物联网技术呈现出迅猛的发展趋势,随着物联网技术不断发展,越来越多的无线设备被应用到实际场景中去。LoRa作为一种被广泛运用的物联网技术,越来越受到人们的青睐,基于LoRa的物联网设备越来越多,数据包之间的冲突也将会成倍增加,从而会降低系统的传输效率。LoRa信号的多节点系统检测技术,意在对LoRa信号进行检测,并对LoRa信号源设备进行定位,从而完成对信号频谱以及相关设备的监测与管理,从而提高信号系统的传输效率。对LoRa信号的检测,目前主要采用LoRa芯片对LoRa信号可能出现的信道进行扫描,或利用LoRa特有的前导码特征进行检测等两种方法,但如果先验信息较少,检测效率则较低,然而实际中经常需要进行盲检测,所以现有检测方法效率往往很低。现有分布式能量检测方法中基于最小均方误差(DLMS)分布式能量检测算法具有较高性能,但该算法假设输入数据是标准无误的,在输入数据的基础上进行进一步运算。但实际检测中,输入数据往往由于硬件采集等原因导致分布式节点本身观测数据存在偏差。因此,本文提出基于分布式梯度下降的总体最小二乘的能量检测算法(Novel Distributed Gradient Descent Total Least-Squares,ND-GDTLS),完善了DLMS算法的不足。仿真实验表明:ND-GDTLS的能量检测算法的稳定性优于DLMS算法,且节点误差较小,检测概率较高,具有较好的性能,与集中式相比,网络结构更稳定,更适用于无线网络。现有LoRa信号定位方法通常结合锚节点和信号源发射功率进行定位,融合中心利用信号源的已知发射功率和锚节点的位置信息,得到信号源的位置,而对于未知信息的LoRa信号源进行定位,信号源的发射功率则是未知参数,因此此类方法往往很难达成要求。另外,信号定位往往需要多节点协同定位,不同节点可能面临视距传输(LOS)或非视距传输(NLOS)问题,现有未知信息的LoRa信号定位算法的定位检测过程中并未对节点类别进行区分。本文利用期望最大化AOA定位算法完成多节点LoRa信号协同定位,区分视距节点与非视距节点,完成LoRa信号定位,并根据节点的信任值变化,剔除信任值较小的节点,提高定位精度。实验结果表明:期望最大化AOA算法可以完成LoRa信号的定位,相对于集中期望最大化算法而言,算法性能更稳定,定位的误差较低。如前面所述,现有的对LoRa信号检测的设备,多采用现有LoRa芯片进行LoRa信号的扫描,并不能完成前面所述的LoRa信号检测算法的实现与验证。因此,本文利用软件无线电平台,搭建了LoRa信号检测节点,利用能量检测算法对LoRa信号进行本地扫描检测,并完成LoRa信号的本地判决与信息的存储。设计的单节点可以对LoRa信号进行检测与扫描,并收集实际监测数据,进一步可以完成多节点的分布式LoRa信号监测网络的搭建,并可以进一步验证分布式检测算法。实验结果表明:设计的基于软件无线电平台的LoRa信号检测节点,可以完成对LoRa信号的检测,相对于逐信道扫描,提升了检测效率与速率,较好地完成了LoRa信号的盲检测。