无线网络中的自适应无线电配置

背景技术

LoRa(远程)等低功耗远程无线网络已成为物联网部署的主流。考虑到这些协议支持的应用的多功能性，它们支持多种数据速率和带宽。然而，对于可以跨越英里的给定网络部署，网络运营商需要为网络中的所有设备指定相同的配置或配置的小子集，以便彼此通信。这种全能的方法在跨越英里、拥有数百台设备的大型网络中效率极低，因为它通常会导致连接到低功率远程网络上的基站(网关)的许多(如果不是大多数)无线设备的数据传输速率低于最佳数据传输速率。

发明内容

提供了一种无线网络系统，其包括基站设备，该基站设备包括处理电路，该处理电路被配置为从传入分组传输信号的前导码的一部分检测传输速率，并使无线电配置适于以传输速率接收传入分组传输信号的剩余部分。

本发明内容以简化的形式介绍了一些概念，这些概念将在下文的详细说明中进一步描述。本发明内容并非旨在确定所要求保护的标的物的关键特征或基本特征，也并非旨在限制所要求保护的标的物的范围。此外，所要求保护的标的物不限于解决本公开的任何部分中指出的任何或所有缺点的实现。

附图说明

图1示出根据本公开的实施例的无线网络系统的示意图。

图2示出由图1的无线网络系统分析传输分组的示意图。

图3示出基站设备读取图2的传输分组的示意图。

图4A和图4B示出了描述诸如图1中的那些传输分组的数据速率和前导码结构的图表。

图5示出了配置有软件设计的无线电的基站设备(诸如图3的基站设备)的示意图。

图6A-图6C示出了说明用于对诸如图2中的那些传输分组进行采样的采样方法的图。

图7示出说明诸如图2中的那些传输分组的适应性采样的图。

图8A-图8C示出包括在诸如图2的那些传输分组中的LoRa上线性调频的频谱图。

图9A-图9C示出说明由图1的无线网络系统使用的传输分组的数据特征的图。

图10示出说明由图3的基站设备支持的传播因子和带宽的组合的覆盖图。

图11示出了图1的无线网络系统中使用的多阶段人工智能模型的示意图。

图12A-图12B示出了图11的多阶段人工智能模型中使用的神经网络的示意图。

图13示出描述图1的无线网络系统的准确度和另一系统的准确度的图。

图14A-图14D示出描述图1的无线网络系统跨不同的带宽、传播因子和位置的准确度的图。

图15A-图15C示出描述图1的无线网络系统跨不同的位置和时间的准确度的图。

图16A-图16B说明了根据本公开的实施例的方法的流程图。

图17说明了可以实现图1的系统的示例性计算机环境。

具体实施方式

为了解决上述问题，图1示出了示例无线网络系统100，其被配置为允许网络设备以任何数据速率传输。无线网络系统100包括基站设备102，其使用分组传输信号107A的前导码107A1中的前几个符号来分类正确的数据速率，切换基站无线电配置，然后解码数据。本公开的设计利用了室外IoT部署中固有的不对称性，在这种情况下，客户端电源不足且资源受限，而基站设备102(即无线网关)则不然。(本文中，术语基站和无线网关可以互换使用。)本文所公开的无线网络系统100向后兼容现有的LoRa协议，并在室内和室外部署中以97％以上的准确度准确标识正确的配置。

第1节：简介

LoRaWAN等低功耗广域网(LPWAN)在大规模IoT(IoT)部署中越来越受欢迎。尽管LoRaWAN刚刚起步，但已有超过1亿台设备在部署中，预计到2023年，这一数字将超过7.3亿。与其他主流解决方案相比，LPWAN的功率更低，通信距离更长，成本更低。这些特点使得配置了此类无线电的设备非常适合城市、农业、森林和许多其他行业的低吞吐量大规模网络。

为了支持远程和多样化的设备需求，LoRaWAN可以以多种不同的数据速率运行。如图4A所示，使用两个参数配置数据速率：LoRa传输中使用的线性调频的带宽(BW)和传播因子(SF)。图4B示出了具有八个上线性调频和两个下线性调频的LoRa前导码的频谱图。实际数据速率还取决于用于确保纠错的码率。假定为固定码率。正如预期的那样，更高的带宽可以实现更高的数据速率。传播因子定义了传输一个线性调频所需的时间，即较高的传播因子意味着传输信号所需时间较长，因此数据速率较低。流行的LoRa实现可以支持7.8kHz到500kHz的带宽和7到12(在对数尺度上)的传播因子。因此，以7.8kHz和传播因子12传输的设备将获得比以500kHz和7的传播因子传输的设备低约1189倍的数据速率。

尽管网络中的设备具有如此广泛的可能性，但当前的范例要求系统设计方为整个网络配置带宽和传播因子的单个配置设置(或兼容配置设置的小子集)，即所有设备的带宽和传播因数都是相同的。尽管已经提出了LoRaWAN自动数据速率(ADR)算法，但它们可能需要数小时到数天才能收敛，具有显著的控制开销，并且不能处理多个带宽。因此，例如，在农场网络中，网络的配置通常设置为可以连接农场最远位置的设备，例如拖拉机，即使农场上大多数网络连接的传感器甚至拖拉机通常靠近网络的最近无线基站设备。这种设计选择源于限制网络复杂性和减少协调频繁数据速率变化的控制开销的需要。然而，这种设计选择有三个严重的缺点，如下所述。

网络吞吐量

LPWAN设备在大面积上运行。单个LoRa网关(LoRaWAN使用网关客户端操作模式)的设计覆盖范围约为10公里，最多可覆盖数千个设备。在如此大规模的部署中，范围末端的设备几乎无法支持较低的数据速率。因此，这种“全能”的设计甚至迫使支持高数据速率的设备以极低的数据速率运行。这会降低总体网络吞吐量，并将网络可支持的设备数量减少多达两个数量级。

部署开销

网关的最佳配置需要由网络运营商设置。通常，这是通过测试多个配置并选择适用于所有客户端设备的配置来实现的。该过程需要技术劳动力，并不总是可用的；例如，在偏远农村地区部署此类设备进行农业监测时。其次，配置选择需要是动态的。由于环境的变化或设备的增量部署，此配置将随着时间的推移停止为设备的子集工作，并需要频繁更新。

流动性

IoT设备可以安装在移动车辆上，例如拖拉机、公共汽车或皮卡车。最佳配置随车辆移动而变化，在移动之前很难预测。可以选择最低数据速率配置，但这会显著降低网络容量。

这里展示的是一个新的无线网络系统100，它可以支持无线设备101以不同的数据速率传输。每个无线设备101以尽可能最好的数据速率为自己传输数据，这可能取决于信号质量和应用要求，而无需无线设备101事先(即在开始无线通信之前)将无线设备101的配置通知基站设备102。本文描述的方法不需要无线设备101传输任何控制包，不需要更改LoRa协议，并且向后兼容现有设备(即，不需要使用LoRa协议对IoT无线设备101进行任何硬件更改)。

如图5所示，无线网络系统100在无线基站104的LoRa收发器前面使用软件定义无线电(SDR)作为无线网关。SDR检测前导码，标识前导码信号的带宽和传播因子，并将LoRa无线电的无线电配置调谐(即，调整)到正确的设置以接收分组。这允许无线网关成功地从以任何配置运行的客户端接收分组。由于此方法在每个分组级别上运行，因此它支持由于客户端移动性以及环境中的动态变化而导致的数据速率变化。在无线网络系统100中，有一组神经网络，它们使用LoRa线性调频中的少量样本对每个传入分组传输信号107A在基站处的正确无线电配置进行分类。

本文公开的无线网络系统100的配置解决了以下三个技术目标以及在实际部署中实现这些技术目标的相关挑战。

灵敏度

为了保持LoRa部署的远距离，无线网络系统100的第一潜在技术目标是能够在低信噪比(SNR)下运行。

实时操作

无线网络系统100的第二潜在技术目标是能够通过SDR检测分组并实时重新配置LoRa无线电，并有足够的时间正确接收分组信号的剩余部分，从而确保分组不会丢失。

与现有部署的兼容性

第三潜在技术目标是，现有部署不需要对现有LoRa设备进行协议或客户端硬件更改，尽管未来几代设备不会因此受到限制。

下文描述了与实现这些技术目标相关的挑战，并在第2节中概述了本公开的系统，随后讨论了这些挑战。

本公开的无线网络系统100采用一种新颖的方法来解决移动网络中的基本速率自适应问题。它不需要客户端设备和网关事先就速率达成一致。人们可能会想，是否可以借用现有的速率适配协议，如Wi-Fi，其中使用最低数据速率发送包含数据速率配置的前导码。这种方法不适合LPWAN，因为它们主要是为大规模部署而设计的，其中每个客户端都需要发送少量数据。此外，由于LPWAN中的数据速率变化高于Wi-Fi，这会导致以高数据速率发送的分组的开销非常高，而数据量却很低(最小数据速率下的一个符号比最高数据速率下的一个符号长1189倍)。此外，这增加了客户端设备设计的硬件复杂性，并没有直接考虑LoRa中客户端使用的不同带宽。

无线网络系统100的网关使用通用软件无线电外围设备(USRP)SDR平台实现，该平台可以在一个实现中使用现成的LoRa芯片组作为客户端实现。无线网络系统100已在多种环境下进行了评估：具有不同信号强度的台式实验、跨多个房间的室内部署和室外部署。结果总结如下。

在测试中，无线网络系统100配置检测算法的配置可以在室内、室外和台式实验中检测到传入分组传输信号的正确编码参数，准确率分别为99.8％、95％和98.2％。相比之下，自相关基线的准确度分别达到67.4％、67％和78％。

无线网络系统100在低信噪比下继续有效运行：即使信号衰减超过140dB，也能达到94％的准确度。

无线网络系统100的算法可以有效地推广到新的环境，并在动态环境中持续运行。在一个持续五天的实验中，无线网络系统100的准确率始终超过99％，每天的变化很小。

最后，应当理解，本文公开的无线网络系统100可以应用于未来几代设备。随着神经网络的发展和更快的硬件实现的发展，本文描述的算法可以应用于仅将速率自适应负担转移到电力连接基站基础设施(即，转移到网关/基站设备102，而不是像当前情况那样需要基站设备102和移动无线设备101两者的协调配置)，从而减轻由电池供电的移动设备的速率配置开销。因此，本文所述的方法不仅限于应用于低功率广域网，还可能应用于各种其他类型的无线网络，包括高速网络，例如目前正在开发的所谓第六代(6G)无线网络。

第2节：挑战

如上所述，本文公开的无线网络系统100旨在实现灵敏度、实时操作和兼容性的三重目标。然而，这些目标本身都具有挑战性。

首先，将讨论灵敏度。LPWAN协议的灵敏度与带宽直接相关。较低带宽信号的噪声较小，因此可以在较低信号强度下接收。相反，较高带宽的信号需要接收器处的较高信号强度才能正确解码。因此，如果无线网络系统100将其SDR配置为在低带宽下运行，它将满足灵敏度要求，但会错过在较高带宽下接收的信号。另一方面，如果无线网络系统100将其带宽设置得太高，它可能会在较低带宽下错过来自更远距离(从而降低信号强度)的信号。

其次，为了确保实时操作，SDR最好只使用几个符号来标识分组的正确配置。然而，符号本身的长度取决于发射器使用的配置。使用传播因子12发送的符号比使用传播因子6发送的符号长64倍。如果信号采样时间过长，则对于数据速率最高的发送器来说，存在丢失整个分组的风险。另一方面，如果信号采样持续时间太短，则可能没有足够的信息来标识低数据速率发送器的正确编码参数配置。

最后，为了确保向后兼容性，希望无线网络系统100在网关上设置了正确的配置之后接收整个分组。然而，这需要在信号到达网关之前标识配置—这项任务看起来似乎是不可能的。这些挑战如图6所示。该图显示了与配置接收SDR本身相关的挑战。该图显示了三种不同配置的线性调频，这三种配置彼此相对接近。尽管存在更严重的差异，但由于规模差异较大，因此很难在这些图上直观地表示这种更严重的差异。如图6A所示，对最大带宽的一个符号进行采样仅捕获高带宽信号的一小部分，并降低灵敏度。另一方面，如果针对图6B中的低数据速率配置对一个符号长度进行采样，则保持高灵敏度，但它会为高数据速率符号(多个符号)引入显著的延迟。最后，人们可能会想，为什么所有可能的配置都没有使用频率带宽和符号持续时间的最小值。这将确保对低信号强度的灵敏度和实时操作。然而，如图6C所示，这样的配置最终会遗漏一些配置。

为了解决灵敏度和实时操作之间的冲突，无线网络系统100采用了自适应方法。它使用数字域中的一组带通滤波器在短时间内对小块带宽进行采样。它使用这些小块的带宽和频率来决定它是否捕获了足够长的时间来决定配置，或者是否需要更长的采样时间。在任何情况下，无线网络系统100都不会对任何配置使用超过两个符号的持续时间来做出此决定。这个想法在图7中表示。

最后，为了与现有硬件兼容，网关需要在配置后接收整个分组。由于SDR至少使用了前导码的一部分来标识网关，乍一看，这一目标即使不是不可能，也很难实现。解决此问题的一种方法是在无线网络系统100的传输速率确定网关105处缓冲时间样本，然后在基站014的无线电106处重放。然而，这使无线网络系统10的电路复杂化，也增加了其成本。相反，为了解决这一挑战，LoRa协议中的前导码的结构被利用。对于该系统的操作来说，重要的是可以动态配置分组的前导码长度的操作原则。一个必然的操作原理是，动态配置的前导码可以大于基站无线电检测分组所需的前导码长度。无线网络系统100可以使用其余符号来确定配置参数，并在基站无线电上设置这些参数。例如，基站可以被配置为预期前导码为8个符号，但客户端可以被配置为使用10个符号。可以为无线网络系统100的基站分配这两个附加符号，以预测传入分组传输信号的编码参数，并根据编码参数重新配置LoRa基站以正确接收信号。然后网关可以使用剩余的信号对分组进行解码。注意，由于上线性调频的数目是可变的，网关仍然可以看到一个完整的前导码，该前导码有一个上线性调频的序列，然后是两个下线性调频，并且能够成功解码分组。

第3节：LoRa

LoRa是基于线性调频扩频(CSS)技术的LPWAN的物理层实现。在LoRa调制中，线性调频信号生成到编码数据符号。如图8所示，线性调频的频率随时间线性变化。两个参数定义了有效数据速率：带宽和传播因子。带宽控制频域中线性调频的总跨度。传播因子定义了每个线性调频在时域中的时间长度。具体来说，对于具有传播因子SF的线性调频，传输所用的时间与2

因此，传输线性调频所需的时间T

为了传输信息的位，发射器修改线性调频的初始频率f。具体来说，为了发送符号值S，发射器将起始频率设置为：

LoRa允许S取{0,2,2,，，2

如等式2所示，带宽的增加会增加数据速率。传播因子的减小会增加数据速率。人们可能会想，如果较高的SF会降低速率，为什么要使用它呢。这是因为较高的SF也会增加符号的持续时间，从而更容易正确解码。

最后，重申了本文其余部分的术语。符号是每个线性调频所传送的数据单位。符号的持续时间与线性调频的持续时间相同。每个符号或线性调频由多个样本组成，具体取决于采样率和采样持续时间。例如，对于每秒106个样本的采样率，2毫秒的符号持续时间将对应于2000个样本。

第4节：无线网络系统

本文公开的无线网络系统100是支持动态链路配置的LoRa的新网关设计。使用无线网络系统100，客户端可以优化其数据速率，而无需通知无线基站104其更新的配置。反过来，这允许单个无线基站104大规模支持数百个无线设备101，而不会影响性能。例如，LoRa网络部署可以包括分散在距离基站设备102数英里半径范围内的客户端设备。跨此覆盖区域，可实现的吞吐量随距离和不同的信道条件而变化。无线网络系统100使LoRa网络能够支持多种配置，否则将不得不牺牲性能，以支持广阔覆盖范围内的所有设备。

为了更好地了解LoRa的性能，进行了距离测试，以确定与基站设备102的距离相关的最大可实现数据速率。图10示出了在维持LoRa基站与客户端之间的可靠通信链路的同时，可以支持的最佳配置设置的覆盖图。在工业园区设置中，基站位于固定位置，并在整个园区内改变客户端位置。客户端无线设备以20dB的传输功率连续传输LoRa分组，并在每个位置改变编码参数，以测试系统的限制。图10示出了跨所有位置以及对应的BW和SF的最大支持数据速率。关键的一点是，支持的编码参数之间存在很大差异，这证明了支持更动态网络的愿望是合理的。

无线网络系统100通过采用神经网络方法来预测任何给定客户端用于数据传输的带宽和传播因子来实现这一点。反过来，基站设备的无线电也会相应地重新配置，以正确接收和解码传入的分组。无线网络系统100的基站设备102的架构的一个视图如图5所示。如图所示，基站设备102包括传输速率确定网关105。传输速率决定网关105是如上所述的SDR，并且具有三个组成组件：用于检测传入LoRa分组传输的分组检测模块110(分组检测器)、用于对编码配置进行分类的分类器112(其可以是如下所述的神经网络处理单元)以及最后一个无线电配置模块114，其与LoRaWAN无线基站104通信以更新编码参数。虽然LoRaWAN无线基站104的名称中包括“基站”，传输速率确定网关105的名称中包含“网关”，但可以理解，两者都包含在作为基站设备102的单个设备中，并且在连接到WAN时也作为WAN的网关。

图1在100处描绘了这样描述的无线网络系统的一般描述，其中可以部署图5中描述的基站设备102。如图所示，无线网络系统100包括基站设备102，该基站设备102被配置为使用信号107经由无线网络108(例如LoRa网络)与多个无线设备101(例如，LoRaWAN配置的设备)通信。基站设备102被配置为用作广域网(WAN)(诸如Internet)的网关设备，基站可以通过该网关设备与远程设备(诸如远程服务器和远程客户端)通信。

基站设备102包括处理电路103，该处理电路103被配置为从传入分组传输信号107A的前导码107A1的一部分检测传输速率，并使其无线电106以传输速率接收传入分组传输信号107A的剩余部分107A2。基站设备102被配置为实现低功率广域网，并且根据LoRaWAN通信协议从无线设备101向基站设备102发送传入分组传输信号107A。因此，在本示例中，使用LoRaWAN网络协议从多个无线设备101发送传入分组传输信号107A，但可以使用其他网络协议。例如，可以使用其他低功耗远程协议，或者可以使用高速网络协议(诸如6G)，或者其他合适的网络协议。在本示例中，示出了三个无线设备101与基站设备102通信，但是可以理解，多达数千个无线设备102可以与基站设备101通信。

继续图1，基站设备102的传输速率确定网关105(如上所述为SDR)还包括分组检测模块110，其实现自适应采样算法以收集传入分组传输信号107A的前导码107A1的样本、基站设备102的接收器115从多个无线设备101中的一个接收到的传入分组传输信号107A。基站设备102的传输速率确定网关105还包括分类器112，其可以采用CNN的形式，配置为接收样本并输出指示传入分组传输信号的一个或多个编码参数的分类117。在此示例中，编码因子是带宽和传播因子，然而，在其他示例中，可以使用其他编码因子。传输速率确定网关105还包括无线电配置模块114，其发送配置命令以配置无线基站104的无线电106，以根据分类117指示的一个或多个编码参数(诸如带宽和传播因子)接收传入分组传输信号107A的剩余部分107A2。本段中描述的过程也在图3中示出，图3示出了前导码107A1被自适应采样算法处理以产生与前导码中的初始符号对应的样本，然后被分类器112处理以产生指示编码参数的分类117，它依次用于配置无线电106以正确接收传入分组传输信号107A的剩余部分107A2。

无线网络系统100的实现存在三个技术挑战。首先，无线网络系统10存在在接近实时中确定接收分组的配置参数的挑战。其次，无线网络系统100面临着向后兼容现有LoRa解决方案的挑战。第三，无线网络系统100的无线基站设备102面临的挑战是，如何通过无线设备101选择的各种可能的编码参数来实现高预测准确度。以下各节详细说明无线网络系统100如何解决每个挑战，并描述可用于实现分类器112的神经网络的架构。

4.1实时预测

为了成功解码传入分组传输信号107A，基站设备102需要用与传入的分组传输信号107A匹配的参数来配置其无线电106。这种重新配置需要足够快地完成，以便无线电106仍有时间检测传入分组传输信号107A。为了检测传入分组传输信号107A，无线电106需要传入的分组传输信号107A的前导码107A1。

如第2节所述，无线网络系统100使用添加到LoRa分组前导码107A的附加符号来确定配置参数，并在基站设备102的无线电106处设置这些参数。为了验证这种方法，将两个Semtech SX1276LoRa芯片分别配置为基站设备102和无线设备101。流行LoRa芯片组(Semtech SX1262/1276)的API用于配置6-65535个符号的LoRa分组前导码，其中分组检测至少需要6个符号。基站设备102处的前导码107A1被设置为8个符号，同时改变无线设备101前导码长度。无线设备101使用不同的前导码长度通过空中传输分组，然后在基站设备102验证分组的接收。结果表明，可以向无线设备101的前导码107A1添加附加的五个符号，同时仍然保持基站设备102的可靠接收。无线网络系统100最多需要两个符号，具体取决于用于输入数据的编码参数。这种变化是因为对于任何神经网络来说，数据的输入形状都是一致的。根据传入网络进行分类的数据样本数量，用于任何给定输入的符号数量也会有所不同，因为符号的持续时间是BW和SF的函数。

4.2推断SF和BW

如上所述，在基站设备102接收到传入分组传输信号107A之前，编码参数没有在无线设备101和基站设备102之间预协商。可以理解，在无线网络系统100中，无线设备101被配置为将编码参数(诸如带宽和传播因子)设置为在无线设备101处从编码参数的多个预设值中选择的值。这些预设值通常包括网络协议(如LoRaWAN)定义为可用的所有可能值，并且通常不是网络管理方在配置步骤中设置的此类可能编码参数的子集。一旦无线设备101自主选择编码参数，无线设备101被配置为在未与基站设备102进行任何先前通信的情况下，根据编码参数开始发射传入分组传输信号107A以预协商编码参数。

无线网络系统100旨在使用神经网络方法预测LoRa分组传输的传播因子和带宽。在深入研究网络架构之前，我们将首先描述为什么可以推断出BW和SF。通过比较每个符号的样本数，可以很容易地区分BW和SF的特定组合之间的差异。然而，在某些情况下，样本总数是相同的(例如，BW＝125kHz，SF＝8以及BW＝500kHz，SF＝10)。

在编码配置之间区分的一种方法是首先比较任何给定线性调频相对于时间的频率增加。这将提供关于传播因子的见解。其次，线性调频的开始和停止频率可用于确定带宽。请参阅图8A和图8B，表明频率变化率随传播因子而变化，开始频率和停止频率之间的差异导致用于线性调频的带宽。如果使用整个符号持续时间来预测参数，这种技术就足够了，但是这样做会显著增加延迟，因为单个符号的持续时间可能高达525ms。因此，用于确定编码参数的样本数目将最小化。

前面描述的方法仍然可以用于使用LoRa前导码符号的样本子集推断传播因子和带宽，但在这种情况下的折衷是准确度。考虑到信号在空中传输时可能经历的RSSI和SNR的变化，区分不同的编码参数可能会变得更加困难。无线网络系统100考虑到LoRa线性调频的特征，以训练卷积神经网络(CNN)，以对传播因子和带宽的多种不同组合进行分类。具体而言，使用从LoRa前导码107A1的符号中提取的三个特征来执行分类。

因此，应该认识到，如图2所示，在无线网络系统100中可以包括模拟数字转换器111，其配置为在由分组检测模块110实现的自适应采样算法113的控制下以不同速率对传入传输信号进行采样。如以下小节所述，从两个或更少的符号中提取的样本通常由分类器112的人工智能模型使用，以输出分类117。因此，具体而言，样本包括从传入分组传输信号107A的前导码107A1中的两个符号(例如，符号(0)和符号(l))中提取的样本，并且分类器112的人工智能模型使用样本的多个提取特征来确定分类117，多个特征包括样本的实部、样本的虚部和样本的快速傅里叶变换。

前两个特征是信号的实部和虚部，最后一个是快速傅里叶变换(FFT)。使用信号时域和频域的数据对于实现高预测准确度至关重要。例如，如果只使用每个信号的FFT，则几乎不可能区分非常低的BW设置。如图9所示，当评估不同带宽和传播因子设置的FFT时，较低的kHz范围开始看起来非常相似。用时域特性补充这一点有助于捕捉前导码符号振荡频率的变化，而FFT提供了带宽变化的洞察力。

4.3自适应采样

无线网络系统100使用自适应采样方法来优化灵敏度、延迟和分类准确度。回到图7，说明了自适应采样方法。一组数字带通滤波器用于在短时间内创建带宽的子集。

图2所示的自适应采样算法113被配置为使用一个或多个带通滤波器来滤波传入分组传输信号107A，从而生成多个滤波的传入分组传输信号分量，并且确定所捕获的信号足以为经滤波的传入分组传输信号分量中的一个经滤波的传入分组传输信号分量确定一个或多个编码参数。

这些子集用于确定捕获的信号是否足够长，以提供有关无线电配置的准确信息，或是否应继续采样。特别地，无线网络系统100针对表示两个低带宽的前六类使用总共12808个样本(65ms)，针对表示较高带宽无线电配置的后九类使用800个样本(4ms)。直观地说，针对较低的带宽设置使用较大的一组样本是有意义的，因为符号持续时间随着BW的降低而增加。

4.4分类器结构

图1所示的分类器112可以实现为包括至少一个卷积神经网络的人工智能模型，并且可以使用包括多个(例如，两个)级的分层神经网络架构。因此，如图11-12B所示，人工智能模型可以是多级模型，因此可包括第一级和第二级。第一级可以包括带宽分类器，该带宽分类器包括第一卷积神经网络，该网络将传入分组传输信号分类为多个带宽范围分类(例如高范围和低范围)中的一个。还可以定义高范围和低范围之间的中间范围。在第二级，对于带宽低于预定阈值的信号，通过包括第二卷积神经网络的低带宽编码分类器将信号分类为多个低带宽编码分类中的一个，对于高于预定阈值的信息，通过包括第三卷积神经网络的高带宽编码分类器将信号分类为多个高带宽编码分类中的一个。

继续图11所示的实施例，首先使用二元分类器来区分较低和较高带宽。根据预测，接下来将使用六类或九类分类器来预测BW和SF无线电配置。图12说明无线网络系统在每个阶段使用的神经网络架构，其中关键差异是每个分类器输入的类、特征和样本的数目。

低带宽分类器依赖于前面描述的三个特征。二元和九类分类器使用30个特征来预测无线电配置。特征包括实部、虚部和FFT；然而，样本被划分成十个20kHz的块。如前面在第2节中所讨论的，每个分类器的特征和样本的数目的变化是根据需要分类的信号类型来选择的。例如，低带宽分类器使用了16倍以上的样本，因为符号持续时间可能是几十毫秒，需要更多的样本才能具有有意义的特征。另一方面，即使对于低带宽，二元分类器也只使用800个样本，但由于它不需要区分各个带宽，这就足够了。

每个分类器的神经网络从四个卷积层开始，每个层的滤波器大小为128。这些层卷积输入，并由整流线性单元(ReLu)函数激活。ReLu激活函数输出最大值零和输入数据，并以特征图的形式提供输出。接下来是最大池化层，用于减小生成的特征图的大小并保留最有意义的信息。在此网络中，最大池化大小为2。接下来是六个卷积层，每个层的滤波器大小为128-32。这些层还使用ReLu激活函数。在此之后添加一个全局平均池化层，该层计算前一卷积层中每个特征映射的平均输出。最终密集层的大小等于可能分类的总数。密集层使用sigmoid激活函数，该函数提供值0到值1之间所有类别的输出概率。为了检索预测类别，取最终输出层的最大概率。

为了评估神经网络对数据集建模的效果，使用了分类交叉熵损失函数，

其中N是类的数目，p是当前样本的预测概率，并且t是类c是否正确的二元指示符。损失函数评估输出概率介于0和1之间的分类模型的性能。换句话说，如果模型预测偏离实际值，交叉熵将增大，进而提供误差测量。为了获得准确的预测，还需要使用优化函数将误差最小化。在较高级别处，优化函数计算损失函数相对于模型中使用的权重的偏导数。修改这些权重，直到达到损失函数的最小值。无线网络系统的100网络架构使用Adam优化器来执行此任务。

网络中还添加了三个批标准化层和一个丢弃层。批标准化层通过减去批平均值并除以批标准偏差来标准化前一层的输出，其中批是传递到模型中进行训练的数据的一部分。批标准化提高了网络的稳定性，并有助于减少训练网络所需的时间。最后，为了规范化，在最终密集层之前使用0.5的落差，以减少过拟合。

第5节：实现

下面详细介绍了无线网络系统的实现和实验评估的设置。

5.1硬件

利用通用软件无线电(USRP)平台，设计了无线网络系统100网关的硬件原型。无线网络系统100网关的工作频率为915MHz，这是美国大多数LoRa部署使用的频率。USRP与LoRa接收器位于同一位置，需要将其配置为正确的配置才能成功接收分组。

客户端使用1276Semtech芯片组设计。该芯片组允许7到12的传播因子以及7.8kHz到500kHz的带宽。选择10.4kHz、15.6kHz、125kHz、250kHz和500kHz的带宽进行实验，以覆盖频谱的最末端。请注意，通过选择两个可能的最低带宽，可以使用带宽之间的最小差异。最后，实验中使用了10到12的传播因子。

客户端芯片被嵌入PCB中，用于设置传播因子和带宽，并允许传输数据位。该芯片使用ARM STM32L151微控制器被控制。已针对此微控制器编写自定义固件。无线网络系统100可以在客户端侧使用任何此类实现而无需任何修改。

5.2软件

无线网络系统100网关使用GNU Radio软件进行控制。该软件运行在具有32GB RAM的计算机上，以915MHz的中心频率和200ksps的采样率收集样本。这是USRP可以实现的最小采样率，并在接收器115处产生200kHz带宽。每个分组记录都经过带通滤波器，以进一步将接收器带宽减少到20kHz。执行附加滤波以提高接收器115的灵敏度。然后，使用分组检测算法将样本切成单个符号，该算法使用滑动窗口上的功率阈值和自相关相结合的方法。

CNN是使用Python中的Tensorflow 2.0框架实现的。它运行在16GB RAM的Microsoft Surface 2和2GB存储器的NVIDIA GeForce GTX 1050GPU上。CNN使用Adam优化器被训练，除了学习率被设置为0.0001之外，参数是默认的。20％的训练集被设置为验证集。所有实验对模型进行20个周期的训练，并根据验证集性能选择最佳模型。除非另有说明，否则每个实验都在三个不同的训练测试分段上进行。下一节规定了每个实验的训练点数。

第6节：结果

无线网络系统100的实证评估如下所示。

6.1实验设置

为了评估无线网络系统100，首先生成数据集，以表示传播因子的15种可能分类，范围为10-12，带宽为10.4、15.6、125、250和500kHz。由于LoRa分组的前导码是一系列上线性调频，因此会创建数据集，该数据集由从每个分组的前导码提取的复杂基带信号形式的单个线性调频组成。第5.1节中描述的无线电用于传输LoRa分组，并使用USRP进行接收。通过此设置，在受控、室内和室外环境中收集数据。

室内数据收集：在办公室空间进行室内实验。实验跨越六个不同的房间，总面积为1000平方英尺。发射设备(例如无线设备101)和接收设备(例如基站设备102)随机放置在不同的房间。在每个设置中，收集每个类的数据。对于每个位置，平均每类收集800个符号的数据。

室外数据收集：为了模拟室外部署，使用校园规模的部署来收集数据。接收设备放置在地面水平上的固定位置。发射设备可以手动或在汽车顶部移动到校园区域内0.02平方英里的不同位置。对于每个位置，选择一个随机传播因子和一个随机带宽来传输数据。手动记录位置和所用配置的GPS坐标。共收集了16个校园位置的数据。

台式数据收集：为了复制远距离室外实验，使用台式实验设置创建具有不同RSSI(接收器信号强度指示器)的受控数据集。在此设置中，发射设备和接收设备直接通过导线连接。对于每个符号分类，使用可变衰减器衰减40-140dB的传输信号。

基线：使用基于互相关运算的基线。使用了示例集，其包含每个类的一个示例信号(带宽和传播因子对)。对于给定的信号输入S，

最后，将得分最高的类分配给该输入。值得注意的是，这是一个计算密集型过程。互相关是O(N log(N))运算，其中N是信号的长度，并且需要对每个类执行。

6.2准确度评估

首先，评估无线网络系统100的CNN标识分组的正确配置的准确度。如前所述，对于无线网络系统的CNN，原始信号被捕获4ms，并用作二元分类器的输入。如果接收到的分组属于低带宽类别，则信号捕获将增加到65ms，否则对于高带宽而言，信号捕获保持不变。这相当于实验中最高数据速率的两个线性调频(或符号)持续时间(带宽500kHz和传播因子10)，以及最低数据速率的约1/6线性调频持续时间。神经网络的性能通过分析上述所有三种场景的准确度被评估。由于限制，该分析使用室内和台式数据的混合来训练网络。30％的收集数据用于训练，所有其他数据用于测试。

现在转到图13，将描述无线网络系统100的准确度。如图所示，无线网络系统的100CNN在室内、室外和台式评估中分别达到了99.8％、95％和98.2％的非常高的总体准确度。这种高准确度证明了无线网络系统100核心思想的可行性，即网关上分组的正确配置可以以高准确度标识。相比之下，基线性能明显较差。对于这三种设置，基线准确度分别为67.5％、67％和78％。基线性能较差的一个原因是难以标识频率带宽的微小差异，如10.4kHz和15.6kHz。与125kHz和250kHz等较高带宽不同，这些带宽相对较近，并且存在噪声和多径，因此难以区分它们。

跨环境的变化。

图13还演示了跨环境的变化。该系统在室外的性能优于室内。这主要是因为与室内环境相比，室外环境包含更多的自由空间和更少的多径衰落。另一方面，室内环境有更多的多径反射，使其更具挑战性。

跨带宽的变化。

图14A示出了无线网络系统100跨不同带宽的性能。对于这个实验，报告了调用，因为它更有意义。调用是正确分类为带宽B的点数除以实际在带宽B处传输的点数。如图所示，所有带宽的调用率保持在99％左右，最低为98.4％(15.6kHz)，并且最高为10.4kHz和125kHz，接近100％。

跨传播因子的变化。

图14B描绘了无线网络系统100在不同传播因子上的性能变化。如图所示，对于所有三个传播因子，调用率仍保持在99％左右。调用率略低，因为传播因子最高。这主要是因为最高的传播因子与每个线性调频的最大时间对应。这意味着，如果采样发生在固定的持续时间，就像它对输入的持续时间一样，则会获得最高传播因子的最小线性调频分数。随着传播因子的增加，这使得分类问题更具挑战性。然而，即使在LoRa使用的最高传播因子下，无线网络系统也能达到95％以上的准确度，只需使用不到一半的单个线性调频持续时间。这证明了无线网络系统的CNN设计的强大性能。

跨位置的变化。

图14C描绘了无线网络系统100在不同物理空间中的性能变化。L0到L4表示四个不同的位置。在这些地点中的每个地点中，无线网络系统100的准确度始终保持在99-100％左右。

跨时间的变化。

图14D绘制了所有15类无线网络系统100随时间的性能变化。在本实验中，连续5天在空中收集30分钟的数据。如图所示，在所有的日子里，准确度几乎都保持在100％。与基线方法相比，准确度显著下降至88％左右。

准确度分析的一个重要发现是，无线网络系统100能够以高准确度正确标识不同场景中的无线电配置。无线网络系统的总体准确度达到97.7％，即丢包率小于1/20。考虑到LoRa的总体分组丢失，此丢失变得无关紧要。在室外城市场景中，带宽为125kHz、传播因子为12的情况下，0-15km距离的分组丢失可能在12％到74％之间。据信，无线网络系统100带来的附加损失最终是实现自动无线电配置的合理权衡。

6.3概述

对于大多数机器学习框架来说，出现的一个问题是，它们能够泛化到训练集中看不到的新环境。这个问题是通过两个经验评估来解决无线网络系统的。

首先，对模型进行训练，同时从训练数据中排除两个位置(室内环境中的不同房间)。具体来说，从L5和L6获得的数据不包括在训练集中。来自这两个位置的数据被分开用于测试集。这允许测试新环境的通用性。该实验的结果绘制在图15A中。如图所示，定位准确度略有下降，从98.9％降至94.5％。

其次，对模型进行跨时间泛化测试。测试数据是在训练集中未包含的一天收集的(间隔一周)。该模型保持了前几天的性能(97％的准确度)。这表明，在准确度方面存在一些位置间差异，但未观察到时间差异。这一结果的关键结论是，即使对于CNN没有遇到的场景的输入信号，无线网络系统也能够实现高准确度。这表明无线网络系统的CNN可以用于多种LoRa网络。

6.4灵敏度

根据使用的SF和BW设置，LoRa可以在-149至-118dBm的灵敏度范围内操作。为了使无线网络系统100对LoRa网络部署有价值，它还必须能够在相同的灵敏度范围内实现高准确度。为了评估无线网络系统100的CNN对低功率信号的准确度，生成了一个衰减为40-140dB的数据集，并分析了模型的准确度。图15B示出了作为无线网络系统100和基线方法衰减函数的模型准确度。无线网络系统100的平均准确度为96.7％，最高可达99％，与衰减无关。这与图13中报告的整个台式实验所获得的准确度一致。另一方面，基线方法的准确度波动，并且对于暴露于高衰减量的信号，其准确度有所下降。总体结果表明，无线网络系统100对信号强度的变化具有鲁棒性，进而应能够保持LoRa可能面临的信号条件的预测准确度。

6.5延迟

最小化无线网络系统100的延迟对于保持实时预测至关重要。如上所述，确定可以向LoRa分组传输的前导码107A1添加五个附加符号，这些符号可以分配给无线网络系统100，以检测、分类和更新基站设备102处的无线电配置。这意味着持续时间从0.01s-1.92s不等。无线网络系统100每类最多使用两个符号(大多数类少于一个符号)，剩余时间可用于分类和参数配置。评估无线网络系统100的CNN延迟，并与基线方法进行比较。图13C示出了两种方法之间延迟的比较。值得一提的是，使用CPU进行分类的无线网络系统100，每个样本大约需要60ms，使用笔记本电脑版本NVIDIA GTX 1050GPU进行分类的无线网络系统100，每个样本大约需要3ms，延迟可以提高20倍。基线方法的计算时间为每个样本140ms，因此无法对大多数LoRa编码参数配置进行实时分类。

第7节：系统概述

本公开描述了一种新的网关设计，其允许使用LoRa和其他协议的无线设备101以其选择的数据速率传输。例如，这使得基站设备102能够支持远程大规模移动无线设备101，而不必牺牲整体网络性能。无线网络系统100使用CNN预测无线设备101传输的分组的带宽和传播因子，并使基站设备102能够跨不同的信号编码参数设置解码分组，从而在一个示例中，快速配置基站设备102的无线电106，以便仅基于来自前导码107A1的前两个符号的信息，正确地接收传入分组传输信号107A的剩余部分107A2。

无线网络系统100的测试实现包括以下组件特征。

用于LoRa无线电配置的分类器

根据测试结果，实现了一个神经网络，可以对15种不同的LoRa无线电配置进行分类，室内和室外场景的准确度分别为99.8％和95％。

实时分类

测试表明，通过利用LoRa分组的动态前导码设置，无线电配置可以实现自动化并实时执行。无线网络系统100依靠最多两个前导码符号在不同的场景中执行高准确度分类。

自适应采样

实现自适应采样以优化网络的灵敏度、准确度和延迟之间的权衡。无线网络系统100调整带宽和捕获持续时间，以对LoRa支持的大量无线电配置进行分类。

尽管这里描述了所公开的无线网络系统100的具体应用，但应该理解的是，无线网络系统可以用于其他应用。此类应用的示例如下所述。

速率自适应

无线网络系统100可用于改进LoRa的速率自适应技术。由于客户机能够配置自己的编码参数，并且无线网络系统100可以自动配置基站设备102以符合要求，因此可以避免许多典型的开销。例如，可以最小化基础和客户端之间的控制消息传递。开发基于无线网络系统100的速率自适应新协议有可能进一步提高LPWAN的性能和效率。

现场可编程门阵列实现

虽然图中未示出，但可以在现场可编程门阵列(FPGA)上实现无线网络系统100。与其他硬件计算平台相比，FPGA提供了更快的性能，还提供了支持不同算法、逻辑和内存资源的灵活性。这样的实现可以通过最小化检测、分类和更新无线电参数所需的时间来帮助改善无线网络系统100的延迟。

备选硬件

虽然所述系统是作为网关开发的，并配有软件定义的无线电，但一些现成的网关(如SX1257)支持访问信号的原始IQ样本，并与设计兼容。

网络修剪

关于改善延迟，修剪无线网络系统100使用的网络是一种有前景的方法。网络修剪背后的思想是，由于网络中有许多参数，因此必然会有一些参数是冗余的，并且贡献不大。这最大限度地减小了网络的规模，进而优化了执行分类所需的时间。

随着5G标准的最终确定，人们对定义6G网络越来越感兴趣，其目标是在带宽和延迟方面比5G提高一个数量级。正在探索的一种有前景的方法是机器学习，以及设备如何自动重新配置以与设备(包括使用其他标准的设备)通信。这可以显著减少控制开销，从而增加网络容量。无线网络系统100架构是朝着这一愿景迈出的一步，即实现完全的互操作性，同时仍保持与传统设备的向后兼容性。因此，本文描述的系统和方法被认为适用于未来的协议，包括未来的高速无线通信协议，诸如新兴的6G协议。

现在转到图16A，将描述无线网络方法。提供了一种无线网络方法1600。如图所示，在1602处，一个实施例中的方法包括从传入分组传输信号的前导码的一部分检测传输速率，在1614处，该方法还包括使无线电适于以传输速率接收传入分组传输信号的剩余部分。下面提供了该方法的更多详细信息。

该方法还包括在1604处经由处理电路实现自适应采样算法，以收集传入分组传输信号的前导码的样本。处理电路可以包括在配备有无线电的基站中，无线电被配置为接收和发射无线信号。在本实施例中，根据LoRa网络协议接收和发射无线信号，尽管在其他实施例中可以使用其他网络协议。例如，发射信号中数据符号的长度变化很大的其他合适的低功耗或远程网络协议可能会受益于此方法的应用。从无线设备接收传入分组传输信号。尽管本实施例的方法描述了从一个无线设备接收到的传入分组传输信号，但应理解，该方法适用于从多个无线设备接受传入分组传输信号。例如，可以使用数十个、数百个甚至数千个无线设备。

在1606处，该方法还包括在分类器处接收样本并输出指示传入分组传输信号的一个或多个编码参数的分类。在接收到传入分组传输信号之前，编码参数未在无线设备和基站之间预协商。未预协商编码参数的好处是，可以按原样使用发送传入分组传输信号的客户端设备。换句话说，此处描述的方法不需要修改客户端设备。在该方法中，一个或多个编码参数包括带宽和/或传播因子，尽管可以使用其他合适的编码参数。

在1608处，在该方法的一个示例配置中，分类器是包括至少一个卷积神经网络的人工智能模型。人工智能模型的详细信息如图16B所示，并将在下文中进行描述。

在1610处，样本包括从分组信号前导码中的两个符号中提取的样本，分类器的人工智能模型使用样本的多个特征来确定分类，多个特征包括样本的实部、样本的虚部和样本的快速傅里叶变换(FFT)。使用信号时域和频域的数据对于实现高预测准确度至关重要。例如，如果只使用每个信号的FFT，则很难区分非常低的BW设置。用时域特性补充FFT有助于捕捉前导符号振荡频率的变化，而FFT有利于深入了解带宽变化。通过同时使用信号的时域和频域特征，从两个或更少的符号中提取的样本被人工智能模型使用以输出分类。

在1616处，该方法包括发送配置命令以配置无线电，以根据分类指示的一个或多个编码参数接收传入分组传输信号的剩余部分。通过这种方式，无线电可以接收传入分组传输信号的剩余部分。

现在转到图16B，提供了1608的进一步细节。在1618处，人工智能模型是一个多级模型，包括第一级，其中带宽分类器包括第一卷积神经网络，其将传入分组传输信号分类为多个带宽范围分类之一。在本示例中，包括第一卷积神经网络的带宽分类器使用传入分组传输信号的实部、虚部和FFT，每个被划分为十个20kHz块。然而，在其他示例中，可以使用两个、四个、六个、八个或任何合适数目的块。在本示例的第一级，传入分组传输信号被分类为两个带宽范围分类之一，但可以使用三个、四个或任何其他合适的数目。

在1620处，在第二级，其中，针对具有低于预定阈值的带宽的信号，由包括第二卷积神经网络的低带宽编码分类器将信号分类为多个低带宽编码分类之一。

在1622处，针对在预定阈值以上的信号，由包括第三卷积神经网络的高带宽编码分类器将信号分类为多个高带宽编码分类之一。

在一些实施例中，本文描述的方法和过程可以与一个或多个计算设备的计算系统相关联。特别地，这些方法和过程可以作为计算机应用程序或服务、应用编程接口(API)、库和/或其他计算机程序产品来实现。

图17示意性地示出了计算系统1700的非限制性实施例，其可以实施上述一种或多种方法和过程。计算系统1700以简化形式示出。计算系统1701可以包含无线设备101、基站设备102和/或上述和图1所示的远程设备。计算系统170可以采取以下形式：一个或多个个人计算机、服务器计算机、平板计算机、家庭娱乐计算机、网络计算设备、游戏设备、移动计算设备、移动通信设备(例如，智能手机)、IoT设备、远程传感器设备和/或其他计算设备。

计算系统1700包括逻辑处理器1702、易失性存储器1704和非易失性存储设备1706。计算系统1701可以可选地包括显示子系统1708、输入子系统1710、通信子系统1712和/或图17中未显示的其他组件。

逻辑处理器1702包括一个或多个被配置为执行指令的物理设备。例如，逻辑处理器可以被配置为执行作为一个或多个应用、程序、例程、库、对象、组件、数据结构或其他逻辑结构的一部分的指令。此类指令可用于执行任务、实现数据类型、转换一个或多个组件的状态、实现技术效果或以其他方式达到预期结果。

逻辑处理器可以包括被配置为执行软件指令的一个或多个物理处理器(硬件)。另外或备选地，逻辑处理器可以包括被配置为执行硬件实现的逻辑或固件指令的一个或多个硬件逻辑电路或固件设备。逻辑处理器1702的处理器可以是单核或多核，并且在其上执行的指令可以被配置为顺序、并行和/或分布式处理。逻辑处理器的各个组件可以选择性地分布在两个或多个单独的设备之间，这些设备可以远程定位和/或配置用于协调处理。逻辑处理器的各个方面可以通过在云计算配置中配置的可远程访问的网络计算设备进行虚拟化和执行。在这种情况下，可以理解，这些虚拟化方面在不同机器的不同物理逻辑处理器上运行。

非易失性存储设备1706包括一个或多个物理设备，被配置为保存逻辑处理器可执行的指令，以实现本文描述的方法和过程。当实现这些方法和过程时，非易失性存储设备1706的状态可被转换，例如，以保存不同的数据。

非易失性存储设备1706可以包括可移动和/或内置的物理设备。非易失性存储设备1706可以包括光学存储器(例如CD、DVD、HD-DVD、Blu-Ray光盘等)、半导体存储器(例如ROM、EPROM、EEPROM、FLASH存储器等)和/或磁性存储器(例如硬盘驱动器、软盘驱动器、磁带驱动器、MRAM等)，或其他大容量存储设备技术。非易失性存储设备1706可以包括非易失性、动态、静态、读取/写入、只读、顺序访问、位置可寻址、文件可寻址和/或内容可寻址设备。值得注意的是，非易失性存储设备1706被配置为即使在非易失式存储设备1707断电时也能保存指令。

易失性存储器1704可以包括包括随机存取存储器的物理设备。逻辑处理器1702通常使用易失性存储器1704在软件指令处理期间临时存储信息。可以理解，当易失性存储器1704断电时，易失性内存1704通常不会继续存储指令。

逻辑处理器1702、易失性存储器1704和非易失性存储设备1706的各个方面可以集成到一个或多个硬件逻辑组件中。例如，此类硬件逻辑组件可包括现场可编程门阵列(FPGA)、程序和应用专用集成电路(PASIC/ASIC)、程序和应用专用标准产品(PSSP/ASSP)、片上系统(SOC)和复杂可编程逻辑器件(CPLD)。

术语“模块”、“程序”和“引擎”可用于描述计算系统1700的一方面，通常由处理器在软件中实现，以使用易失性存储器的部分执行特定功能，该功能涉及转换处理，该转换处理专门配置处理器以执行该功能。因此，模块、程序或引擎可以通过逻辑处理器1702实例化，执行非易失性存储设备1706持有的指令，使用易失性存储器1704的部分。可以理解，不同的模块、程序和/或引擎可以从相同的应用、服务、代码块、对象、库、例程、API、函数等实例化。同样，相同的模块，程序和/或引擎可以由不同的应用、服务、代码块、对象、例程、API、函数等实例化。术语“模块”、“程序”和“引擎”可以包括单个或组可执行文件、数据文件、库、驱动程序、脚本、数据库记录等。

当包含时，显示子系统1708可用于呈现非易失性存储设备1706保存的数据的可视化表示。可视化表示可采用图形用户界面(GUI)的形式。由于本文所述的方法和过程改变了非易失性存储设备所持有的数据，从而改变了非易失性存储装置的状态，显示子系统1708的状态也可以同样地改变，以直观地表示底层数据的变化。显示子系统1708可以包括一个或多个使用几乎任何类型技术的显示设备。此类显示设备可与逻辑处理器1702、易失性存储器1704和/或非易失性存储设备1706组合在共享外壳中，或者此类显示设备可以是外围显示设备。

当被包括时，输入子系统1710可以包括一个或多个用户输入设备，诸如键盘、鼠标、相机、麦克风、触摸板、手指可操作的指针设备、触摸屏或游戏控制器，或与一个或多个用户输入设备接口。

当被包括时，通信子系统1712可被配置为将本文描述的各种计算设备彼此通信耦合，并与其他设备通信耦合。通信子系统1712可包括与一个或多个不同通信协议兼容的有线和/或无线通信设备，包括低功率远程无线协议，诸如上述LoRaWAN。作为非限制性示例，通信子系统可被配置为经由无线电话网络或有线或无线局域网或广域网进行通信。在一些实施例中，通信子系统可允许计算系统1700经由网络(诸如互联网)向其他设备发送和/或从其他设备接收消息。

以下段落对本公开的主题进行了补充说明。根据一个方面，提供了一种无线网络系统，其包括基站设备，该基站设备包括处理电路，该处理电路被配置为从传入分组传输信号的前导码的一部分检测传输速率，并调整无线电配置以以传输速率接收传入分组传输信号的剩余部分。

在这方面中，基站设备还可以包括分组检测模块，该模块实现自适应采样算法，以收集传入分组传输信号的前导码的样本。基站设备的接收器已从无线设备接收到传入分组传输信号。基站设备还可以包括分类器，该分类器被配置为接收样本并输出指示传入分组传输信号的一个或多个编码参数的分类。基站设备还可以包括无线电配置模块，其发送配置命令，以配置基站设备的无线电，以根据分类指示的一个或多个编码参数接收传入分组传输信号的剩余部分。

在这方面中，在接收到传入分组传输信号之前，编码参数可能不会在无线设备和基站设备之间预协商。

在这方面中，无线设备还可被配置为将编码参数设置为在无线设备处从编码参数的多个预设值中选择的值，并且在未与基站设备进行任何先前通信的情况下，根据编码参数开始发射传入分组传输信号以预协商编码参数。

在这方面中，样本可以包括从分组信号的前导码中的两个符号中提取的样本，分类器的人工智能模型使用样本的多个特征来确定分类，多个特征包括样本的实部、样本的虚部和样本的快速傅里叶变换。

在这方面中，从两个或更少的符号中提取的样本可以被人工智能模型使用以输出分类。

在这方面中，一个或多个编码参数可以包括带宽和/或传播因子。

在这方面中，自适应采样算法还可以被配置为使用一个或多个带通滤波器对传入分组传输信号进行滤波，从而生成多个滤波的传入分组传输信号分量，并且确定所捕获的信号足以为经滤波的传入分组传输信号分量中的一个经滤波的传入分组传输信号分量确定一个或多个编码参数。

在这方面中，分类器可以包括人工智能模型，该人工智能模型包括至少一个卷积神经网络。

在这方面中，人工智能模型可以是多级模型，并且包括第一级，其中带宽分类器包括第一卷积神经网络，其将传入分组传输信号分类为多个带宽范围分类之一，以及第二级，其中对于具有低于预定阈值的带宽的信号，由包括第二卷积神经网络的低带宽编码分类器将信号分类为多个低带宽编码分类之一，并且对于在预定阈值以上的信号，由包括第三卷积神经网络的高带宽编码分类器将信号分类为多个高带宽编码分类之一。

在这方面中，基站设备可被配置为实现低功率广域网，并且根据LoRaWAN通信协议从无线设备向基站设备发送传入分组传输信号。

根据另一方面，提供了一种无线联网方法，包括：从传入分组传输信号的前导码的一部分检测传输速率，并使无线电以传输速率接收传入分组传输信号的剩余部分。

在这方面中，该方法还可以包括，经由处理电路，实现自适应采样算法，以收集传入分组传输信号的前导码的样本，传入分组传输信号从无线设备被接收，在分类器处接收样本，并且输出指示传入分组传输信号的一个或多个编码参数的分类，并且发送配置命令，以配置无线电，以根据由分类指示的一个或者多个编码参数接收传入分组传输信号的剩余部分。

在这方面中，在接收到传入分组传输信号之前，编码参数可不在无线设备和基站设备之间预协商。

在这方面中，样本可以包括从分组信号的前导码中的两个符号中提取的样本，分类器的人工智能模型使用样本的多个特征来确定分类，多个特征包括样本的实部、样本的虚部和样本的快速傅里叶变换。

在这方面中，从两个或更少的符号中提取的样本可以被人工智能模型使用以输出分类。

在这方面中，一个或多个编码参数可以包括带宽和/或传播因子。

在这方面中，分类器可以是包括至少一个卷积神经网络的人工智能模型。

在这方面中，人工智能模型可以是多级模型，包括第一级，其中带宽分类器包括第一卷积神经网络，其将传入分组传输信号分类为多个带宽范围分类之一，以及第二级，其中对于具有低于预定阈值的带宽的信号，由包括第二卷积神经网络的低带宽编码分类器将信号分类为多个低带宽编码分类之一，并且对于在预定阈值以上的信号，由包括第三卷积神经网络的高带宽编码分类器将信号分类为多个高带宽编码分类之一。

根据另一方面，提供了一种无线网络系统，其包括处理电路，该处理电路被配置为执行分组检测模块，该分组检测模块实现自适应采样算法，以收集传入分组传输信号的前导码的样本，该传入分组传输信号由接收器从无线设备接收。无线网络系统还可被配置为执行包括神经网络的分类器，该神经网络被配置为接收样本并输出指示传入分组传输信号的一个或多个编码参数的分类。无线网络系统还可被配置为执行无线电配置模块，其发送配置命令，以配置相关联的无线电，以根据由分类指示的一个或多个编码参数接收传入分组传输信号的剩余部分。

应当理解，本文所述的配置和/或方法在本质上是示例性的，并且这些具体实施例或示例不应在限制意义上考虑，因为可能存在许多变化。本文所述的特定例程或方法可以代表任何数目的处理策略中的一个或多个。因此，所示和/或描述的各种行为可以按照所示和/或描述的顺序、其他顺序、并行或省略被执行。同样，上述过程的顺序可能会改变。

本公开的主题包括本文所公开的各种过程、系统和配置以及其他特征、功能、行为和/或属性的所有新颖和非明显的组合和子组合，以及其任何和所有等同。