基于残差U-Net与N2N学习的LoRa跨技术干扰IQ信号去噪方法

《IEEE Internet of Things Journal》：LoRa Packet Recovery Under Cross-Technology Interference: A Decoder-Agnostic Approach Based on Noise-to-Noise Learning

　　

摘要：

未授权亚GHz频段的LoRa网络与IEEE 802.15.4g设备共存，产生跨技术干扰（CTI），导致数据包接收性能下降，尤其当IEEE 802.15.4g传输跨越多个连续的LoRa符号时。现有的物理层恢复技术（如LoRaSR）仅在干扰损坏单个LoRa符号的一部分时有效，但无法应对实际的多符号突发情况。我们提出了一种1维残差U-Net，在LoRa解码器之前对接收的同相/正交（IQ）信号进行预处理，该网络在IQ域中通过Noise-to-Noise（N2N）学习进行训练，无需干净的参考目标，训练数据由实验室采集的数据离线合成。我们使用在868.1 MHz下的真实USRP硬件采集数据评估了该去噪器，测试条件包括连续干扰、短突发干扰和真实的20毫秒突发干扰。该模型始终优于LoRaSR，在SF12 S3下，27个数据包中最多可额外获得14个头部有效数据包（在信号干扰比SIR为?40 dB、包内分布九个20毫秒突发的条件下，未辅助解码器为10个，而本模型为24个）。此外，在NVIDIA Jetson AGX Orin上的性能剖析证明了该模型适用于边缘网关部署，处理每个8.19毫秒窗口的接收信号仅需5.50毫秒，即快于实时。该方法进一步在三台物理分离的软件定义无线电上进行空中验证，两种技术在接收机前端之前在传播信道中合并，恢复的波形经确认可在第二个独立的LoRa物理层实现上解码。这些结果表明，学习型IQ去噪是解决LoRa CTI问题的一种可行且与解码器无关的方案：该阶段无需协议修改和干净的目标数据。