无线mesh网络多信道射频ISR方法研究

刘耕昕，胡曼青，张 燕，潘艳艳

(电子科技大学成都学院，四川 成都 610000)

1 引言

无线mesh网络是由路由器与客户端构成的，其中，路由器是网络的骨干，将骨干与有线Internet网络进行连接，目的是为客户端提供多跳的无线Internet连接，而无线mesh网络也被称之为多跳网络，该网络与传统的无线网络是完全不同的全新无线网络技术。传统的无线局域网内，每一个客户端都利用一条和访问接入点(AP，Access Point)相连的无线链路对网络进行访问，从而形成一个局部的基本服务集(BSS，Basic Service Set)。而用户要想互相通信，那么就需要先对一个固定接入点进行访问，而这种模式也被称为单跳网络。相反，在无线mesh网络的运行模式内，不论是任何设备的节点，全都可以同时当作路由器与AP，在网络内各个节点之间发送或者是接收信号，任何一个节点都能够和其中一个或者是多个节点进行通信。此结构的优点在于：若临近的AP因为流量过大情况，从而造成的拥塞，那么信息则自动重新路由至一个通信流量比较小的临近节点实现传输。以此类推，数据包还能够依据网络的情况，继续路由至最近的下一个节点实现传输，从而最终到达目的地，这样的访问即为多跳访问。

无线mesh网络虽然是取消了节点之间的布线需求，不过还是具有分布式网络所提供的重新路由与冗余机制。若要添加新的设备，仅需要简单地接上电源即可，它就能够自动配置，且确认最优多跳路经，同时移动或者是添加某些设备时，网络本身可以发现拓扑的变化，同时自动调整通信路由，以此来获得最优的传输路经。且与传统的WLAN对比，安装部署简单、NLOS实现简单、稳定性强、构造灵活、高带宽以及能够在室外使用。

同时，科研人员为将无线mesh网络应用于物料管理、生产线自动化、停车场管制、门禁监制以及汽车晶片防盗器等多自动化管理中，周鑫等人[1]提出采用图像深度学习法解决无线电信号的识别问题，对无线电信号进行具象化，变成二维图像，把无线电的信号识别转换成图像识别中目标的检测问题，实现对信号识别能力的提升；苏健等人[2]针对多标签的碰撞情况，提出基于子帧的动态帧时隙Aloha方法，识别的过程中会利用设定子帧进行观测，通过空闲和碰撞时隙数间的关系对剩余标签数估计，依次预估结果来优化设置新帧长。

不过由于外界的干扰或者是自身的误识别等原因，识别结果容易出现识别误码率。为此本文提出一种无线mesh网络多信道射频信号智能识别方法，通过RFID(Radio Frequency Identification)阅读器和标签之间的非接触式数据通信方式，使数据信号进入阅读器以后发射射频信号获得能量，令阅读器对信息进行读取，经过解码传输至中央信息处理系统，记录媒体实现读写，从而达到识别数据交换的目的。最终通过信号的发送者和接收者间时钟晶振的微小差别，接收者评估并补偿两种间频率偏差值，即完成射频信号的智能识别。

2 无线mesh网络变量分析

无线mesh网络的拓扑图，是一个无向图G=(V，E)，V代表无线mesh网络的节点集合，E代表无线链路的集合。具体模型的变量叙述如下：

k(u)代表无线路由器的射频接口数，|C|代表可用的信道个数，d(u，υ)代表节点u与υ之间距离，RT代表通信传输的半径，RI代表干扰半径，A(u)代表节点u分配信道的集合，N(e)代表链路e潜在冲突域的集合，I(e)代表链路e潜在干扰域的集合，f(e)代表链路e上网络的流量，c(e)代表链路e最大的容量。相对于随意两节点u，υ∈V，在d(u，υ)≤RT时能够通信，且能够分配相同信道[3]。

当信道分配的过程中，若存在随意两个节点处于传输范围中，那么最少要分配一个相同信道，若节点x与u和υ是分配相同的信道，且min{d(x，u)，d(x，υ)}≤RI，那么节点x不能传输数据。

相对于协议的模型，定义u↔υ∈E，x↔y∈E的两个链路是作为潜在干扰的链路(两个链路在分配同个信道时，那么会互相干扰)，仅节点x或者y处于以节点u与υ为中心，而半径则为RT干扰的圆中，那么就有可能具有相互干扰的作用，即为min{d(u，x)，d(u，y)，d(υ，x)，d(υ，y)}≤RI。

3 多信道射频信号的智能识别

3.1 信号特征提取

3.1.1 瞬时特征分析

将在获得射频信号的载波频率正交下变频至基带，可以计算得出IQ正交复包络信号，fs代表采样频率，即可得到N点采样的序列为z(n)，(n=0，1，2，…，Ns)。而对于采样的序列z(n)公式为

z(n)=xI(n)+j·xQ(n)，n=0，1，…，Ns-1

(1)

瞬时相位公式为

(2)

因为tg-1是按照模2π的来对相位序列φ(n)计算的，所以相位真值超出[0，2π]，就需要按照模2π对相位序列进行计算，就会出现相位卷叠情况。所以，要实现φ(n)相位卷叠。在清除相位卷叠φuw(n)后的序列[5]。

若对φ(n)去相位折叠，需要先计算修正的相位序列C(n)，具体公式为

(3)

将C(0)设置为0，那么无折叠相位序列φuw(n)公式为

φuw(n)=φ(n)+C(n)

(4)

最终在去除线性的相位干扰之后，获得实际相位序列φNL(n)，具体公式为

(5)

现对于离散序列的瞬时频率，其具体计算公式为

(6)

因为计算机处理的是离散信号，所以信号瞬时相位缺失绝对意义，变成某个时间起点相位差值，这样就无法实现简单归一化至[0，2π]，因此，不能直接当成特征判断。不过，相邻码元间相位跳变，具有绝对意义，以此反映出信号的调制区别[6]。

3.1.2 瞬时时频特征处理

因为信号段瞬时频率、相位以及幅度能够对射频信号类型进行分类，不过由于信号信噪比一旦在变化信道内不同时，则瞬时特征变化值也会出现不稳定的状态，因此，不能够完成自动提取目的。所以需要构建3个稳定信号的特征，具体公式为

(7)

上式中：acn(i)代表零中心的归一化瞬时幅度，具体公式为

acn(i)=an(i)-1

(8)

在式中：γmax表示信号在中心瞬时幅度中的最大值，用来区分信号。因为γmax能够用来区分包括幅度的信息以及不包括幅度的信息信号[7]。可以得到公式为

(9)

式中：φcn(i)=Δφ′NL(i)-π/2，所以σap代表信号码元差分的相位中心非线性分量的绝对值偏差，σap代表区分含有绝对相位信息以及不含有绝对相位信息信号。其中，射频信号码元的差分相位，它的取值是0与π。不过中心对准后，则绝对值的常数则为π/2，所以它并不具有绝对相位信息。而因为无线mesh网络是具有绝对的码元差分相位信息，具体可以得到公式为

(10)

3.1.3 特征提取

对瞬时频率、瞬时相位以及瞬时幅度进行计算，求出各信号段的每个特征值，接着在计算完总信号帧以后会生成各自特征序列，将其作为神经网络特征矢量，具体如下所示；

1)利用上述信号分段算出第i段瞬时频率、瞬时相位以及瞬时幅度，将其作为输入序列，n=1，2，…，Ns。

2)首先对各自特征值计算，作为第i值，存储在各自的序列内。

3)回到第1)步，计算M段瞬时序列，所产生的此信号长度为M特征值矢量序列。

通过上述步骤，即可完成信号的特征提取[9]。

3.2 信号智能识别实现

无线mesh网络射频信号把数据映射至复数域，将其作为信号调制的一部分，所以，能够一段传输信号代表成一个复数的序列，其中x[n]代表发送序列第n个传输的信号，y[n]代表传输信号通过无线信道降低后所接收的复数序列，而y[n]=Hx[n]+w[n]，式中，H代表信号的发送者和接收者间的信道参数，w[n]代表信号高斯的白噪声[10]。

在网络内具有许多数据并发传输时，那么接收序列y[n]=yA[n]+yB[n]，其中yi[n]=Hixi[n]+wi[n]的特征信号识别结果R(y，p)公式为

(11)

如果仅有信号xA[n]内包括特征序列S，因为特征序列S是独立于xB[n]与w[n]的，那么可以得到公式为

(12)

如果匹配成功，那么R(y，p)1能够表示为

(13)

4 实验证明

4.1 实验一

为了验证本文识别方法的有效性，实验使用是载波频率150kHz，而采样频率则为1200kHz，比载频高出4倍，单次实验过程内，选择200个训练样本以及1000个检验样本，通过本文方法对无线mesh网络射频信号进行识别，可以获得识别结果如图1所示。

图1 本文信号识别结果

通过图1能够看出，本文方法能够很好地识别出信号频率波动，不过由于外界的干扰信号以及自身轻微噪声干扰等，导致信号识别的过程中，会出现轻微的波动，不过这并不影响整体的信号识别。

4.2 实验二

为了进一步证明本文方法的效果，选取500实验数据，将本文方法与文献[1]、文献[2]对比，通过判断识别误码率/信噪比的曲线验证，过程中使用了100次统计平均，而其中噪声采用的是高斯白噪声n(θ)～N(0，σ2)。具体三种方法的对比结果，如图2所示。

图2 不同方法的识别精度对比结果分析

图3 不同方法的识别误码率对比结果分析

通过观察图2、3能够看出，本文的识别精度一直处于98%以上，随着识别的数据增加，虽然出现了轻微的上下波动，不过数值一直处于平稳状态，并没有随着数据增加出现下降的趋势，而文献[1]和文献[2]方法虽然在实验的过程中识别精度一直处于94%～92%之间，不过却随着实验数据的增加，出现明显的下降趋势。而识别误码率本文方法一直是处于1%～2%之间，没有随着数据的增加，出现识别误码率上升的情况，反之，文献[1]和文献[2]方法的识别误码率，会随着数据的增加，出现呈现缓慢上升的趋势。

5 结束语

提出的无线mesh网络多信道射频信号智能识别方法，与其它方法对比，识别精度较高，识别误码率较低，所以以此可以证明本文识别方法效果良好。不过由于在识别的过程中，仍然会具有轻微的波动，这也是导致可能出现误识别的原因，因此，本文还需进一步对智能识别方法进行研究，争取能够更加精确进行识别，彻底避免误识别的情况发生。