無線mesh網絡多信道射頻ISR方法研究

劉耕昕，胡曼青，張 燕，潘艷艷

(電子科技大學成都學院，四川 成都 610000)

1 引言

無線mesh網絡是由路由器與客戶端構成的，其中，路由器是網絡的骨干，將骨干與有線Internet網絡進行連接，目的是為客戶端提供多跳的無線Internet連接，而無線mesh網絡也被稱之為多跳網絡，該網絡與傳統的無線網絡是完全不同的全新無線網絡技術。傳統的無線局域網內，每一個客戶端都利用一條和訪問接入點(AP，Access Point)相連的無線鏈路對網絡進行訪問，從而形成一個局部的基本服務集(BSS，Basic Service Set)。而用戶要想互相通信，那么就需要先對一個固定接入點進行訪問，而這種模式也被稱為單跳網絡。相反，在無線mesh網絡的運行模式內，不論是任何設備的節點，全都可以同時當作路由器與AP，在網絡內各個節點之間發送或者是接收信號，任何一個節點都能夠和其中一個或者是多個節點進行通信。此結構的優點在于：若臨近的AP因為流量過大情況，從而造成的擁塞，那么信息則自動重新路由至一個通信流量比較小的臨近節點實現傳輸。以此類推，數據包還能夠依據網絡的情況，繼續路由至最近的下一個節點實現傳輸，從而最終到達目的地，這樣的訪問即為多跳訪問。

無線mesh網絡雖然是取消了節點之間的布線需求，不過還是具有分布式網絡所提供的重新路由與冗余機制。若要添加新的設備，僅需要簡單地接上電源即可，它就能夠自動配置，且確認最優多跳路經，同時移動或者是添加某些設備時，網絡本身可以發現拓撲的變化，同時自動調整通信路由，以此來獲得最優的傳輸路經。且與傳統的WLAN對比，安裝部署簡單、NLOS實現簡單、穩定性強、構造靈活、高帶寬以及能夠在室外使用。

同時，科研人員為將無線mesh網絡應用于物料管理、生產線自動化、停車場管制、門禁監制以及汽車晶片防盜器等多自動化管理中，周鑫等人[1]提出采用圖像深度學習法解決無線電信號的識別問題，對無線電信號進行具象化，變成二維圖像，把無線電的信號識別轉換成圖像識別中目標的檢測問題，實現對信號識別能力的提升；蘇健等人[2]針對多標簽的碰撞情況，提出基于子幀的動態幀時隙Aloha方法，識別的過程中會利用設定子幀進行觀測，通過空閑和碰撞時隙數間的關系對剩余標簽數估計，依次預估結果來優化設置新幀長。

不過由于外界的干擾或者是自身的誤識別等原因，識別結果容易出現識別誤碼率。為此本文提出一種無線mesh網絡多信道射頻信號智能識別方法，通過RFID(Radio Frequency Identification)閱讀器和標簽之間的非接觸式數據通信方式，使數據信號進入閱讀器以后發射射頻信號獲得能量，令閱讀器對信息進行讀取，經過解碼傳輸至中央信息處理系統，記錄媒體實現讀寫，從而達到識別數據交換的目的。最終通過信號的發送者和接收者間時鐘晶振的微小差別，接收者評估并補償兩種間頻率偏差值，即完成射頻信號的智能識別。

2 無線mesh網絡變量分析

無線mesh網絡的拓撲圖，是一個無向圖G=(V，E)，V代表無線mesh網絡的節點集合，E代表無線鏈路的集合。具體模型的變量敘述如下：

k(u)代表無線路由器的射頻接口數，|C|代表可用的信道個數，d(u，υ)代表節點u與υ之間距離，RT代表通信傳輸的半徑，RI代表干擾半徑，A(u)代表節點u分配信道的集合，N(e)代表鏈路e潛在沖突域的集合，I(e)代表鏈路e潛在干擾域的集合，f(e)代表鏈路e上網絡的流量，c(e)代表鏈路e最大的容量。相對于隨意兩節點u，υ∈V，在d(u，υ)≤RT時能夠通信，且能夠分配相同信道[3]。

當信道分配的過程中，若存在隨意兩個節點處于傳輸范圍中，那么最少要分配一個相同信道，若節點x與u和υ是分配相同的信道，且min{d(x，u)，d(x，υ)}≤RI，那么節點x不能傳輸數據。

相對于協議的模型，定義u?υ∈E，x?y∈E的兩個鏈路是作為潛在干擾的鏈路(兩個鏈路在分配同個信道時，那么會互相干擾)，僅節點x或者y處于以節點u與υ為中心，而半徑則為RT干擾的圓中，那么就有可能具有相互干擾的作用，即為min{d(u，x)，d(u，y)，d(υ，x)，d(υ，y)}≤RI。

3 多信道射頻信號的智能識別

3.1 信號特征提取

3.1.1 瞬時特征分析

將在獲得射頻信號的載波頻率正交下變頻至基帶，可以計算得出IQ正交復包絡信號，fs代表采樣頻率，即可得到N點采樣的序列為z(n)，(n=0，1，2，…，Ns)。而對于采樣的序列z(n)公式為

z(n)=xI(n)+j·xQ(n)，n=0，1，…，Ns-1

(1)

瞬時相位公式為

(2)

因為tg-1是按照模2π的來對相位序列φ(n)計算的，所以相位真值超出[0，2π]，就需要按照模2π對相位序列進行計算，就會出現相位卷疊情況。所以，要實現φ(n)相位卷疊。在清除相位卷疊φuw(n)后的序列[5]。

若對φ(n)去相位折疊，需要先計算修正的相位序列C(n)，具體公式為

(3)

將C(0)設置為0，那么無折疊相位序列φuw(n)公式為

φuw(n)=φ(n)+C(n)

(4)

最終在去除線性的相位干擾之后，獲得實際相位序列φNL(n)，具體公式為

(5)

現對于離散序列的瞬時頻率，其具體計算公式為

(6)

因為計算機處理的是離散信號，所以信號瞬時相位缺失絕對意義，變成某個時間起點相位差值，這樣就無法實現簡單歸一化至[0，2π]，因此，不能直接當成特征判斷。不過，相鄰碼元間相位跳變，具有絕對意義，以此反映出信號的調制區別[6]。

3.1.2 瞬時時頻特征處理

因為信號段瞬時頻率、相位以及幅度能夠對射頻信號類型進行分類，不過由于信號信噪比一旦在變化信道內不同時，則瞬時特征變化值也會出現不穩定的狀態，因此，不能夠完成自動提取目的。所以需要構建3個穩定信號的特征，具體公式為

(7)

上式中：acn(i)代表零中心的歸一化瞬時幅度，具體公式為

acn(i)=an(i)-1

(8)

在式中：γmax表示信號在中心瞬時幅度中的最大值，用來區分信號。因為γmax能夠用來區分包括幅度的信息以及不包括幅度的信息信號[7]。可以得到公式為

(9)

式中：φcn(i)=Δφ′NL(i)-π/2，所以σap代表信號碼元差分的相位中心非線性分量的絕對值偏差，σap代表區分含有絕對相位信息以及不含有絕對相位信息信號。其中，射頻信號碼元的差分相位，它的取值是0與π。不過中心對準后，則絕對值的常數則為π/2，所以它并不具有絕對相位信息。而因為無線mesh網絡是具有絕對的碼元差分相位信息，具體可以得到公式為

(10)

3.1.3 特征提取

對瞬時頻率、瞬時相位以及瞬時幅度進行計算，求出各信號段的每個特征值，接著在計算完總信號幀以后會生成各自特征序列，將其作為神經網絡特征矢量，具體如下所示；

1)利用上述信號分段算出第i段瞬時頻率、瞬時相位以及瞬時幅度，將其作為輸入序列，n=1，2，…，Ns。

2)首先對各自特征值計算，作為第i值，存儲在各自的序列內。

3)回到第1)步，計算M段瞬時序列，所產生的此信號長度為M特征值矢量序列。

通過上述步驟，即可完成信號的特征提取[9]。

3.2 信號智能識別實現

無線mesh網絡射頻信號把數據映射至復數域，將其作為信號調制的一部分，所以，能夠一段傳輸信號代表成一個復數的序列，其中x[n]代表發送序列第n個傳輸的信號，y[n]代表傳輸信號通過無線信道降低后所接收的復數序列，而y[n]=Hx[n]+w[n]，式中，H代表信號的發送者和接收者間的信道參數，w[n]代表信號高斯的白噪聲[10]。

在網絡內具有許多數據并發傳輸時，那么接收序列y[n]=yA[n]+yB[n]，其中yi[n]=Hixi[n]+wi[n]的特征信號識別結果R(y，p)公式為

(11)

如果僅有信號xA[n]內包括特征序列S，因為特征序列S是獨立于xB[n]與w[n]的，那么可以得到公式為

(12)

如果匹配成功，那么R(y，p)1能夠表示為

(13)

4 實驗證明

4.1 實驗一

為了驗證本文識別方法的有效性，實驗使用是載波頻率150kHz，而采樣頻率則為1200kHz，比載頻高出4倍，單次實驗過程內，選擇200個訓練樣本以及1000個檢驗樣本，通過本文方法對無線mesh網絡射頻信號進行識別，可以獲得識別結果如圖1所示。

圖1 本文信號識別結果

通過圖1能夠看出，本文方法能夠很好地識別出信號頻率波動，不過由于外界的干擾信號以及自身輕微噪聲干擾等，導致信號識別的過程中，會出現輕微的波動，不過這并不影響整體的信號識別。

4.2 實驗二

為了進一步證明本文方法的效果，選取500實驗數據，將本文方法與文獻[1]、文獻[2]對比，通過判斷識別誤碼率/信噪比的曲線驗證，過程中使用了100次統計平均，而其中噪聲采用的是高斯白噪聲n(θ)～N(0，σ2)。具體三種方法的對比結果，如圖2所示。

圖2 不同方法的識別精度對比結果分析

圖3 不同方法的識別誤碼率對比結果分析

通過觀察圖2、3能夠看出，本文的識別精度一直處于98%以上，隨著識別的數據增加，雖然出現了輕微的上下波動，不過數值一直處于平穩狀態，并沒有隨著數據增加出現下降的趨勢，而文獻[1]和文獻[2]方法雖然在實驗的過程中識別精度一直處于94%～92%之間，不過卻隨著實驗數據的增加，出現明顯的下降趨勢。而識別誤碼率本文方法一直是處于1%～2%之間，沒有隨著數據的增加，出現識別誤碼率上升的情況，反之，文獻[1]和文獻[2]方法的識別誤碼率，會隨著數據的增加，出現呈現緩慢上升的趨勢。

5 結束語

提出的無線mesh網絡多信道射頻信號智能識別方法，與其它方法對比，識別精度較高，識別誤碼率較低，所以以此可以證明本文識別方法效果良好。不過由于在識別的過程中，仍然會具有輕微的波動，這也是導致可能出現誤識別的原因，因此，本文還需進一步對智能識別方法進行研究，爭取能夠更加精確進行識別，徹底避免誤識別的情況發生。