基于深度学习的低信噪比LoRa信号识别研究

目录

声明

第一章 绪论

1.1 研究背景与意义

1.2 研究现状

1.2.1 信号检测方法

1.2.2 信号去噪方法

1.2.3 深度学习

1.3 研究内容及贡献点

1.4 论文组织结构

第二章 LoRa技术及深度学习相关理论

2.1 LoRa技术简介

2.1.1 LoRa物理层

2.1.2 LoRaWAN协议

2.2 深度神经网络简介

2.2.1 激活函数和反向传播算法

2.2.2 损失函数及优化算法

2.3 本章小结

第三章 低延迟网络中 LoRa 信号识别研究

3.1 低信噪比 LoRa信号检测方法

3.1.1 问题描述

3.1.2 基于信号互相关性的 LoRa信号检测方法

3.2 不同神经网络模型对识别准确率的影响

3.2.1 不同神经网络模型简介

3.2.2 不同神经网络模型结果对比

3.3 CNN模型的超参数设置对性能的影响

3.3.1 网络卷积层数对模型性能的影响

3.3.2 卷积核对模型性能的影响

3.4 基于 LT-CNN 网络模型的 LoRa信号识别

3.4.1 模型设计

3.4.2 实验结果验证与分析

3.5 本章小结

第四章 容迟网络中低信噪比 LoRa 信号识别研究

4.1 基于 FRFT的低信噪比 LoRa 信号预处理

4.1.1 分数阶傅里叶变换理论基础

4.1.2 基于 FRFT 的含噪声信号时频域分析

4.1.3 基于 FRFT 滤波算法的 LoRa信号预处理

4.2 网络超参数设置对模型性能的影响

4.3 基于 Fr-CNN网络模型的 LoRa信号识别

4.3.1 模型设计

4.3.2 实验结果验证与分析

4.4 本章小结

第五章 实验验证与结果分析

5.1 实验设置

5.2 LT-CNN 模型实验验证与结果分析

5.2.1 与 LoRa 本身方法的实验对比

5.2.2 LT-CNN模型性能结果分析

5.2.3 不同影响因素对 LT-CNN模型性能的影响

5.2.4 LT-CNN模型实验结论

5.3 Fr-CNN 模型实验验证与结果分析

5.3.1 与 LoRa本身方法的实验对比

5.3.2 Fr-CNN 模型性能结果分析

5.3.3 不同影响因素对 Fr-CNN模型性能的影响

5.3.4 Fr-CNN模型实验结论

5.4 本章小结

总结与展望

本文工作总结

未来展望

参考文献

致谢