号，克服了现有LoRa信号被识别有效率低、误判率高，且需要使用特征工程的问题。本发明包括以下步骤：(1)采集无线通信信号；(2)标记被切割后的每个子信号；(3)生成训练特征集和测试特征集；(4)构建调制识别卷积神经网络；(5)采集无线通信信号；(6)对测试特征集进行检测。本发明具有在复杂的通信环境下，LoRa信号检出率高的优点，可用于检测LoRa信号的无线通信应用类型。

技术领域

本发明属于通信技术领域，更进一步涉及无线通信技术领域中的一种基于深度学习的长距离广域LoRa(Long-Range)调制信号检测方法。本发明可用于在天线接收到无线信号的情况下，在软件无线电装置中，直接对输入信号的时间、频率信息进行检测，完成LoRa调制方式的识别。

背景技术

无线通信信号的信号检测是指在不知道发送端发送何种调制模式的信号的情况下，判断接收的信号调制方式、对信号参数进行估计的过程。在电子侦察、电子对抗、信号监督等通信场景下，及时检测到接收到的通信信号的调制方式、对信号的速率及扩频因子进行估计，为接收端后续的信号解调过程提供信源信息和信道参数。LoRa信号的自动检测一是基于能量检测的信号检测，二是基于统计机器学习的信号检测。能量检测不需要信号的先验信息，这种方法根据观测信号的能量来确定被检测信号是否存在，它不涉及复杂的信号处理，且计算开销比较低。基于统计机器学习的信号检测具有完备的理论依据，并保证了在损失函数最小代价准则下调制识别效果最佳。然而前两种调制模式识别方法都需要人工提取接收信号的统计特征值，在实际工程中，随着通信的电磁环境日益复杂，尤其在低信噪比的条件下，这种基于特征工程的方法的识别性能会急剧下降。

厦门四信通信科技有限公司在其申请的专利文献“LoRa多符号速率的接收处理方法”(申请号：201810163221.9，申请公布号：108390842A)中提出了一种对多符号速率的LoRa信号的检测方法。该方法首先初始化待接收数据的LoRa节点初始化扩频因子为7，通过持续监测输入信号的RSSI信号强度来评估信号的能量大小，一旦RSSI超过门限值，则认为空口有LoRa数据；若监测不到有效的LoRa数据，则切换到下一个扩频因子，继续检测此符号速率下的LoRa信号。该方法存在不足之处的是，由于这种方法通过检测信号的强度来判断空口是否存在LoRa信号，在存在其他调制方式的信号的环境下，该方法会将其他调制信号误判为LoRa信号。

电子科技大学在其申请的专利文献“基于神经网络的LoRa终端最大发送速率动态预测方法”(专利申请号201810030502.7，公布号108199892A)中提出了一种基于神经网络的LoRa信号检测方法。该方法首先构建神经网络架构，并对神经网络进行训练，然后在保证正常通信情况下，通过将LoRa服务器解析到的信噪比、信号强度输入到训练好的神经网络，输出预测LoRa信号的最大发送速率，LoRa服务器再告知终端接收到的是何种最大发送速率的LoRa信号。这种信号检测方法存在的不足之处在于：在默认接收的信号是LoRa信号的情况下，判断是具有何种最大发送速率的LoRa信号，这种方法只能用于具有服务器的LoRa终端；且需要提前通过LoRa服务器提取信噪比、信号强度等参数，没有解决避免使用特征工程的问题。

发明内容

本发明的目的在于针对上述现有技术存在的不足，提出的一种基于深度学习的LoRa调制信号检测方法，解决了目前LoRa调制信号检测方法都具有识别有效率低，且需要使用特征工程的问题，使得终端在复杂通信环境下，仍能具有良好的LoRa调制信号检出率。

实现本发明目的的思路是，本发明通过对待检测信号进行傅里叶变换，提取信号的频率特征向量，然后构建一个调制识别卷积神经网络来检测LoRa调制信号。

本发明的具体步骤如下：

(1)采集无线通信信号：