随着物联网(IoT)技术的兴起,低功耗广域网(LPWAN)技术因其长距离通信和低功耗特性而逐渐受到关注。在LPWAN技术中,LoRa已成为最受欢迎和广泛采用的解决方案之一[1]。它可以通过啁啾扩频技术实现几公里的覆盖范围,并连接数千个低功耗设备[2]。然而,LoRa技术的实际部署面临多个技术挑战。它使用的未经许可的工业科学医疗(ISM)频段存在严重的干扰问题。在长距离传播过程中,多径效应和阴影衰落会严重影响信号质量。同时,基于ALOHA的随机接入机制[3]在网络负载较高时会导致数据包碰撞概率急剧增加。再加上环境噪声的影响,这些因素共同限制了LoRa系统的通信可靠性,对物理层信号检测和解调技术提出了严峻挑战。
在实际工作中,LoRa信号的前导码通常用于唤醒接收器,使其能够接收数据并切换到数据处理模式[4]。考虑到LoRa采用基于数据包的传输机制,每个数据包都必须依赖前导码来实现精确的时频同步。一旦前导码检测错误,将直接导致相应数据包中所有信息的丢失[5],从而显著降低后续同步和解调的准确性。目前,关于LoRa的文献和研究正在迅速增长。然而,大多数内容集中在调制和解调阶段或其频谱和波形特性的分析上[6]、[7]。最近,研究重点逐渐转向LoRa的低复杂度同步算法设计[8]、[9]、[10],以及在各种干扰下的性能分析和误差分析[10]、[11]、[12]、[13]。在这些研究中,偶尔会提到前导码检测,但并未将其作为关键研究对象。
在LoRa前导码检测中,系统在基于ALOHA的随机接入协议下运行,该协议允许设备在未经事先授权的情况下进行传输。因此,尽管发射机和接收机都已知前导码波形,但其确切的传输时间和出现时间无法提前确定。为了解决这种不确定性,当前的前导码检测方法可以分为三类:(1)通过传统解调进行基于阈值的检测[14]、[15]、[16]、[17];(2)使用机器学习方法进行前导码检测和参数估计[18]、[19]、[20];(3)基于概率信号模型派生的统计驱动检测器[21]、[22]、[23]。
[14]中的传统方案通过检测连续的DFT频率箱是否超过固定幅度阈值来识别前导码信号。然而,这种静态阈值方法在具有动态信噪比变化的真实世界信道中适应性较差,经常导致检测失败。尽管[15]考虑了时间偏移的影响,但它缺乏对偏移对帧错误率影响的全面分析,特别是在阈值优化方面。Tung等人[16]开发了一种假设完美同步的前导码检测算法,结合了相干和非相干检测。然而,该方法仅在高信噪比条件下保持稳定性能,在低信噪比场景下鲁棒性显著下降。尽管[17]在SDR平台上实现了该算法,但它很大程度上继承了[16]的核心框架,并未解决低信噪比条件下的根本限制。基于阈值的检测方法存在两个关键问题:使用未经理论优化的经验阈值,以及继续依赖传统的去啁啾-FFT解调结构。这种架构在LoRa信号的频率跳变过程中引入了显著的带外噪声,进一步降低了系统的信噪比。在多径环境中,这个问题更加严重,噪声放大严重削弱了检测的可靠性。
机器学习方法为LoRa前导码检测提供了新的技术途径。[18]使用神经网络实现信号识别,但其计算复杂性限制了实时应用。[19]通过深度学习构建了射频指纹识别方案,有效解决了载波频率偏移补偿问题。[20]中提出的端到端神经网络直接从时频域提取特征,显著提高了检测可靠性。尽管这些方法提供了高检测精度,但它们对大量训练数据和计算密集型操作的依赖性与LoRa终端设备的低功耗要求存在根本冲突。这种冲突在资源受限的IoT节点中尤为明显,参数估计的复杂性进一步限制了实际部署的可行性。
基于概率建模的传统前导码检测算法取得了显著进展。例如,Diamant[21]提出了一种标准化匹配滤波算法,Kang[22]将检测任务表述为一个优化问题,Wang[23]针对时序和频率偏移进行了鲁棒性分析。尽管这些研究解决了之前工作[14]、[15]、[16]、[17]忽略误报率考虑的局限性,但它们仍然基于频谱分析的统计信号处理,并继续依赖于传统的“去啁啾+FFT”解调框架。由于FFT仅提供全局频域的信息,这种方法本质上无法消除解调过程中引入的额外噪声这一核心问题。为了克服这一限制,本文提出了一种基于时频分析的新前导码检测方法。
本文提出了一种使用STFT的LoRa前导码检测新算法。与传统的频域技术不同,所提出的方法直接使用STFT处理接收到的信号,将分析扩展到时频域[24]、[25]。这种方法减轻了去啁啾过程中通常引入的带外噪声,同时有效捕获了LoRa信号的时变和局部频谱特性。因此,该算法对瞬时频率偏移和突发干扰具有鲁棒性。为了提高检测精度,STFT窗口函数针对LoRa信号的特定啁啾特性进行了优化。这种优化将前导码能量集中在时频平面内,从而提高了其抗噪声能力。在此优化窗口内推导出前导码时频系数的统计特性,从而能够开发出一个二元假设检验框架来考虑前导码时序的不确定性。我们的核心创新在于将前导码时序不确定性转化为一个可解决的几何问题:从LoRa啁啾结构派生的离散时频路径模型使得沿信号轨迹的相干积分具有可证明的最优性。这一理论突破使得GLRT检测器具有Neyman-Pearson最优性。这一过程建立了测试统计量与相干信号积分之间的数学关系,从而确定了最佳检测阈值。
实验结果表明,所提出的算法在低信噪比条件下显著优于现有方法,实现了更高的前导码检测成功率。此外,对后续同步阶段时序误差方差的分析进一步证明了其优越性能。