基于信號(hào)模板匹配的LoRa物聯(lián)網(wǎng)信號(hào)智能檢測(cè)

孟水仙，翟春奇，尹 良

(1.內(nèi)蒙古自治區(qū)無線電監(jiān)測(cè)站，內(nèi)蒙古 呼和浩特 010090；2.北京郵電大學(xué) 信息與通信工程學(xué)院，北京 100876)

0 引言

隨著物聯(lián)網(wǎng)的蓬勃發(fā)展,越來越多的設(shè)備和傳感器被連接到互聯(lián)網(wǎng)上,可以自動(dòng)收集、分析和共享數(shù)據(jù),幫助提高生產(chǎn)效率,改善用戶體驗(yàn)。物聯(lián)網(wǎng)信號(hào)應(yīng)用非常廣泛,涉及許多領(lǐng)域和應(yīng)用場(chǎng)景[1]。

遠(yuǎn)距離無線電(Long Range Radio, LoRa)信號(hào),作為物聯(lián)網(wǎng)信號(hào)的一種,以長(zhǎng)距離、低功耗的特點(diǎn)被廣泛應(yīng)用于各領(lǐng)域、各場(chǎng)景,比如智慧城市[2]、智慧停車[3]中的設(shè)備互聯(lián)與數(shù)據(jù)收集、工業(yè)與農(nóng)業(yè)物聯(lián)網(wǎng)[4-5]中低成本監(jiān)測(cè)控制、能源管理[6]中各儀表的數(shù)據(jù)收集與遠(yuǎn)程監(jiān)測(cè)。隨著物聯(lián)網(wǎng)技術(shù)的不斷發(fā)展,其應(yīng)用領(lǐng)域還將不斷擴(kuò)大。

無線電監(jiān)測(cè)是指對(duì)無線電信號(hào)進(jìn)行實(shí)時(shí)監(jiān)測(cè)和分析,在物聯(lián)網(wǎng)應(yīng)用中,信號(hào)監(jiān)測(cè)可以保證數(shù)據(jù)傳輸?shù)目煽啃浴⑻岣呔W(wǎng)絡(luò)效率,對(duì)物聯(lián)網(wǎng)應(yīng)用的正常運(yùn)行和安全性具有重要意義[7]。信號(hào)檢測(cè)是無線電監(jiān)測(cè)中關(guān)鍵的一步,可以通過特定的算法判斷信號(hào)的有無,以了解其使用情況、干擾情況和可用性。信號(hào)模板匹配[8]作為一種信號(hào)檢測(cè)方法,可用于在接收到的信號(hào)中檢測(cè)和定位特定的信號(hào)模式,其算法簡(jiǎn)單、直觀、易于實(shí)現(xiàn),在很多領(lǐng)域得到了廣泛應(yīng)用,例如雷達(dá)信號(hào)處理、音頻信號(hào)處理和圖像識(shí)別等[9-11]。

林肖輝等[12]對(duì)第二代自動(dòng)鏈路建立信號(hào)(2G-ALE)提出了一種基于頻譜模板匹配的2G-ALE信號(hào)自動(dòng)識(shí)別方法。王琨鵬等[13]對(duì)基于模板匹配的雷達(dá)輻射源信號(hào)識(shí)別進(jìn)行了研究。李靖超等[14]使用基于聚類算法的模板匹配識(shí)別多類調(diào)制方式。李璐[15]使用模板匹配濾波技術(shù)檢測(cè)微弱地震信號(hào)。李琰等[16]提出了一種基于圖像分割和模板匹配的短波跳頻信號(hào)盲檢測(cè)算法。目前使用信號(hào)模板匹配算法做特定信號(hào)識(shí)別的實(shí)例比較多,也有學(xué)者對(duì)特定信號(hào)檢測(cè)運(yùn)用信號(hào)模板匹配算法,但是使用模板匹配對(duì)物聯(lián)網(wǎng)信號(hào)進(jìn)行檢測(cè)識(shí)別的研究較少。

本文基于信號(hào)模板匹配算法,對(duì)物聯(lián)網(wǎng)信號(hào)中的典型信號(hào)——LoRa進(jìn)行了智能檢測(cè)。首先介紹了LoRa信號(hào)的相關(guān)理論,包括特定帶寬與擴(kuò)頻因子(Spreading Factor,SF)等,其次闡述了模板匹配中的相關(guān)算法,最后基于采集到的信號(hào)數(shù)據(jù),運(yùn)用特定LoRa信號(hào)模板對(duì)復(fù)雜電磁環(huán)境中的LoRa信號(hào)做智能檢測(cè),給出了檢測(cè)結(jié)果和具體信號(hào)定位信息。

1 LoRa物聯(lián)網(wǎng)信號(hào)與模板匹配算法

1.1 LoRa物聯(lián)網(wǎng)信號(hào)

LoRa遠(yuǎn)距離無線電是一種無線通信協(xié)議,特別適用于低功率和長(zhǎng)距離的應(yīng)用。LoRa物理層采用線性調(diào)頻擴(kuò)頻(Chirp Spread Spectrum,CSS)調(diào)制,而CSS調(diào)制的核心是Chirp調(diào)制,以此實(shí)現(xiàn)在低功耗和長(zhǎng)傳輸距離條件下的高可靠性數(shù)據(jù)傳輸。

LoRa通信中,Chirp調(diào)制采用的是線性掃頻,也稱為線性調(diào)頻(Linear Frequency Modulation,LFM)。頻率線性掃描的一個(gè)Chirp信號(hào)頻率變化如圖1所示。可以看出,在一個(gè)掃頻周期內(nèi),信號(hào)頻率f隨時(shí)間呈線性變化。

圖1 中心頻率在fRF的線性掃頻信號(hào)Fig.1 Linear sweep signal with center frequency at fRF

在圖1所示的Chirp調(diào)制中,無論頻率掃描方式如何,都不包含變化的信號(hào),無法直接用來傳遞信息。LoRa在Chirp調(diào)制的基礎(chǔ)上采用了CSS技術(shù),通過改變掃頻的初始頻率,來實(shí)現(xiàn)不同信息的傳遞。

傳遞了3個(gè)符號(hào)(symbol)的頻率線性掃描波形如圖2所示。可以看出,傳遞3個(gè)符號(hào)使用不同的起始頻率,當(dāng)頻率隨時(shí)間線性增長(zhǎng)到達(dá)頻率上限時(shí),此時(shí)CSS調(diào)制規(guī)定,在時(shí)間連續(xù)的前提下,后續(xù)的頻率以頻率下限為起點(diǎn)重新線性增長(zhǎng),使用不同的起始頻率來傳遞不同的符號(hào)信息。

圖2 CSS調(diào)制線性掃頻Fig.2 CSS modulation linear sweep frequency

為了明確無線傳輸中每個(gè)符號(hào)與傳輸比特?cái)?shù)的關(guān)系,LoRa定義了SF,表示每個(gè)符號(hào)中包含的信息比特?cái)?shù),也就是將每個(gè)符號(hào)擴(kuò)頻到2SF碼片上進(jìn)行傳輸,同時(shí)也將不同的符號(hào)映射到了不同的CSS調(diào)制初始頻率。

Ncode=2SF,

(1)

式中:Ncode為碼片數(shù)量。

同時(shí),協(xié)議對(duì)LoRa信號(hào)帶寬有著明確規(guī)定,發(fā)射LoRa信號(hào)時(shí)帶寬要遵守協(xié)議規(guī)定[17]。

不同的信號(hào)帶寬與SF可以組合成多種不同類型的LoRa信號(hào)來傳遞不同信息量的信息。

1.2 信號(hào)模板匹配算法

信號(hào)模板匹配算法是一種常用的信號(hào)處理方法,用于在一個(gè)信號(hào)中找到與一個(gè)預(yù)定義模板最相似的部分。基本思路是將模板信號(hào)與待匹配信號(hào)進(jìn)行比較,計(jì)算二者特征向量的歐氏距離來衡量它們之間的相似程度,最小歐氏距離對(duì)應(yīng)的模板即為最佳匹配模板,輸出該模板得到匹配結(jié)果。

以8位灰度圖像為例,m×n大小的模板T疊放在W×H大小的被搜索圖S上平移,模板覆蓋被搜索圖的區(qū)域稱為子圖Sij,i,j為子圖左上角在被搜索圖S上的坐標(biāo),搜索范圍1≤i≤W-n,1≤j≤H-m。假設(shè)有M個(gè)類別的信號(hào)模板T1,T2,…,TM,第k個(gè)模板Tk的特征向量為n維特征,如式(2)所示:

Tk=(tk1,tk2,tk3,…,tkn)T。

(2)

Sij的特征向量Sij與Tk同維度:

Sij=(sij1,sij2,sij3,…,sijn)T。

(3)

使用式(4)所示的歐氏距離的大小來衡量Tk和Sij的相似性,差值越小,距離越近,匹配效果越好:

(4)

計(jì)算所有M個(gè)類別的信號(hào)模板與子圖Sij的歐氏距離后,若存在某一個(gè)p,使得:

d(Tp,Sij)

(5)

即第p個(gè)信號(hào)模板距離子圖Sij最近,則判定Tp為最佳匹配信號(hào)模板。

為了衡量信號(hào)模板與子圖的相關(guān)程度,引入歸一化相關(guān)系數(shù)的概念如式(6)所示,相關(guān)系數(shù)R(i,j)越接近于1,匹配效果越好,當(dāng)模板和子圖一致時(shí),相關(guān)系數(shù)R(i,j)計(jì)算結(jié)果等于1。在被搜索圖S中完成全部搜索后,找出R(i,j)的最大值,其對(duì)應(yīng)的子圖即為匹配目標(biāo),同時(shí)輸出R(i,j)最大時(shí)子圖所在位置的坐標(biāo),進(jìn)而進(jìn)行精確定位[18]。

R(i,j)=

(6)

2 基于信號(hào)模板匹配的LoRa信號(hào)檢測(cè)

采用信號(hào)模板匹配算法對(duì)復(fù)雜電磁環(huán)境中的LoRa信號(hào)進(jìn)行檢測(cè)和信號(hào)定位。LoRa信號(hào)匹配模板由矢量信號(hào)發(fā)生器N5182A結(jié)合Keysight的IoT 2023物聯(lián)網(wǎng)信號(hào)生成軟件根據(jù)不同的LoRa信號(hào)帶寬和SF生成,用于匹配的信號(hào)由Keysight的N9917A頻譜儀采集,處理成熒光譜圖后使用機(jī)器視覺圖像處理的方法進(jìn)行匹配與檢測(cè)。數(shù)據(jù)導(dǎo)入到Matlab軟件中,使用模板匹配算法,計(jì)算各模板與被檢測(cè)信號(hào)的歐氏距離與歸一化相關(guān)系數(shù),找到相關(guān)系數(shù)最大的坐標(biāo),輸出匹配結(jié)果與定位信息。系統(tǒng)模型如圖3所示。

圖3 LoRa信號(hào)模板匹配系統(tǒng)模型Fig.3 LoRa signal template matching system model

2.1 LoRa信號(hào)匹配模板生成

LoRa信號(hào)匹配模板由矢量信號(hào)發(fā)生器N5182A結(jié)合Keysight的IoT 2023物聯(lián)網(wǎng)信號(hào)生成軟件根據(jù)不同的LoRa信號(hào)帶寬和SF生成,根據(jù)LoRa協(xié)議規(guī)定以及IoT 2023軟件中的帶寬要求,可以生成的LoRa信號(hào)帶寬如表1所示,LoRa信號(hào)SF如表2所示。

表1 LoRa信號(hào)帶寬Tab.1 LoRa signal bandwidth 單位:kHz

由于大帶寬可以提供更高的信號(hào)傳輸速率,相同時(shí)間內(nèi)可以傳輸更多的信息量,同時(shí)大帶寬在SF固定的情況下可以帶來更高的符號(hào)傳輸速率,所以使用矢量信號(hào)發(fā)生器主要生成大帶寬下的不同SF的LoRa信號(hào)匹配模板。帶寬選擇為表1中的500、812.5、1 625 kHz;SF選擇表2中全部8種,最終生成的LoRa信號(hào)匹配模板如圖4所示,從左到右從上到下SF依次為SF5～SF12。

(a)500 kHz LoRa信號(hào)模板

(b)812.5 kHz LoRa信號(hào)模板

(c)1 625 kHz LoRa信號(hào)模板

2.2 信號(hào)模板匹配算法Matlab仿真

模板匹配是一種最原始、最基本的模式識(shí)別方法,研究某一特定對(duì)象物的圖案位于圖像的什么地方,進(jìn)而識(shí)別對(duì)象物,這是一個(gè)匹配問題。它是圖像處理中最基本、最常用的匹配方法。

模板匹配具有自身的局限性,主要表現(xiàn)在只能進(jìn)行平行移動(dòng),若原圖像中的匹配目標(biāo)發(fā)生旋轉(zhuǎn)或大小變化,該算法無效。本研究對(duì)于采集的信號(hào)處理成熒光譜圖后再進(jìn)行模板匹配,信號(hào)熒光譜圖不會(huì)發(fā)生圖片旋轉(zhuǎn)扭曲的情況,將模板匹配應(yīng)用到信號(hào)熒光譜圖中檢測(cè)信號(hào)無需考慮上述劣勢(shì);信號(hào)熒光譜圖除了顯示頻譜形狀外,還可以將不用的顏色來表示不同信號(hào)出現(xiàn)的概率,有顏色信息,相較于頻譜圖只顯示信號(hào)譜線,熒光譜圖會(huì)包含更多的信號(hào)信息。大帶寬的LoRa信號(hào)頂部平整,相較于其他環(huán)境中基本帶有毛刺的信號(hào),使用模板匹配檢測(cè)信號(hào)的準(zhǔn)確度更高,更容易與其他信號(hào)區(qū)分開,因此該方法應(yīng)用于熒光譜圖是十分合理的。具體算法流程如下:

① 數(shù)據(jù)預(yù)處理,待檢測(cè)數(shù)據(jù)處理成信號(hào)熒光譜圖,隨后進(jìn)行灰度圖像轉(zhuǎn)化。由于信號(hào)熒光譜圖是衡量信號(hào)強(qiáng)度隨頻率變化的圖表,同時(shí)帶有概率信息,做灰度圖像轉(zhuǎn)換,對(duì)信號(hào)強(qiáng)度和頻率都不會(huì)有影響。不同概率的不同顏色處理后會(huì)轉(zhuǎn)換成不同程度的灰度,信息都不會(huì)損失,而且做灰度圖像處理后,三維圖像降維成二維灰度圖像,數(shù)據(jù)量減小為1/3,使得相關(guān)算法的速度加快很多,灰度圖像轉(zhuǎn)換是非常有必要的[19]。

② 確定相關(guān)參數(shù)。確定子圖大小與待檢測(cè)信號(hào)大小,確定粗檢測(cè)步長(zhǎng),準(zhǔn)備檢測(cè)。

③ 開始檢測(cè),遍歷信號(hào)模板數(shù)據(jù)庫(kù),分粗檢測(cè)與細(xì)檢測(cè)2步。粗檢測(cè)中,左右遍歷步長(zhǎng)為模板列向量數(shù)量,上下遍歷步長(zhǎng)為模板行向量數(shù)量,分別計(jì)算模板與子圖的相關(guān)系數(shù),這樣可以用最小的計(jì)算量遍歷整個(gè)待檢測(cè)信號(hào)。找到相關(guān)系數(shù)最大的位置,以該位置為中心點(diǎn)向四周分別擴(kuò)散一個(gè)模板大小作為細(xì)檢測(cè)區(qū)域。細(xì)檢測(cè)中,以粗檢測(cè)輸出的檢測(cè)區(qū)域?yàn)榛A(chǔ),左右步長(zhǎng)與上下步長(zhǎng)分別為一個(gè)像素點(diǎn),遍歷整個(gè)細(xì)檢測(cè)區(qū)域,計(jì)算歐氏距離與歸一化相關(guān)系數(shù)。

④ 輸出檢測(cè)結(jié)果。細(xì)檢測(cè)結(jié)束后,找到歐氏距離最小或是歸一化相關(guān)系數(shù)最大的位置作為目標(biāo)位置,設(shè)置檢測(cè)閾值,超過該閾值的檢測(cè)為“有”,并且根據(jù)輸出的歸一化相關(guān)系數(shù)矩陣確定相關(guān)系數(shù)最大的位置的坐標(biāo),同時(shí)結(jié)合模板大小,將目標(biāo)位置標(biāo)注在待檢測(cè)信號(hào)中,完成信號(hào)定位。

上述提出的信號(hào)模板智能匹配算法是對(duì)原始模板匹配算法的一種改進(jìn),結(jié)合了對(duì)智能算法的思考,引進(jìn)了粗估計(jì)與細(xì)檢測(cè)的思想,可以在較大程度上減少算法的運(yùn)算量,降低復(fù)雜度,提高數(shù)據(jù)處理效率,在處理數(shù)據(jù)庫(kù)容量比較大、待檢測(cè)信號(hào)信息量比較大的檢測(cè)問題上效果尤為突出。

2.2.1 仿真結(jié)果

為了檢測(cè)不同干擾情況下的算法識(shí)別精準(zhǔn)度,根據(jù)LoRa信號(hào)的不同位置,設(shè)置LoRa信號(hào)分別在無干擾、大帶寬低信噪比、小帶寬高信噪比3種情況下進(jìn)行檢測(cè)。設(shè)置最大相關(guān)系數(shù)檢測(cè)閾值為0.5,運(yùn)行Matlab代碼,程序結(jié)果如圖5～圖7所示。

(a)500 kHz帶寬

(b)1 625 kHz帶寬

(c)812.5 kHz帶寬

(a)500 kHz帶寬

(b)1 625 kHz帶寬

(c)812.5 kHz帶寬

(a)500 kHz帶寬

(b)1 625 kHz帶寬

(c)812.5 kHz帶寬

對(duì)3種情況下3種不同帶寬的LoRa信號(hào)的檢測(cè)結(jié)果,繪制如圖8所示的連線散點(diǎn)圖。

圖8 3種情況下3種帶寬LoRa信號(hào)檢測(cè)結(jié)果Fig.8 LoRa signal detection results of three bandwidths in three cases

2.2.2 仿真結(jié)果分析

對(duì)于無干擾情況,LoRa信號(hào)與模板信號(hào)基本相同,相關(guān)系數(shù)比較高,可以很容易檢測(cè)出LoRa信號(hào),500、812.5 kHz兩種帶寬的LoRa信號(hào)相關(guān)系數(shù)基本超過0.9,1 625 kHz LoRa信號(hào)相關(guān)系數(shù)較低,但是也在0.8以上,檢測(cè)結(jié)果較好。

對(duì)于大帶寬低信噪比情況,由于信號(hào)疊加的影響,疊加后的信號(hào)與原始LoRa模板形狀有些許差距,檢測(cè)結(jié)果較無干擾情況略差,相關(guān)系數(shù)為0.75～0.8,3種帶寬的LoRa信號(hào)檢測(cè)效果基本相同。

對(duì)于小帶寬高信噪比情況,由于小帶寬高信噪比對(duì)原始信號(hào)產(chǎn)生的干擾更強(qiáng),會(huì)破壞原始頻譜形狀,對(duì)于3種不同帶寬的LoRa信號(hào),帶寬越大,對(duì)整體頻譜形狀產(chǎn)生的影響越大,檢測(cè)效果從高到低依次為500、812.5、1 625 kHz,總體相關(guān)系數(shù)為0.7～0.88。

2.2.3仿真結(jié)論

由于大帶寬LoRa信號(hào)的獨(dú)特頻譜形狀,以及模板匹配方法的劣勢(shì)在頻譜圖上不再存在的原因,由仿真結(jié)果可以看出,無論是無干擾、大帶寬低信噪比還是小帶寬高信噪比情況,最后的相關(guān)系數(shù)都能達(dá)到0.7以上。信號(hào)檢測(cè)問題的關(guān)鍵是判斷“有”和“無”,設(shè)置歸一化相關(guān)系數(shù)檢測(cè)閾值0.5,超過閾值即可判斷為待檢測(cè)信號(hào)中有目標(biāo)信號(hào)。3種情況下的仿真結(jié)果中最大歸一化相關(guān)系數(shù)都超過了 0.7,成功檢測(cè)到目標(biāo)信號(hào),并且可以智能地給出模板數(shù)據(jù)庫(kù)中相關(guān)性最大的LoRa模板。基于信號(hào)模板匹配的LoRa信號(hào)智能檢測(cè)是可行的。

由于電磁環(huán)境日益復(fù)雜,信號(hào)種類和頻譜形狀也越來越多,對(duì)于高強(qiáng)度信號(hào),如果LoRa信號(hào)在附近或者重疊,會(huì)對(duì)LoRa信號(hào)本身的比較規(guī)則的頻譜形狀產(chǎn)生干擾,對(duì)檢測(cè)結(jié)果會(huì)產(chǎn)生消極影響。此時(shí)需要從信號(hào)本身的結(jié)構(gòu)特點(diǎn)出發(fā),找出LoRa信號(hào)與其他信號(hào)在信號(hào)本身本質(zhì)上的區(qū)別。例如同樣使用模板匹配算法,算法的輸入可以是原始信號(hào)頻譜數(shù)據(jù)而不是頻譜圖或者熒光譜圖,亦或是在信號(hào)預(yù)處理部分,提取信號(hào)的某個(gè)或某些特征重組為一個(gè)特征矩陣,以該特征矩陣作為模板匹配算法的輸入,例如雷達(dá)信號(hào)可以估計(jì)并提取脈寬、脈沖重復(fù)間隔、脈內(nèi)和脈間調(diào)制方式等特征。除此之外,也可以考慮重新挑選衡量相似度的標(biāo)準(zhǔn),比如計(jì)算歐氏距離可以考慮更換為馬氏距離、夾角余弦距離等,不同的相似度衡量標(biāo)準(zhǔn)下的檢測(cè)結(jié)果也不盡相同,可以綜合考慮以實(shí)現(xiàn)對(duì)LoRa信號(hào)的高準(zhǔn)確度檢測(cè)。

3 結(jié)束語

本文選取物聯(lián)網(wǎng)信號(hào)中的LoRa信號(hào)作為研究對(duì)象,使用計(jì)算機(jī)視覺圖像處理領(lǐng)域的模板匹配算法,結(jié)合信號(hào)處理領(lǐng)域的熒光譜圖,對(duì)LoRa信號(hào)進(jìn)行檢測(cè)。由于大帶寬LoRa信號(hào)頻譜形狀的獨(dú)特性與熒光譜圖自身不會(huì)旋轉(zhuǎn)扭曲的特點(diǎn),使得模板匹配算法在LoRa信號(hào)的檢測(cè)中得以發(fā)揮作用。對(duì)傳統(tǒng)模板匹配算法進(jìn)行了智能改進(jìn),引進(jìn)了粗估計(jì)與細(xì)檢測(cè)的想法,很大程度上降低了運(yùn)算復(fù)雜度,提高了數(shù)據(jù)處理效率。從仿真結(jié)果來看,檢測(cè)結(jié)果較好,使用信號(hào)模板匹配算法對(duì)LoRa信號(hào)進(jìn)行智能檢測(cè)是可行的。最后分析出影響該方法準(zhǔn)確度的一些因素,并且基于信號(hào)自身特點(diǎn)與相似度衡量標(biāo)準(zhǔn)給出了高準(zhǔn)確度LoRa信號(hào)檢測(cè)的一些算法方向。