面向广域通信的后向散射低功耗通信网络的构建系统及方法与流程

1.本发明属于通信技术领域，尤其涉及一种面向广域通信的后向散射低功耗通信网络的构建系统及方法。


背景技术：

2.目前，千百年来，人类在认识世界和改变世界的过程中得以不断繁衍，创造出璀璨的文明。人类步入信息时代后，物联网成为人类了解世界，与自然对话的新途径。本发明希望能以成百上千万低成本微节点为“耳目”感知万物，推动自然信息和人类智慧的深度融合、人与自然的和谐发展。
3.海量节点的应用为物联网感知世界奠定了基础，但由于大多数网络都采用电池供电，一旦电量耗尽，节点失效，网络就无法准确捕获环境信息，关键信息传递受阻；且大量电池的使用严重污染本发明赖以存活的生态环境。据gartner等国际预测机构预测，全球物联网连接数将在2025年达到251亿，其中仅智能照明一项所需的耗能就高达7tw/h，而智能照明仅仅是物联网中耗能最低的应用之一。如此巨大的能量消耗，严重威胁着全球能源安全，使人类时刻面临着能源危机的威胁。高能耗和对电池的依赖已成为物联网发展亟待解决的瓶颈问题。
4.海量节点的部署和长期人工维护难度高，投入大，严重影响了物联网应用的普及。基于wifi、蓝牙、 zigbee等技术的物联网，由于单节点覆盖范围小、信息传播距离受限，远距离传输需要布置大量的节点，网络规模随之增加，能耗也将随着可感知范围半径的增加呈指数级增长，其支出甚至高达千亿元；基于低功率广域物联网(lpwan)等技术的远距离通信物联网虽凭借其远距离传输优势使物联网部署面临的困境得到一定程度的缓解，但仍需要长期大量的人力投入来保障其节点的正常运行，如定期更换电池等。
5.因此，探索和研究“低功耗无源物联网实现方案”，摆脱节点对电池的依赖，解决部署和维护难、投入高的瓶颈问题，具有重大的现实意义和应用价值。
6.无源后向散射低功耗通信技术(battery-free backscatter communication technology)利用能量收集技术捕获周围环境能量，使基于低功耗设计的节点自给自足，摆脱对传统电池的依赖，成为了近年来工业界和学术界竞相追逐的热点。自2005年，英特尔西雅图研究院、mit、清华北大和阿里达摩院等国内外知名研究机构先后介入此研究，成为过去5年中sigcomm、mobicom、isscc等顶级会议和高质量期刊追踪的热点，sigcomm 2020更是为此研究方向单独开专题进行论文讲座和讨论源物联网研究的热潮不断攀升。
7.无源散射通信技术的本质是节点从环境中(如泛在电磁波、阳光、温差)获取微弱能量，来支撑其感知、计算和无线通信。其通信能耗低的关键在于：(1)信息的射频载波靠节点捕获的环境电磁波得到，或特殊半导体器件小信号激发产生。(2)信息的加载是通过优化天线阻抗匹配系数，改变天线对环境射频信号的反射或吸收状态来实现的。通过对这一技术的持续跟踪，本发明发现现有的无源后向散射系统还不能实现真实室内和室外环境的广泛部署应用，表现为：
8.第一，现有无源后向散射通信系统对环境信号检测和识别能力低，具体表现为“检测距离局限在百米范围，无法精确识别和解析目标信号协议的帧结构”；第二，无源后向节点通信能力不足，具体表现为“后向散射通信半径有限、吞吐量低”，以现有低成本商用物联网设备为载波激励源的反向散射通信系统，只有在距离激励源1m内时，才能得到千米级的反向散射距离，若扩大其与激励源的距离到10m，反向散射范围就会急剧下降到几十米内，严重阻碍了其在户外的适用性，使网关特别是在农村地区的网关无法同时扮演激发源和接收者；第三，基于传统天线和能量收集电路的收集和转化效率低(实际约为30％～50％)，低功耗约束下难以保证数据传输的可靠性。
9.因此，现有无源后向散射系统在真实复杂环境下的通信还面临着远距离、高吞吐及实时性的挑战。
10.现有的后向散射通信系统(backscatter)分别是基于声学信号、光和无线信号来进行信息传输的。基于声学信号的后向散射技术将信息加载到激励设备发出的超声波信号上进行传输，并被用到声波手势识别、近距离定位以及液体识别等应用当中，2019年mit的fadel通过基于声音的无源后向散射系统首次实现了水下通信，2020年又再次优化了这项工作。目前，基于声音的后向散射系统的通信范围仍在几十米，无法进行广泛部署和应用。
11.现有技术1厘米级的反射距离和有源的供电方式限制了现有声音后向散射标签的通信范围和应用场景，周期性的电池更新也引入了高昂的部署代价。
12.现有技术2基于光信号的无源后向散射通信通过收集太阳能供能，以商用设备发出的光信号作为激励源信号。虽然其已获得较大的传输吞吐量，但环境光线作为背景噪声对基于光的backscatter通信影响较大，限制了其广泛的部署和应用，特别是在白天的户外，更无法保障其传输的可靠性。
13.现有技术3基于商用无线射频信号的后向散射技术近年来蓬勃发展，其以环境中已有的rfid、 wi-fi、lora信号等射频源发出的信号为环境载波，调制自身的信息进行通信，已得到学术界和工业界的高度关注。
14.以商用rfid阅读器信号为激励的无源后向散射标签为最早起的后向散射系统为低功耗非接触式自动识别提供了强大的研究基础。近年来，分别以电视信号、wi-fi、蓝牙和fm信号为能量源、激励源的后向散射系统也相继诞生，由于兼具普遍性与无源低功耗的特点，在短距离后向散射应用中备受关注。
15.华盛顿大学的shyamnath golakota团队在2017年首次将无源节点的后向散射传输距离提升到千米级，他们通过无源后向散射调制成lorawan物联网能够识别的信号。同年，varshney ambuj团队也提出了千米级长距离解决方案，调制出了可被rfid读写器识别的信号。两者都是应用专用信号发生设备产生的信号而非环境激励信号作为载波，与应用商用设备相比，难以在真实场景下广泛部署使用。2018年申请人及团队提出基于商用lora信号的无源散射通信解决方案，并在sigcomm 2018大会报告和现场演示，首次使用商用信号为激励源，将无源节点的后向散射传输距离拓展到1.1km。此工作虽然实现了商用环境信号激励下的无源后向散射千米级传输，但要求无源设备必须接近激励源，后向散射传输距离随激励源的远离而迅速下降；也就是说，对商用节点信息的“接收”距离与无源节点自身信息的“发送”距离差距较大，通信半径不均衡，无源节点无法真正应用于广域通信。无源后向散射系统的研究持续白热化，基于lte net， ofdma等网络信号无源后向散射系统如雨后
春笋般问世，但无源后向散射节点面向广域通信应用难的问题依然存在。从通信半径和部署拓扑角度，对基于rf信号的无源后向散射系统的通信半径进行比较。
16.可见，利用专用设备信号激励的后向散射系统，其载波的产生成本高，部署代价大；而不需要特殊设备，直接利用环境中已有信号为激励的无源后向散射系统却面临着通信半径不均衡的挑战，导致其必须依赖激励源节点进行工作，不能单独部署，无法解决物联网应用范围增大时，节点数量幂指数级上升带来的成本和能源的消耗剧增问题。导致这一现状的主要原因在于：远离激励源后，来自商用设备的环境载波信号变得非常弱，迫于无源系统稀缺的能源储备，现有无源后向散射系统难以对其进行有效识别、高效调制，更无法通过散射作用使加载了无源节点信息的弱射频载波信号远距离传输。
17.现有的以商用设备射频信号为载波的后向散射通信方案距离受限的主要原因在于他们所选的激励信号本身通信距离局限在百米级，信号经历了散射后，能量大幅衰减，传播距离远不及原激励信号，突破百米更是困难。
18.通过上述分析，现有技术存在的问题及缺陷为：现有环境激励无源后向散射通信系统通信半径不均、通信范围受限、能量供给不连续，无法真正应用于广域通信。
19.本发明可以解决现有技术的以下缺陷：
20.(1)常用的载波源分为专用设备和环境已部署商用设备。专用设备产生载波成本高，网络资源利用率低，后向散射技术优点无法发挥。利用环境中已部署商用设备的信号为载波源，由于商用信号的时变性、发射功率的定额化，现有的低功耗环境激励信号检测方法灵敏度低，检测距离囿于百米，节点部署成本和能源消耗巨大。商用设备发出的环境激励信号(如lora chirp)是一种时变信号，其强度、相位和频率这三个特征要素相互关联并随时间不断变化，这使得仅针对一种信号特征如强度特征的现有环境激励信号检测方法，无法识别lora帧结构信息；且当载波信号随检测距离增加而变弱时，检测难度倍增。商用lora 设备是通过先采用高精度adc采样lora射频前端传入信号，再使用复信号共轭乘法、fft变换算法来最终实现包检测的，复杂的运算使商用包检测无法在极强低功耗约束下的无源后向散射系统中应用。
21.(2)现有的环境能量收集无源节点多使用基于开关的幅移键控调制(ook)方式和粗粒度移频键控调制 (fsk)方式。前者因为直接依赖于信号强度，抗干扰性低，无法使弱后向散射信号长距离传输；后者虽抗干扰能力强，却难以突破无源节点因能量不足导致传输速率单一、吞吐量低的现状，更不能适应网络的突发性传输。
22.(3)现有的基于商用射频信号的后向散射系统，其激励信号可分为一般网络信号(如wifi，蓝牙， zigbee等)和。以前一类信号为激励源进行后向散射，传输距离多囿于百米；基于lpwan信号进行后向散射传输，激励源和后向散射节点间距离极近时传输距离虽可达千米级，可一旦激励源和后向散射间距离扩大到几十米，传输距离就会迅速下降到百米内。
23.(4)现有能量收集模块虽可进行多元能量收集，但收集和转化效率仍不能满足节点的实时工作，加之无源节点缺乏优化的能量管理模块，常使正在进行的工作因供能不济而被迫中断。


技术实现要素：

24.针对现有技术存在的问题，本发明提供了一种面向广域通信的后向散射低功耗通信网络的构建系统。
25.本发明是这样实现的，一种面向广域通信的后向散射低功耗通信网络的构建系统，所述面向广域通信的后向散射低功耗通信网络的构建系统包括：
26.射频信号载波检测识别模块，用于利用轻量级bp神经网络加速器进行环境弱无线载波信号的检测与帧结构识别；
27.低功耗可变吞吐量调制通信模块，用于利用基于码表的移频键控调制进行无源节点的低功耗可变吞吐量通信；
28.散射传输模块，用于基于散射场波束赋形方法进行弱射频信号的千米级后向散射传输；
29.环境能量转化模块，用于基于超材料表面高效能量收集与全局能量管理电路，进行环境能量转化与应用，令无源节点连续性工作。
30.进一步，所述射频信号载波检测识别模块包括：
31.射频信号采集单元，用于进行射频信号的采集以及转换；
32.样本库建立单元，用于在户外不同距离处采集真实环境中lora信号，构建样本库；
33.数据集生成单元，用于构建、增强数据集；
34.模型构建单元，构建多层感知神经网络模型作为训练网络，并对构建的训练网络进行训练；
35.加速器构建单元，用于建立的样本库和训练的训练网络，利用fpga芯片得到轻量级神经网络加速器；
36.测试单元，用于对得到的轻量级神经网络加速器进行仿真分析与测试。
37.进一步，所述射频信号采集单元包括：
38.采集子单元，用于进行射频信号的采集；
39.阻抗匹配子单元，用于将采集的射频信号进行阻抗匹配；
40.滤波子单元，用于利用无源带通滤波器对信号进行滤波处理；
41.转换子单元，用于利用驱动器、滤波器和模数转换器将滤波处理的射频信号转换为数字信号。
42.进一步，所述数据集生成单元包括：
43.元数据集构建子单元，用于以1/4个lora chirp信号为一个样本，采用标准的商用lora包识别算法对采集样本进行识别、分类，分辨得到真实的lora chirp，并组成一个数据集；再用matlab中的采样函数模块对lora chirp数据集和非lora chirp数据集分别进行处理，转化为字符串形式，添加标签进行数据标定，将初级样本转化成正负样本集，并得到约1000个条目的小训练集即元训练集；
44.增强子单元，用于收集不同类型的无线信号，在相同频率和不同链路距离上使用lora2工作，将干扰信号与lora信号和环境噪声混合，生成合成数据，并利用包检测电路对合成数据重新采样，将重新采样的数据与合成数据一起作为数据集，并将所述数据集划分为训练集和测试集。
45.进一步，所述轻量级神经网络加速器包括数据输入部分，串并转换器，归一化部
分，第一层神经元，激活部分，第二层神经元和并串转换器；用于将数字信号转换可调制信号；
46.数据输入部分，由adc和级联d触发器组构成，用于利用adc将模拟信号转化为数字信号，并利用d触发器对不同时钟域间数据进行缓冲，消除传输中的亚稳态；
47.串并转换器，用于将adc输出的12位串行信号变为1组并行信号；
48.归一化部分，用于将小范围电压值归一化至大范围电压值，增强信号强度；
49.第一层神经元，用于对归一化后输出的数据进行计算，在复位时对各权重赋值，每次计算后count自动加1，当count计数满128次时，输出计算结果输出；
50.激活部分，用于利用relu激活函数；
51.第二层神经元，用于在复位时输入权重，将第一层神经元的计算结果与权重相乘，并与偏置相加；
52.并串转换器，用于将二级神经元输出的45位数据转换成串行数据输出。
53.进一步，所述低功耗可变吞吐量调制通信模块包括：
54.中频信号合成单元，用于利用基于波表查询的低功耗中频信号发生器即波表综合器进行频率合成；
55.信号调制单元，用于采用fsk调制加载采集到的数据，以原载波lora chirp为基准信号，对基准信号进行不同的频移调制得到不同数据。
56.进一步，所述散射传输模块包括：
57.散射场天线阵列构建单元；用于确定天线阵列优化算法，得到最优的九阵元天线阵列模型；
58.波束赋形单元，用于将2d天线阵列扩展到3d空间，支持多种波束形成角度。
59.进一步，所述散射场天线阵列构建单元包括：
60.天线阵列优化算法选取子单元，用于利用算法进行天线阵中间距的优化；
61.间距计算子单元，用于利用hfss建立散射通信系统天线阵模型，且将散射通信系统天线阵模型的阵元天线间距设置为可更改变量；同时用于利用matlab通过采用差分进化算法与hfss进行联合计算得到最优阵元天线间距；
62.优化子单元，用于迭代确定hfss中最优的九阵元天线阵列模型；
63.进一步，环境能量转化模块包括：
64.能量收集单元，用于利用基于电磁超材料单元互补开口谐振环的超材料高效能量收集表面进行能量收集；
65.能源优化配给单元，用于进行能量存储、释放以及优化管理。
66.进一步，所述能源优化配给单元包括：
67.能量存储与释放子单元，用于利用多电容器存储结构进行能量存储与释放；
68.全局能量管理子单元，用于利用全局能量管理电路进行基于有限状态机的全局能量管理；
69.进一步，所述全局能量管理电路由充电器、能量控制器和电压输出器三个逻辑单元组成；
70.充电器，用于从环境射频信号和太阳能中收集能量；
71.能量控制器，用于管理电容器，用于为无源后向散射标签供电；
72.电压输出模块器，用于将储存的功率调节为恒定电压。
73.本发明还提供一种面向广域通信的后向散射低功耗通信网络的构建方法，包括：
74.利用轻量级bp神经网络加速器进行环境弱无线载波信号的检测与帧结构识别；
75.利用基于码表的移频键控调制进行无源节点的低功耗可变吞吐量通信；
76.基于散射场波束赋形方法进行弱射频信号的千米级后向散射传输；
77.基于超材料表面高效能量收集与全局能量管理电路，进行环境能量转化与应用，令无源节点连续性工作。
78.结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明针对现有环境激励无源后向散射通信系统因通信半径不均、通信范围受限、能量供给不连续而无法真正应用于广域通信这一问题，从环境信号的高灵敏度检测识别、无源节点的极低功耗调制、弱信号的长距离后向散射传输，以及环境能量的高效转化与利用四方面入手，配合基于真实环境的实验验证和部署测试，探索面向广域通信的后向散射低功耗通信网络的构建系统实现方法，保障数据在无源感知网络中传输的完整性、实时性，促进广域、少源、低成本物联网的发展和广泛部署。
79.本发明通过引入机器学习思想进行环境弱射频信号检测，建立基于真实室内、外环境射频信号样本库的目标载波特征库，训练得到低计算复杂度和负担的轻量级bp神经网络架构和网络参数；再通过设计超低功耗神经网络加速器模型，实现可用于无源系统的神经网络加速器，有效从多种射频信号泛在共存的现实空间环境中识别并捕获数百米外激励源发出的目标调制载波信号，实现基于数据帧结构的精准信号符号对齐调制。将无源后向散射节点的检测距离拓展到百米之上(可检测到距离其几百米外的商用激励源所发出信号)的同时，保证调制后信息能够与商用网络(如lorawan)兼容。
80.本发明引入基于波表综合算法的细粒度多频率中频信号发生器设计方法。通过存储一个低采样周期的正弦波信号在无源后向散射节点上，并经过基本数字运算得到合理的采样步长，再通过对所存储正弦波信号按步长采样，拟合得到用于fsk调制的具体频移信号。所生成的频移信号，配合基于空间信号缝合的细粒度fsk调制和信道变换方法，提升了无源后向散射节点通信速率的同时使其具有一定抗干扰性，最终提出了可变吞吐量的低功耗无源后向散射通信系统设计方法。
81.本发明提出可通过散射场天线阵和波束赋形技术来增强后向散射系统的散射传输距离。通过引入散射场天线阵理论，搭建基于matlab和hfss联合仿真的散射场天线阵eda设计平台，结合粒子群优化算法，得到在三维空间内可支持多角度波束成形的散射场天线阵，最终，使后向散射通信节点在远离激励源的情况下，依然能将自身感知到的信息进行传输方向可选的超长距离传输，且得益于波束赋形技术的传输具有一定的空间抗干扰性。
82.本发明引入基于超材料表面提高能量收集效率，以及基于异质多电容结构的能量优化管理。靠超材料独特的物理属性提升超材料周期表面对电磁波能量的收集效率，同时配合多元能量收集实现无源后向散射节点的开源集能；基于异质多电容的能源存储和供给方案，利用异质电容间充放电时长差，配合基于状态机的全局能耗管理模块来降低系统功耗，使无源lora后向散射系统能够按需工作。
附图说明
83.图1是本发明实施例提供的面向广域通信的后向散射低功耗通信网络的构建系统结构示意图；
84.图中：1、射频信号载波检测识别模块；2、低功耗可变吞吐量调制通信模块；3、散射传输模块；4、环境能量转化模块。
85.图2是本发明实施例提供的系统实现和部署图。
86.图3是本发明实施例提供的基于轻量级神经网络加速器的环境载波识别系统框图。
87.图4是本发明实施例提供的射频信号采集模块电路图。
88.图5是本发明实施例提供的lora前导码由十个相同的chirp信号构成示意图。
89.图6是本发明实施例提供的神经网络层数图。
90.图7是本发明实施例提供的基于低功耗fpga芯片的神经网络加速器框图。
91.图8是本发明实施例提供的基于css调制的lora chirp信号“0”和“1”示意图。
92.图9是本发明实施例提供的步长的产生示意图。
93.图10是本发明实施例提供的使用生成期望的移位频率波表合成器示意图。
94.图11是本发明实施例提供的基于缝合技术的chirp信号编码图。
95.图12是本发明实施例提供的散射分析示意图。
96.图13是本发明实施例提供的hfss联仿
‑‑
eda平台建立流程图。
97.图14是本发明实施例提供的九阵列天线模型与单根天线和九阵元天线增益对比示意图。
98.图15是本发明实施例提供的天线角度不同得到的天线阵列示意图。
99.图16是本发明实施例提供的3d天线阵列的波束方向图仿真示意图。
100.图17是本发明实施例提供的srr能量收集阵列与csrr能量收集阵列示意图。
101.图18是本发明实施例提供的crss单元和csrr阵列示意图。
102.图19是本发明实施例提供的单电容和双电容充放电对比示意图。
103.图20是本发明实施例提供的能源管理电路示意图。
104.图21是本发明实施例提供的网关与lora标签信息传输的信道拓扑图。
105.图22是本发明实施例提供的多节点部署拓扑示意图。
具体实施方式
106.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
107.针对现有技术存在的问题，本发明提供了一种面向广域通信的后向散射低功耗通信网络的构建系统，下面结合附图对本发明作详细的描述。
108.如图1所示，本发明实施例提供的面向广域通信的后向散射低功耗通信网络的构建系统包括：
109.射频信号载波检测识别模块1，用于利用轻量级bp神经网络加速器进行环境弱无线载波信号的检测与帧结构识别；
110.低功耗可变吞吐量调制通信模块2，用于利用基于码表的移频键控调制进行无源节点的低功耗可变吞吐量通信；
111.散射传输模块3，用于基于散射场波束赋形方法进行弱射频信号的千米级后向散射传输；
112.环境能量转化模块4，用于基于超材料表面高效能量收集与全局能量管理电路，进行环境能量转化与应用，令无源节点连续性工作。
113.本发明实施例提供的射频信号载波检测识别模块包括：
114.射频信号采集单元，用于进行射频信号的采集以及转换；
115.样本库建立单元，用于在户外不同距离处采集真实环境中lora信号，构建样本库；
116.数据集生成单元，用于构建、增强数据集；
117.模型构建单元，构建多层感知神经网络模型作为训练网络，并对构建的训练网络进行训练；
118.加速器构建单元，用于建立的样本库和训练的训练网络，利用fpga芯片得到轻量级神经网络加速器；
119.测试单元，用于对得到的轻量级神经网络加速器进行仿真分析与测试。
120.本发明实施例提供的射频信号采集单元包括：
121.采集子单元，用于进行射频信号的采集；
122.阻抗匹配子单元，用于将采集的射频信号进行阻抗匹配；
123.滤波子单元，用于利用无源带通滤波器对信号进行滤波处理；
124.转换子单元，用于利用驱动器、滤波器和模数转换器将滤波处理的射频信号转换为数字信号。
125.本发明实施例提供的数据集生成单元包括：
126.元数据集构建子单元，用于以1/4个lora chirp信号为一个样本，采用标准的商用lora包识别算法对采集样本进行识别、分类，分辨得到真实的lora chirp，并组成一个数据集；再用matlab中的采样函数模块对lora chirp数据集和非lora chirp数据集分别进行处理，转化为字符串形式，添加标签进行数据标定，将初级样本转化成正负样本集，并得到约1000个条目的小训练集即元训练集；
127.增强子单元，用于收集不同类型的无线信号，在相同频率和不同链路距离上使用lora2工作，将干扰信号与lora信号和环境噪声混合，生成合成数据，并利用包检测电路对合成数据重新采样，将重新采样的数据与合成数据一起作为数据集，并将所述数据集划分为训练集和测试集。
128.本发明实施例提供的轻量级神经网络加速器包括数据输入部分，串并转换器，归一化部分，第一层神经元，激活部分，第二层神经元和并串转换器；用于将数字信号转换可调制信号；
129.数据输入部分，由adc和级联d触发器组构成，用于利用adc将模拟信号转化为数字信号，并利用d触发器对不同时钟域间数据进行缓冲，消除传输中的亚稳态；
130.串并转换器，用于将adc输出的12位串行信号变为1组并行信号；
131.归一化部分，用于将小范围电压值归一化至大范围电压值，增强信号强度；
132.第一层神经元，用于对归一化后输出的数据进行计算，在复位时对各权重赋值，每
次计算后count自动加1，当count计数满128次时，输出计算结果输出；
133.激活部分，用于利用relu激活函数；
134.第二层神经元，用于在复位时输入权重，将第一层神经元的计算结果与权重相乘，并与偏置相加；
135.并串转换器，用于将二级神经元输出的45位数据转换成串行数据输出。
136.本发明实施例提供的低功耗可变吞吐量调制通信模块包括：
137.中频信号合成单元，用于利用基于波表查询的低功耗中频信号发生器即波表综合器进行频率合成；
138.信号调制单元，用于采用fsk调制加载采集到的数据，以原载波lora chirp为基准信号，对基准信号进行不同的频移调制得到不同数据。
139.本发明实施例提供的散射传输模块包括：
140.散射场天线阵列构建单元；用于确定天线阵列优化算法，得到最优的九阵元天线阵列模型；
141.波束赋形单元，用于将2d天线阵列扩展到3d空间，支持多种波束形成角度。
142.本发明实施例提供的散射场天线阵列构建单元包括：
143.天线阵列优化算法选取子单元，用于利用算法进行天线阵中间距的优化；
144.间距计算子单元，用于利用hfss建立散射通信系统天线阵模型，且将散射通信系统天线阵模型的阵元天线间距设置为可更改变量；同时用于利用matlab通过采用差分进化算法与hfss进行联合计算得到最优阵元天线间距；
145.优化子单元，用于迭代确定hfss中最优的九阵元天线阵列模型；
146.本发明实施例提供的环境能量转化模块包括：
147.能量收集单元，用于利用基于电磁超材料单元互补开口谐振环的超材料高效能量收集表面进行能量收集；
148.能源优化配给单元，用于进行能量存储、释放以及优化管理。
149.本发明实施例提供的能源优化配给单元包括：
150.能量存储与释放子单元，用于利用多电容器存储结构进行能量存储与释放；
151.全局能量管理子单元，用于利用全局能量管理电路进行基于有限状态机的全局能量管理；
152.本发明实施例提供的全局能量管理电路由充电器、能量控制器和电压输出器三个逻辑单元组成；
153.充电器，用于从环境射频信号和太阳能中收集能量；
154.能量控制器，用于管理电容器，用于为无源后向散射标签供电；
155.电压输出模块器，用于将储存的功率调节为恒定电压。
156.下面结合具体实施例对本发明的技术方案做进一步说明。
157.实施例1：
158.1本发明提供的完整技术方案(发明方案)
159.本发明通过设计轻量级bp神经网络加速器及其相关的低功耗射频模块，实现环境弱无线载波信号的检测与帧结构识别；通过基于码表的移频键控调制，实现无源节点的低功耗可变吞吐量通信；通过散射场波束赋形技术，实现弱射频信号的千米级后向散射传输；
通过超材料表面高效能量收集与全局能量管理电路，使环境能量有效转化与应用，实现无源节点的连续性工作；最后，对提出的无源后向散射通信理论和设计方法进行验证，将所实现的软硬件系统在真实室内和野外环境中进行部署，评估和测试系统对目标的达成度。
160.本发明建立面向lora等低代价商用物联设备的无源后向散射广域通信系统，需进行四方面的研究：研究基于轻量级神经网络加速器的环境载波检测帧结构识别，低功耗多粒度移频键控调制技术，基于散射场波束赋形的长距离后向散射传输，高效能量收集超材料表面与全局能耗优化管理方法，以及真实环境和典型场景的系统级验证和测试方法。其中前四项是建立面向广域通信无源后向散射通信系统的必要技术，第五项则是检验前四项研究有效性的重要手段，它为整个系统在现实环境中应用和推广提供保障。如图2 是系统总体框架图，包括阻抗匹配，能量收集超材料表面，能量管理，adc，和调制各个模块。
161.1.1基于轻量级神经网络加速器的环境载波检测与帧结构识别方法的研究
162.基于机器学习的射频信号载波检测识别模块包括：射频信号采集模块、lora商用信号源的载波样本库与神经网络设计模块、基于fpga平台的低功耗bp神经网络模块。射频信号从天线进入，经过射频前端检测模块后，转换为数字信号进入bp神经网络模块进行数据处理，经过fpga进行网络判别后并串转换输出，进入信号调制部分。图3基于轻量级神经网络加速器的环境载波识别系统框图。
163.(1)射频信号采集模块设计。
164.step1阻抗匹配和滤波设计
165.在空气中，信号通过天线后需经过阻抗匹配电路，目的是优化阻抗匹配系数以减少无线电能量的损失，使后端电路获得更大的传输功率。其信号经过无源带通滤波器进行滤波，adc信号采集电路将获得纯净频率的信号。
166.具体电路设计图如4所示。其中接收lora信号和rfid信号的天线通常是用(此处为915m频段)天线阵列实现。阻抗匹配模块通过ads仿真得到史密斯原图进行设计。环境射频lora信号通过对应频段天线进入射频前段，流过与其频率匹配的阻抗匹配网络(lc电路实现)，再经滤波设计传递给后端的adc 电路。
167.step2 adc设计
168.基于fpga的神经网络加速器只能执行数字运算，本发明需要把射频信号经过阻抗匹配和滤波变为的模拟信号再经过adc采样转换为数字信号，进行信号的特征对比和计算，才能判断环境中射频信号是否为目标lora chirp构成的载波，实现检测。由于无源系统的强能源约束性，本发明需要使用低功耗高精度 adc进行采样。经调研，ads7042是一款12位、1msps尺寸微小且功耗极低的模数转换器，满足无源节点系统中adc模块的能耗约束。
169.adc信号采集以及数模转换电路包括驱动器、滤波器和模数转换器。将阻抗匹配和滤波后的信号输送到驱动器opa835当中，再通过高通滤波器电路，最后将信号输送到模数转换器ads7042，输出12位有效数据。具体电路设计如图4所示。
170.(2)基于lo ra商用信号源的载波样本库建立与神经网络设计。
171.传统的信号检测技术主要有能量检测、匹配滤波检测。其中能量检测是一种基于信号能量的检测方法，该方法虽然易于实现但却有多方面的缺陷：1.检测效果受环境噪声影响较大；2.无法区分不同类型的信号。匹配滤波的方式则是通过添加一个具有先验知识的匹配滤波器，最大化输入信噪比从而提升检测效果，降低检测时间。其主要缺陷是需要一
定时间获取待测信号的先验知识，同时受先验知识的影响较大，并且匹配滤波算法较复杂，耗电量高，不适用于低功耗系统上。
172.根据万能逼近定理，无线信号可以描述为一串实部和虚部组成的复数信号，可以定义为函数f(x)∈c. 根据前馈送神经网络的通用近似定理，应该有一个函数g(x)∈c，它可以近似于任何f(x)，使得|f(x)-g(x) |《ε，对任何x∈c，有ε》0。因此，如果本发明能找到适当的映射函数，并建立丰富的样本库，深度学习网络就能够通过学习基于任何无线协议的信号的特征来成为g(x)。这些特征带有样本信号的特有典型信息，如频率、时间和强度。故本发明有望用机器学习的方法去识别目标无线信号。
173.本发明拟使用基于机器学习(machine learning，简称ml)的射频信号检测方法及系统，在使用较少硬件模块的情况下实现较为精准的信号检测功能。该方法及系统使用待检测信号的电压和信号的波动为特征作为深度神经网络的输入，不需要设备再额外获取瞬时特征和平稳周期特征，数据处理简单易行。
174.step1样本库的建立与训练集的生成
175.在确定待检测信号(lora chirp)的通信环境，包括收集检测信号的频段(907～927mhz)、带宽、调制方式，发送机接收机型号、通信信道状态信息、噪声情况后，本发明拟使用商用dragino lora网关(配备sx1276 lora收发器)作为发射机，拟使用软件定义的无线电usrp 2954作为接收机，在户外不同距离处采集真实环境中(不同天气状况、不同温度、不同场景、不同强弱下的)lora信号作为样本。
176.元训练集的生成
177.模型训练是学习未知潜在映射函数从输入到输出的合理逼近过程。训练集是用来训练模型内参数的数据集；大量数据训练通常会得到好的近似值。然而，在实践中，生成广泛的训练集是困难的，因为枚举所有种类的信道条件(例如，不同的距离、干扰、噪声基底等)需要密集型的现场数据收集和标记。本发明首先构建一个小的训练集(称为元训练集)，减少模型训练的工作量，当训练效果不好的时候方便更改模型参数，调整模型结构。
178.本发明拟以1/4个lora chirp信号为一个样本，原因是：所选用的adc工作频率为1mhz，每个lorachirp产生102,000个样本。对于无源系统来说，将所有样本作为输入数据进行计算是困难的。lora信号前导由10个相同的upchirp组成，初始频率偏移为零。因此，本发明将重点放在每个lora chirp的第1/4，以不同的速率对每个lora chirp的前1/4进行子采样。通过对lora调制理论和数据包结构的分析，和前期大量基于usrp系统对标准lora包的监测实验和理论分析，得到了真实的lora数据包结构如图5所示。
179.本发明拟采用标准的商用lora包识别算法对采集的信息进行识别，并进行分类，分辨出真实的lorachirp，并组成一个数据集。再用matlab中的采样函数模块对lora chirp数据集和非lora chirp数据集分别进行处理，转化为字符串形式，添加标签进行数据标定，从而把初级样本转化成正负样本集，并得到约1000个条目的小训练集，称之为元训练集。
180.增强训练集
181.由上可知，本发明首先建立了元训练集，但其数据量太少，无法达到更好地近似值。所以可以采用元训练集数据扩充的方法增强训练集。通过数据扩充，本发明可以列举各种信道条件，并建立一个巨大的高保真训练集。这个合成的训练集可以被自动标记，因为基
本事实是先验已知的。
182.为了增强元训练集，本发明首先收集不同类型的无线信号，在相同频率和不同链路距离上使用lora2 工作。将干扰信号(uhf rfid、sigfox、gsm和窄带物联网)与lora信号和环境噪声混合，生成合成数据。为了减少不同硬件平台(usrp和无源反向散射通信系统使用不同的adc和阻抗匹配电路)造成的域间隙，本发明拟使用包检测电路对这些合成数据重新采样。重新采样的数据与合成数据一起被计算为数据集。在数据增强之后，将得到一个包含10,000个正示例和10,000个负示例的大数据集，进一步将它们平均划分为训练集和测试集。
183.step2构建神经网络架构，建立模型
184.常用的神经网络主要包括：bp神经网络、卷积神经网络(cnn)、循环神经网络(rnn)。其中bp(back propagation)神经网络由输入层、中间层、输出层组成的阶层型神经网络，相邻层之间各神经元进行全连接，而每层各神经元之间无连接，当一对学习模式提供给网络后，各神经元获得网络的输入响应产生连接权值 (weight)。然后按减小希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权，回到输入层，反复交替进行，直至网络的全局误差趋向给定的极小值，即完成学习的过程。bp神经网络最主要的优点是具有极强的非线性映射能力。
185.cnn包括一维卷积神经网络，二维卷积神经网络以及三维卷积神经网络。主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。rnn是一种特殊的神经网络结构，它是根据"人的认知是基于过往的经验和记忆"这一观点提出的。rnn神经网络一般应用在考虑时间先后顺序的问题中。常见的有：语音识别，图像描述生成，文本相似度计算，音乐推荐等新的应用领域。
186.作为低功耗后向散射标签的核心模块，基于神经网络的包检测应该是轻量级的，因为网络更密集，需要更多的计算和存储资源。同时，由于较弱的lora信号容易被其他干扰信号埋没，该神经网络也应具有响应性。综合这两个准则和以上三种神经网络的应用领域，本发明拟使用最简单的bp神经网络来训练数据集，永久地排除了主流的深层神经网络体系结构—cnn和rnn，因为它们都涉及大量的计算和内存开销。下面介绍如何生成bp神经网络。
187.训练网络的生成
188.拟使用多层感知器(mlp)来实现神经网络，mlp模型采用adc传入信号的数字样本作为输入，输出二进制1或0表示是否存在前导chirp信号。mlp模型的计算和内存开销与其网络大小(即神经元数量) 成正比。网络规模越大，检测性能越好。因此，需要找出一个适当的网络规模，权衡功率预算和检测精度。在无源反向散射通信系统中，从密集网络开始减少系统中单元数，并不断优化神经网络模型，直到获得最小化的拓扑结构和最简化计算单元，达到最小化网络结构和最大化检测效果的平衡。经过训练，本发明拟得到神经网络输入层m大小为128，隐藏层n为2，激活函数选择relu函数。
189.本发明拟利用网络模型的准确率与输入数据的大小存在正相关关系，设计一个从小到大的输入数据排序列表，首次训练选择输入排序列表的最大值，测试网络可行性后，使用二分法测试神经网络，直到找到最小的神经网络输入m。通过用前期的采样信号对模型进行训练，并测试检测精度。结果如表1-1所示。基于这一基准测试结果，将m设置为128，这将在经验上平衡了精度和计算开销。如图6神经网络层数所示。
190.表1-1：输入单元m对包测精度的影响
191.输入图层大小m6412825612检测精度(％)9497.899.7500
192.本发明预设一个隐藏层层数的列表、一个神经元个数的列表、一个batchsize大小的列表；使用时从列表中最小值开始训练模型，每个参数训练数十次，训练网络后测试神经网络效果，直到出现符合测试标准的模型，则为最小化神经网络模型,从而确定隐层大小n。本发明拟采用20来初始化n，逐渐减小，直到检测性能大幅下降。按照这个准则，本发明将n设置为2，在测试集中可以保持超过97％的检测精度。激活函数是在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。引入激活函数是为了增加神经网络模型的非线性。本发明拟使用一个矫正线性单元(relu)函数作为激活函数，因为它的实现简单，可以减小嵌入式系统实现非线性操作的开销；并且在各种预测任务上的性都能得到认可。
193.神经网络训练
194.训练神经网络是指用已有的数据，来根据已有样本库特征，训练出适合目标分类算法的网络权值和偏置。预生成的神经网络结构为：输入数据使用adc收到的电压值、隐藏层为一定个数的神经元、每一个神经元进行权值和输出相乘累加，每一层的输出通过激活模型的非线性操作后作为下一层的输入，直到输出层的输出作为输出数据。
195.详细的训练步骤为：依据生成的神经网络性能，调整神经网络的训练参数。调整参数权值和偏置的技术过程包括：通过将权值整体扩大并取整，去除权值中的小数存储，从而降低小数计算的难度；按照嵌入式系统中预留的计算位宽和计算精度对权值进行修改，将权值转换成嵌入式系统中可以表示的数值。本发明拟在tensorflow上实现mlp模型，采用4个nvidia titan rtx gpu进行训练。每个参数的训练过程：首先在tensorflow平台上导入预先在matlab中处理好的数据集合标签(包含正负20,000样本)，使用 keras框架设计，激活函数选择relu函数，损失函数选择均方误差，当迭代1000次或者损失函数不再发生明显变化，本发明将认为训练成立，程序结束将产生128个权值和2个偏置。
196.(3)基于低功耗fpga芯片的轻量级bp神经网络加速器
197.基于所建立的样本库和设计的原型bp神经网络，本发明拟依托超低功耗fpga芯片来实现轻量级神经网络加速器，并集成在低功耗无源后向散射lora通信系统内。从而达到检测目标环境载波的效果。
198.step1神经网络信号检测电路的fpga模块设计
199.图7为本发明拟实现的基于低功耗fpga芯片的神经网络加速器框图，其中包括：数据输入部分，串并转换器，归一化部分，第一层神经元，激活部分，第二层神经元和并串转换器。
200.神经网络fpga模块设计从adc数据采集模块输出数字信号进入神经网络开始，到第二层神经元输出计算结果后并串转换为串行输出数据结束，最终发出使能下一级调制模块的信号，控制调制模块进行无源后向散射，将收集到的信息加载到环境载波上。其中数据输入部分：由adc和级联d触发器组构成， adc将模拟信号转化为数字信号，d触发器对不同时钟域间数据进行缓冲，消除传输中的亚稳态。串并转换器：将adc输出的12位串行信号变为1组并行信号(12位)，给后续的神经元做计算。归一化：将小范围电压值归一化至大范围
电压值，增强信号强度。第一层神经元：对归一化后输出的数据进行计算，在复位时对各权重赋值，每次计算后count自动加一，当count计数满128次时，就会将计算结果输出。激活函数：选择relu函数，当第一层神经元输出为负时，将输出变为0，而神经元输出为正时则保持原值不变。第二层神经元：在复位时输入权重，再将第一层神经元的计算结果与权重相乘，最后与偏置相加。并串转换器：将二级神经元输出的45位数据转换成串行数据输出。
201.step2对基于fpga平台的低功耗bp神经网络加速器的测试
202.本发明拟选定低功耗igloo nano 600芯片来作为轻量级神经网络实现的平台，igloo nano 600芯片具有1kb的flashrom，在闪存冻结模式下的功耗为5μw，可重编程。
203.实现fpga模块的设计后，对所实现系统进行外围电路设计，并测试其对信号的检测能力。测试时拟使用lora发射节点一个，连接线若干，衰减器若干，usrp一台，台式电脑一台。将lora发射节点，衰减器以及usrp串联起来，收集不同衰减下的lora数据作为纯lora数据。最后将libero仿真软件里的verilog程序烧录至fpga板，通过gateway发送，usrp接收数据，示波器显示波形，进行分析。
204.2研究基于波表综合算法的低功耗可变吞吐量调制方案
205.(1)基于波表查询的低功耗中频信号发生器设计
206.step1基于波表综合信号发生器
207.波表综合器是一种数字频率合成技术，其从相位概念出发直接合成所需要波形的一种新的频率合成技术。与传统的频率合成器相比，波表综合器具有低成本、低功耗、高分辨率和快速转换时间等优点，广泛使用在电信与电子仪器领域，是实现设备全数字化的一个关键技术。这个技术常应用在音频处理当中，已被数字音乐合成器广泛采用，以产生自然的类似音调的声音。波表综合器可以通过设置步长，控制输出信号频率。
208.波表理论与步长计算。本发明以频率fs对正弦波的一个周期进行采样，并将这些信号样本存储在无源反向散射通信系统标签的只读存储器中，称为波形表。设l是这个波表的长度，该存储波形的基本频率f0可以表示为:f0＝fs/l，然后本发明通过对该波表以步长step进行采样/二次采样来生成目标频率 f＝f0*step,其中f0＝fs/l＝clk/2
32
；clk/2
32
步长step的计算公式为：step＝f*2
32
/clk
209.step2波表综合信号发生器实现
210.波表综合器模块包括两个部分：1)步长累加器；2)波表寄存器。首先本发明根据奈奎斯特采样定律，从连续信号的相位出发，将一段完整周期的正弦信号取样、编码、量化，形成一个正弦函数表存在波表寄存器中，波表寄存器内一个周期的sin波被分割成2m(m＝16)份，并对幅度进行放大以提高输出频率的准确性。步长累加器对波表寄存器中的正弦函数表进行采样，合成时通过改变步长累加器的频率控制字来改变相位增量，相位增量的不同导致一个周期内的采样点数不同，在采样频率不变的情况下，通过相位增量不同合成的频率也不同。
211.有两个参数与波表综合器的生成相关：1)fpga板载晶振时钟clk。2)由step定义的频率控制字。 clk作为时钟信号驱动后级相位累加器计算地址值，即采样位置。频率控制字step决定合成的频率。本发明采用的步长累加器是一个32位累加器，为了减少波表寄存器表的储存压力，本发明取32位的前16 位作为采样地址输出到波表寄存器中，这个操作可以降低算法复杂度，提升效率。为了以低功耗方式产生精细的移位频率，本发明拟采用波表合
成，为了更清楚，本发明假设存储波形的基频为100khz。为了产生50khz的波形，读取每个存储样本的值两次，然后读取下一个(即，索引顺序:1，1，2，2，3，3，...). 为了产生200khz的波形，反向散射标签只需要读取具有奇数指数(即1、3、5、7，...).当光标超过表格长度l时，它需要绕回以再次重新采样。通过改变增量(步长)，本发明可以获得高精度的移频计划，足以支持各种数据速率(每个lora chirp高达8位)。图10显示了这个波形表合成器的工作流程。在无源反向散射通信系统中，可以将l设置为2
32
，会发现存储开销和波形粒度的问题被平衡。
212.(2)细粒度fsk调制与空间信号缝合技术
213.step1 fsk调制与信号缝合
214.本发明拟采用fsk调制来加载无源散射节点采集到的数据。以原载波lora chirp为基准信号，对基准信号进行不同的频移来调制不同的数据。
215.lora数据包中chirp是采用css编码，在整个带宽bw内，chirp的频率是线性增长的，不同chirp的起始频率不同，本发明可以对现有chirp移频，控制chirp的起始频率，对chirp进行编码。再用不同的天线同时将进行了fsk调制后的信号搬移到另外一个信道进行信号的空间缝合，缝合后的信号仍可以占满整个lora信道，保持lorachirp的远距离传输特性。编码器获取传感器数据后，通过控制码表综合器生成不同的频率。用频率对chirp起始频率进行移频，根据起始频率的不同，表示不同数据。
216.解码是根据lora信号线性调频特性，在对lora信号内的upchirp乘一个标准downchirp后，做快速傅里叶变换，在频域上会出现一个能量集中点。这个点在chirp的中心频率上。与传统lora解码方法不同的是，传统方法直接从接收信号中截取出同频率的downchirp与编码chirp相乘，再做后续处理。本发明做了些改进，接收端首先预存储一个基准信号的downchirp，接收信号后按时间截取出反向散射后lora包编码的chirp。与基准downchirp相乘后做fft变换，得到频域上的能量集中点。
217.step2硬件实现
218.硬件实现部分包括：时钟分频、时钟计数模块、传感器数据编码模块、波表综合器生成频率、移频频率选择。
219.步骤1：分频或倍频模块将板载晶振输出信号(如20mhz进行2分频)进行时钟匹配处理后提供给时钟计数模块。
220.步骤2：时钟计数模块在系统检测到lora信号后开始工作，根据lora包结构计算出lora信号前导码(preamble)的持续时长，将时间累计到lora信号的数据负载(payload)部分，此时可以选择定位到反向散射lora信号中用于编码的chirp起始位置，并以chirp持续时长为周期，向传感器数据编码模块提供编码时钟触发信号。
221.步骤3：传感器数据编码模块获取温湿度等传感器数据后，由基于lora信号的反向散射通信编码调制方案提供的数据—移频频率对应表，实例见表1.2，通过步长换算公式，将待编码信息所对应的预期移频频率转换成相应的频率选择步长，再通过细粒度频率发生模块得到编码数据对应的移频频率。此时与基准信号能量集重点频率差值和编码数据一一对应，对照编码表即可解码，见表1.2。
222.表1.2基于lora信号的反向散射通信编码调制方案表
223.编号传感器/十进制编码信息/二进制移频频率/hz
10000000000khz21000000012khz32000000104khz
……ꢀꢀꢀ
25025011111010500khz
224.步骤4：波表综合器生成频率、移频频率选择，由相位累加器模块和离散正弦查找表构成，累加器在时钟上升沿进行计数累加，并实时将累加器变量值作为信号采样坐标提供给正弦信号寄存器，正弦信号寄存器采样后，在细粒度频率发生模块中产生了预期的移频频率，但该信号不是用来移频的方波信号，最终进行二值化处理，输出为方波形式的移频频率。如下所示为fpga上相位累加器的实现伪代码。
[0225][0226][0227]
3基于散射场的波束赋形技术研究
[0228]
(1)基于散射场理论的散射信号增强天线阵列设计方法
[0229]
step 1基于散射场理论，用天线阵列代替单天线进行后向散射传输
[0230]
天线作为一种特殊的散射目标，除了作为物理实体对电磁波散射的影响之外，还会由于本身作为天线的结构对电磁波产生影响。通过使用散射矩阵导出天线作为散射目标的基本理论，得到天线散射场基础理论公式为：
[0231][0232]
公式中，天线的散射由两部分构成，通常被称为结构模式项(structural mode)散射σs，即天线后端负载(z
l
＝zc)时的散射场，此时进入天线的能量完全被吸收，天线散射情况只与天线的形状，大小和材质等物理参量有关。另一项被称为天线模式项(antenna mode)散射σa，是天线作为辐射体，将入射波带来的能量二次辐射出去的一种特有的散射，也是天线散射与一般物体散射的区别。
[0233]
在无源后向散射中单根天线散射往往会有吞吐量和方向的局限性，因此拟引用散射场天线阵的设计来实现更加高效的散射。
[0234]
step 2散射场天线阵设计理论
[0235]
天线阵的作用就是用来增强天线的方向性，提高天线的增益系数，或者为了得到所需的方向特性。对于n元的均匀直线阵列天线，本发明采用等效网络模型来分析其外空间的场。在天线的辐射空间，选取包含天线的一个球面s，则可以得到天线外空间的场采用矢量球面波函数来展开：
[0236][0237]
通过阵列中n个单元共同作用，可以来增强天线的方向性，提高天线的增益系数。因此，拟设计一个天线阵列用于无源反向散射通信系统的标签中，形成一个更加高效的散射场天线阵，以满足增益和方向的要求。
[0238]
(2)散射场天线阵列优化算法与eda设计平台搭建
[0239]
step1天线阵优化算法的选取
[0240]
在天线阵列设计中，首先要解决的就是阵列中各个单元间距问题，使得天线阵列达到高效的散射效率。针对散射场天线阵中间距的优化问题上，目前常用的方法有粒子群算法(pos算法)、遗传算法(ga算法)和差分进化算法(de算法)。pos算法缺乏速度的动态调节，容易陷入局部最优，导致收敛精度低和不易收敛。ga算法则需要大量个体的计算，复杂问题的处理时间就相对缓慢。
[0241][0242]
因此选择de算法来进行天线阵中间距的优化。de算法是从一个随机产生的初始种群开始，通过把种群中任意两个个体的向量差与第三个个体求和来产生新个体，然后将新个体与当代种群中相应的个体相比较。通过不断地进化，保留优良个体，淘汰劣质个体，引导搜索向最优解逼近。适用于散射场天线阵中的间距优化。
[0243]
step2 hfss联仿
‑‑
eda平台的建立
[0244]
hfss是一款基于电磁场有限元法的全波三维电磁仿真软件，为天线及天线系统设计提供全面的解决方案，能精确仿真计算出天线辐射场方向图、天线增益和s参数等众多天限参数。但是在hfss仿真中，微小数据的改变都需要对参数进行重新设置。而且de算法在迭
代计算中，需要数十次甚至上百次的迭代，这样每次迭代都需要重新在hfss中设置参数，严重影响仿真效率和精度。因此，本发明在之前在 de算法的基础上，提出了一个hfss联仿
‑‑
eda平台。提出一种抗干扰散射通信系统天线阵的设计方法，其特征在于，该设计方法具体采用了matlab和hfss进行设计，hfss建立散射通信系统天线阵模型，且将散射通信系统天线阵模型的阵元天线间距设置为可更改变量，matlab通过采用差分进化算法与hfss进行联合计算出最优阵元天线间距。
[0245]
在本发明中，通过在matlab上采用差分进化算法与hfss进行联合计算，可以使得散射通信系统天线阵中的天线散射方向集中，不仅提升了传统反向散射通信的距离；且因为可以使得方向集中，实现定向传输数据，不会影响到其他信道。
[0246]
step3九阵元天线阵列的设计和优化
[0247]
与遵循辐射传播理论的主动波束形成不同，由天线阵列反射的反向散射信号建立由天线特性和阵列结构表征的散射电磁场。由于天线特性主要取决于天线本身的阻抗和形状因子，因此本发明不考虑天线设计，而是专注于阵列布局优化。阵列布局设计不可避免地涉及天线数量n和所需波束宽度θ之间的权衡。天线阵列越大(即天线越多)，波束宽度越窄。然而，它增加了形状因素，并给反向散射标签带来了额外的成本。为了平衡阵列尺寸和波束宽度，本发明预设了目标波束宽度、波束形成增益和旁瓣方差的要求，并逐渐增加天线数量以接近目标波束宽度。设计。本发明的设计以迭代的方式运行。在每次迭代中，算法以天线数作为输入。然后，它迭代地搜索使以下优化函数最小化的最优天线位置；
[0248]
l＝α*δw β*δg γ*δv
[0249]
其中l是损耗；α、β和γ是权衡优化目标不同组成部分的不同权重。δw、δg和δv分别为主波瓣宽度、最大增益和旁瓣方差。
[0250]
本发明进行了多次迭代计算，并将α、β和γ设置为5、7和0.6，可以得到更高的波束形成增益和更窄的波束宽度。在每个阵列布局设置中，本发明在hfss中发送天线位置和天线元件的物理参数(例如介电常数、尺寸、辐射和散射特性等)，用于模拟天线阵列的散射模式。然后，hfss输出波束形成增益、波束宽度和这个特定天线阵列布局的旁瓣增益方差，本发明用它来计算损耗l。经过算法迭代，直到找到具有最小损耗l的阵列布局。但是在每个天线设置数中找到最佳阵列布局在计算上是困难的，因为本发明需要列举所有可能的天线位置。为了加快搜索速度，拟采取三个措施:
[0251]
将最小天线间距设置为λ/4；
[0252]
将固定的搜索步长设置为λ/8；
[0253]
采用de算法，对接近最优解进行智能搜索。
[0254]
然后得到hfss中优化后的九阵元天线阵列模型，对优化后的九阵元天线阵列的结果和单天线设计的仿真结果作比较，优化后天线的增益提升了20db。
[0255]
(3)可用于三维空间的波束赋形技术
[0256]
在天线的实际应用中，由于网络通信网关和节点的部署位置是三维的，所以，目标波束赋形方向需要能够覆盖3d空间内的每一个角度，来支持真实环境中的部署应用。为了解决2d天线阵列在真实环境部署中的局限性，在散射场理论的基础上，本发明将2d天线阵列扩展到3d空间，以支持多种波束形成角度。因此设计了3d天线阵，图18为3d天线阵列的空间模型图。
[0257]
具体来说，就是在3d坐标系的每个轴上放置多个天线，无源后向散射标签通过选择不同的天线组来切换波束形成角度，以实现天线在三维空间内的方向性。如图15所示，不同的角度得到的天线阵列。
[0258]
根据设计的3d天线阵列，本发明在hfss中求得3d天线阵方向图仿真结果。如图16所示。
[0259]
本发明观察到，在所有三种角度设置下，主瓣都与目标角度对齐实验结果满足本发明对天线方向性的预期要求。同时，与雷达相似，本发明的天线阵的波束形成增益与其有效阵列大小成比例。虽然本发明目前的设计采用λ/4作为最小天线间距，但是通过改变天线的形状因子、减小最小天线间距和优化制造工艺来使天线阵列小型化是可能的。
[0260]
4研究基于超材料的高效能量收集表面与全局能量优化供给方案
[0261]
无源后向散射从周围环境中收集能量，以支持计算和通信任务。没有有效的能源管理模块，反向散射标签将很快耗尽其能量并停止工作。因此，本发明引入了一种基于超材料基底的低功耗能源管理模块来解决此问题。
[0262]
超材料高效能量收集表面研究
[0263]
反向散射标签是从周围环境中收集能量，进以支持计算和通信任务。现今有很多种成熟的环境能量收集技术，比如太阳能收集、热电能收集、动能收集等方式。显然太阳能是现今使用最广泛、技术最成熟的能量收集方法，但是其缺点是必须在光线充足的地方才能够进行能量的收集。而对于动能或者机械能收集来说，可以使用压电电容器来进行能量的收集，通常可以从桥体、公路以及铁路等地方收集获得，但是通常能够获得的能量较少且使用的场景有限。
[0264]
step1高效能量收集表面材料的确定
[0265]
本发明拟使用在电磁超材料单元互补开口谐振环(complementary split ring resonator,rsrr)来进行能量收集表面的设计。整个电磁能量收集系统的中，接收天线直接决定了可以收集到的电磁功率。传统的接收天线一般使用微带天线，但微带天线自身窄带较窄，不利于宽频带的能量收集。为了增加整流天线的工作带宽，一直以来科学界进行着各种尝试。2012年，omar m.ramahi等人第一次使用开口谐振环(split ringresonators,srr)组成阵列作为wpt系统中的接收天线，并发现其能量吸收效率为70％。随后，又发现互补开口谐振环阵列在能量收集方面的效率，相比于srr能量收集阵列来说，带宽有明显增强，射频能量收集效率达到92％。
[0266]
故相对于传统的整流天线，基于超材料的能量收集系统具有小型化和高效化的优点，适合于无源反向散射系统的应用。电磁超材料定义为不同于常规材料的人工复合结构或复合材料，通过设计超材料拓扑结构和尺寸大小，突破已知的自然规律，使其具有一些特殊的物理性质。超材料的研究是从左手材料的理论和实验开始的。本发明拟采用srr或csrr左手材料来研究超材料的能量收集。
[0267]
step 2基于超材料表面设计的理论和仿真
[0268]
在无源的空间中，电流密度j和电荷密度ρ处处为0。在各向同性的线性均匀介质中，e和h满足 maxwell方程组：
[0269]
[0270][0271][0272][0273]
将代入上述中可得到时谐电磁波基本方程，即helmholtz方程：
[0274][0275][0276]
其中电磁波的传播波矢k为：
[0277]
k2＝ω2εμ
[0278]
左手材料中，ε《0，μ《0,满足k2》0，电磁波依旧可以在介质中传播，波矢k，e和h符合左手螺旋关系。坡印廷矢量s给出能量流的方向：
[0279][0280]
因此，左手材料具有很多与传统右手材料不同的物理性能，例如后向波特性，逆doppler效应，逆 cerenkov辐射效应，完美折射效应和负折射现象等。在科学家们研究出了入射平面波矢量方向垂直于超材料表面的左手超材料结构，使得平面左手超材料具有单元尺寸更小，能够广泛应用的优点，具有更广泛的应用前景。
[0281]
拟使用hfss进行仿真。首先设计一个csrr单元如图17左图，采用rf4b基板，介质常数为2.65，电损耗为0.001，基板厚度t＝0.5mm，参数设置l＝8mm，s＝4mm，w＝0.55mm，铜层厚h＝35μmm，然后根据设计的csrr单元组成一个4
×
4的csrr单元阵列如图18右图。
[0282]
基于异质多电容存储结构的状态转移式全局能源优化配给。
[0283]
step1基于异质多电容的能量存储与释放
[0284]
常规的backscatter设计常采用单个超级电容器来存储收集的能量，结果，无源后向散射标签只能在充电和放电两种状态之间交替而间歇地工作。同时，因为超级电容器在充电时标签会停止工作，所以工作时间被大大缩短。
[0285]
本发明拟使用多电容器存储结构解决此问题。以异质双电容存储结构为例，选取一个容量较大超级电容器ccap(如220mf)和一个容量较小电解电容器c(如10μf)来构建蓄电库。电解电容具有机械强度高，体积小，容量较小，充电速度快，价格便宜的特性，但寿命较短；超级电容具有功率密度高，循环寿命长，特性变化小，充放电效率高且绿色环保的特性，但充电速度较慢。根据以上电容特性，采用并排式电容结构，电解电容由于容量小，充电速度快，在超级电容仍充电时，先进行放电，可以解决超级电容充电慢，影响效率的问题。在电解电容的输出电压超过标签的触发阈值时，电解电容会开始放电并驱动标签工作，当输出电压降至触发阈值以下时，电解电容会切换至充电状态。此时，超级电容被唤醒，开始放电。与单一超级电容器相比，异质双电容具有如下优势：
[0286]
通过使用快速充电的电解电容器，可以缩短冷启动延迟。
[0287]
通过在两个电容器之间交替，系统可以连续工作。
[0288]
step 2基于有限状态机的全局能量管理
[0289]
预设计实现全局能量管理电路如图19所示。电路由充电器、能量控制器和电压输出三个逻辑单元组成。充电器从环境射频信号和太阳能中收集能量，以提高充电效率。然后将收集的能量储存在电容器组中。能量控制器管理电容器来为无源后向散射标签供电。电压输出模块将储存的功率调节为恒定电压，实现最大程度的低功耗。
[0290]
电路工作原理可以用一个有限状态机描述，如图20所示。通过构建有限状态机，用不同电路状态来控制整体电路的充放电，进行电流闸模块设计，有效防止漏电，并保证了系统的数据传输完整性和可靠性。其中，vc表示电解电容电压，v
cap
表示超级电容电压，v
th
为二极管阵和开关管g0的联合导通电压，va表示非门输入电压，vb为非门输出电压，vg表示开关管g3的开启电压。每种状态间的转换具体如图21。
[0291]
5验证与测试实验设计
[0292]
为了验证系统的远距离通信效果和能量供给模块对环境能量利用的有效性，本发明将通过真实环境下的室、内外实验和典型场景实验实现对系统指标的检测与评价，并通过对多次实验结果的分析来不断优化系统，实现系统指标的不断优化。“环境信息激励的无源后向散射长距离、低功耗通信系统”的验证和测试需要检测和评价的指标有：信号强度、载波检测距离、后向散射传输距离、通信系统丢包率和误码率、能量收集速度、系统持续工作时间等。
[0293]
(1)实验设计
[0294]
在真实实验中，以lora标签不带电池，从rf信号和环境能源中获取能量为前提，实现以下三种不同拓扑结构的无线通信实验。如图22所示：将下行链路lora chirp信号作为激励信号并将其调制为标准的上行链路lora chirp信号；检测上行链路lora chirp信号，并将它们作为激励以调制传感数据；检测下行链路lora chirp信号，并将它们作为激励以调制传感数据。
[0295]
1)以上述拓扑为系统部署参考，本发明将通过实验来验证以商用lora chirp为激励源的千米级后向散射通信系统的有效性，实验的设计需回答以下问题：
[0296]
①
本发明所提系统在使用专用设备(usrp 2954r)和商用设备(dragino lora gateway)搭建的通信平台中，反向散射信号的延时、丢包率、误码率、吞吐量是多少，系统的通信覆盖范围和鲁棒性如何？与已有的主流系统设计相比在，信息传输的准确性、有效性如何？
[0297]
②
本发明所提的系统的“无源后向散射”方法在改变参数时(如原lorawan网络数据的发送速率，发送功率，发送频段和lora chirp信号的扩频因子等)，对通信效果的影响如何？
[0298]
③
3d天线阵及源节点、散射标签个数、天线间距、标签间距、天线和标签的几何拓扑、设备部署密度对于系统通信距离和丢包率，误码率的影响如何？
[0299]
④
本发明所提供的基于轻量级神经网络加速器的环境载波检测方法能检测的最远距离是多少，源信号强度改变时检测灵敏度如何变化？
[0300]
⑤
信号源在动态改变时，移动速度和轨迹对最远散射距离有何影响？多节点多频率随机跳频的效果如何？
[0301]
⑥
三维天线阵列设计波束形成的集中性和有效性如何？与已有的单偶极天线相比，是否能够实现除目标波束形成方向以外其他方向的反射信号强度降低？
[0302]
⑦
当无源后向散射标签处于不同温、湿度，不同空气污染程度(pm2.5/pm10)的环境中，处于不同天气状况时(如雨雪、晴天、大雾、大风等)，系统的通信距离和信号强度有什么不同？系统是否具有能适应不同工作环境的鲁棒性？
[0303]
⑧
本发明所提无源后向散射长距离通信系统在不同障碍物环境中，比如人、动物、植物环境，或障碍物个数不同时，其效果如何，应用是否带有局限性？
[0304]
⑨
当环境具有同频段无线信号干扰时(比如gsm网络信号、rfid信号)，干扰源的强度、距离，工作的频率对所提系统通信指标的影响如何？系统是否具有抗干扰能力？
[0305]
⑩
无源后向散射系统的模块功耗，与其它无源后向散射系统进行比较，能量效率是否有大量提高。系统漏电情况如何，能量存储效果如何？
[0306]
2)针对系统的高效多元能量收集和储能利用优化部分，需要验证以下问题：
[0307]
①
能量收集模块在不同环境情况下，充电效率有何变化，充电时长都和什么因素相关？
[0308]
②
环境能量非常有限时，是否还能有效充电？
[0309]
③
电容储能情况和工作时长的关系如何？系统载荷不同时储能模块的工作时长变化曲线是什么样的？
[0310]
④
在无源反射标签工作和空闲状态时电流闸是否能有效开启和关闭，以达到系统能量供给优化？
[0311]
(2)仿真实验：
[0312]
仿真实验从以下几方面着手：
[0313]
①
基于usrp 2954r软件无线电系统、xlinx fpga验证平台，和不同型商用设备搭建的部署环境中 (lora网关dragino lora gateway和节点)进行实验，根据所提供设备的不同信息特性，采用仿真平台模拟各种设备进行实验，以考察不同设备作为无源后向传输目标，是否对通信系统预期指标有所影响。
[0314]
②
通过仿真调整硬件设计中的如电容、电感、电阻及开关等参数，结合理论计算模型，找到所提无源后向散射系统中关键的设计参数及拓扑结构，以求实现设计低功耗。
[0315]
③
用仿真软件模拟各种设备的不同收发状态，在不同部署拓扑下，通过多次实验获得多组数据，从实验数据的分析报告中不断丰富和完善所提方法理论体系。
[0316]
(3)室内实验设计及部署图
[0317]
真实环境实验主要是检验所提方法在实际环境中的效果和模拟仿真效果的差异，室内真实环境实验方案如下。
[0318]
①
室内多径对系统的影响。不同设备在室内多径一般和多径丰富的环境中，对收集到的信号进行分析，记录结果并比较。分析在室内不同环境干扰下，所实现的无源后向散射通信系统的载波检测、节点信息加载、移频调制和随机化多频跳的有效性，并对不同环境状态下不同信道中系统传输距离、吞吐量、误码率、能耗等参数进行测量和比较分析。
[0319]
②
室内反射信号强度变化规律与室内最远反射距离。在室内没有其它信号干扰的情况下，改变信号源与无源后向散射标签的距离，每隔5m测量一次信号的最远反射距离，以及相应的反射信号强度、丢包率和误码率。记录反射信号强度变化规律。
[0320]
③
不同信道组合对后向散射效果影响。在室内无其它信号干扰的环境中测量从lora下行信道到上行信道、上行信道到上行信道以及下行到下行信道的反射效果，得到三
种不同的反射方式对反射信号的最远反射距离的影响。
[0321]
④
墙壁对信号强度的影响情况。在室内无其它信号干扰的环境中测量信号可以穿墙个数，以及每穿过一堵墙后信号的强度衰减情况，丢包率和误码率变化情况。
[0322]
⑤
室内充电效率实验。在室内日光灯照明条件下测量能量收集充电效率。在光照充足的室内测试能量收集模块充电到1.9v，2.1v，2.3v，2.5v，2.7v分别对应的充电时间。按照相同的实验步骤，将日光灯源换成室外自然光条件下，完成对比实验。
[0323]
(4)室外实验设计及部署图
[0324]
室外测验主要是在户外空旷区域进行实验，验证室外场景不同硬件设备、设备部署方案、环境条件等变量对实验结果的影响：
[0325]
①
专用设备和商用设备对系统影响。在相同的室外条件下采用测试平台(usrp 2954r、usrp 2921) 和商用设备(dragino lora gateway)进行实验，并分析环境因素、设备部署方案等对实验结果的影响。
[0326]
②
多节点不同拓扑部署随机多频跳实验。多个反射节点随机部署在源节点周围，例：有的距离载波发射源节点10m，有的50m，有的100m，有的150m等，每个反射节点将载波信号反射到不同的频段，每隔 20m测量这些反射信号的信号强度、吞吐量、误码率和丢包率。
[0327]
③
自然环境因素对系统鲁棒性影响。在不同天气(阴/晴/雨/雪)、温度、湿度、空气污染物(pm10)、光照、烟雾、酒精浓度等环境下对系统进行评测。固定发射源节点与后向散射节点距离，测量最远散射距离，并每隔20m对散射信号的强度进行测量，绘制散射信号强度随距离衰减的曲线。同样，测量通信系统的吞吐量、丢包率和误码率，并进行分析。
[0328]
④
干扰环境下通信效果验证。室外环境下，改变同频段rfid信号的发送频率，测量干扰信号在lora 网络带内和带外不同情况时，对后向散射信号传播距离、信号强度、丢包率和误码率的影响。
[0329]
另外，在室外无源感知后向散射的实验过程中，分别有单发单收、多发单收、单发多收和多收多发的通信情况。需要通过对设备部署方案的调整，来验证不同拓扑情况对实验结果的影响。
[0330]
室外随机多频跳实验选择在视距500m
×
100m的广场进行，其余测距实验可在视距2km
×
1.6km的场地进行。
[0331]
(5)野外典型场景实验
[0332]
实验地点：陕西周至国家级自然保护区的玉皇庙“秦岭金丝猴研究基地”。
[0333]
预计设备型号：usrp 2945r两套，usrp 2921一套，dragino lora gateway四套，无源后向散射标签节点十套，lora sx1276节点十套，太阳能充电板四套，intel 5300nic(csi)设备四套，wi-fi设备四套， rfid设备四套，温湿度、光照等各种传感器各十套。验证效果需要评价的指标：充放电效率、能耗、通信范围、信息传输质量、人力耗费、鲁棒性。本发明组拟在玉皇庙金丝猴投食观测区选取1.2km
×
1km区域测试无源后向散射通信范围，能量收集模块充电效率，信息采集、传输的准确性和实时性，同时对系统能耗以及人力代价等指标的情况进行评估。本发明计划在实验区域内根据实验计划部署十套lora sx1276 信号发生节点，十套无源后向散射标签(包含传感器和能量管理模块)，两套usrp 2945r收信号设备，四套dragino lora gateway收信号，四套intel 5300nic收发设备、四套wi-fi设备、四套r1.fid设备，设备固定于太阳能路杆1.70m的位置，杆顶安装jj-75d太阳能板予以供电，
同时杆上悬挂 500
×
600
×
200mm室外不锈钢防水箱。
[0334]
(6)真实应用场景部署和展望
[0335]
实验地点：办公楼内，
[0336]
预计设备型号：usrp 2954r一套，lora sx1276信号发射节点一套，无源后向散射标签一套(以后向散射室内非视距通信距离为例来进行实验说明)，在房间放置lora sx1276信号发射节点和反射节点相距50m，100m，150m，usrp接收设备在临近的几间房内改变接收位置。目标在感知区域内时，通过天线接收载波并调制信息，在经过节点散射，实现室内非视距较远距离通信。测量系统在该种环境下的能量收集效率、信息传输准确性和实时性。同时，探索无源后向散射标签信号散射距离与发射节点和散射节点之间距离的关系，并对通信质量、鲁棒性、系统能耗以及人力代价等指标的情况进行评价。
[0337]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。