基于LoRa的无线电气象参数集成监测系统设计

王明军; 陈新欣; 吴婷; 思黛蓉; 翟治珠

doi:10.13443/j.cjors.2020060201

基于LoRa的无线电气象参数集成监测系统设计

王明军^{1, 2},
陈新欣^1, ,,
吴婷¹,
思黛蓉¹,
翟治珠¹

1.
西安理工大学自动化与信息工程学院, 西安 710048
2.
陕西省智能协同网络军民共建重点实验室, 西安 710126

基金项目:

国家自然科学基金 61771385

陕西省杰出青年科学基金 2020JC-42

固体激光技术重点实验室开放基金 6142404180301

西安市高校人才服务企业工程 GXYD14.26

详细信息

作者简介:
王明军   (1979—), 男, 陕西人, 博士, 西安理工大学自动化与信息工程学院博导, 教授, 主要从事激光散射与传输、激光雷达和光电信号检测等方面的研究

陈新欣   (1995—), 女, 陕西人, 硕士研究生, 主要研究方向为无线电气象参数监测集成技术

吴婷   (1987—), 女, 陕西人, 西安理工大学自动化与信息工程学院讲师, 博士, 主要研究方向为射频通信及天线设计

通信作者:
陈新欣 E-mail:781336503@qq.com

中图分类号: TN98
计量
- 文章访问数: 364
- HTML全文浏览量: 63
- PDF下载量: 49
出版历程
- 收稿日期: 2020-06-01
- 网络出版日期: 2021-01-08
- 发布日期: 2020-12-29
- 刊出日期: 2020-12-29

Design of integrated radio meteorological parameter monitoring system based on LoRa

1.
School of Automation and Information Engineering, Xi'an University of Technology, Xi'an 710048, China
2.
Shaanxi Civil-Military Integration Key Laboratory of Intelligence Collaborative Networks, Xi'an 710126, China

摘要

摘要: 通过无线电气象参数可以获得影响无线电波变化的气象参数变化规律.为研究各种气象变化对无线电波的影响，对无线电气象参数进行准确测量和数据的远程传输与管理，提出了一种基于LoRa的无线电气象参数集成监测系统.系统以LoRa技术为核心进行自组网设计，采用北斗短报文技术进行远距离通信.气象监测节点采用低功耗的STM32微处理器，通过移植uCOS-Ⅲ实时操作系统来实现多传感器集成模块的多任务调度，远程终端采用Qt设计了配套的上位机软件进行无线电气象参数实时处理分析.实测结果表明，在通信距离小于2 km时，LoRa数据传输丢包率小于10%，上位机软件可准确显示并存储无线电气象数据.系统具有稳定可靠、集成度高、组网便捷、通信距离远等特点，可以实现对复杂环境中无线电气象参数的实时采集和远程管理，这为气象学研究提供了有效的无线电气象参数数据.
- 无线电气象 /
- LoRa /
- 实时监测 /
- 气象参数 /
- 远程终端
Abstract: The meteorological parameters can characterize the law of change and characteristics of radio waves. In order to study the impact of various meteorological changes on radio waves, it is necessary to accurately measure and remotely manage radio meteorological parameters, thus we propose the design and implementation of an integrated monitoring system for radio meteorological parameters based on LoRa. The specific design and implementation scheme are as follows: using LoRa as a wireless communication transceiver device, long-distance communication using Beidou short message technology, using low-power STM32 microprocessor at the meteorological monitoring node, which is transplanted with uCOS-Ⅲ real-time operating system to realize multi-task scheduling of multi-sensor integrated system, using Qt to design the matching host computer software for real-time processing, analysis and display of weather data at the remote terminal. The measured results show that the data transmission packet loss rate is less than 10%, and the host computer software can accurately display and store weather data when the communica- tion distance is less than 2 km. The system has the characteristics of stability, reliability, high integration, network convenient, and long communication distance. It can realize real-time collection and remote management of radio meteorological parameters in complex environments, which provides effective meteorological parameter data for radio meteorology research.
- radio meteorology /
- LoRa /
- real-time monitoring /
- meteorology parameter /
- remote terminal

HTML全文

引言

检测前跟踪(Track-Before-Detect, TBD)是低信噪比(Signal to Noise Ratio, SNR)情况下对微弱目标进行检测和跟踪的一种技术.相对于传统检测方法而言, TBD并不是通过每帧设置门限来检测目标, 而是将多帧数据进行联合处理, 经过积累后得到目标检测结果的同时给出目标的轨迹.由于单帧并没有过门限处理, TBD保留了更多的目标信息.所以说TBD的本质是通过时间积累来提高信噪比.目前TBD的主要实现方法有:三维匹配滤波、霍夫变换、多阶假设检验、动态规划、粒子滤波等^[1-3].

动态规划检测前跟踪(Dynamic Programming TBD, DP-TBD)算法已广泛应用于红外弱目标检测^[4-5], 目前也正应用于雷达系统中^[6-10].传统算法在进行状态搜索时, 只是在前一帧的搜索窗内寻找代价函数最大者, 这种方式会使能量扩散到目标真实状态附近, 称为团聚效应.团聚效应会对最终的目标检测造成困难.文献[11]将目标后验概率比的对数作为代价函数, 本质上就是在状态搜索过程中加入状态转移惩罚项, 利用目标运动特征对搜索状态进行调整, 但该方法假设目标状态信息在时间上独立且各个状态之间也是独立的, 这种假设在实际雷达系统中是不容易成立的.文献[12]根据目标在相邻帧间运动不会倒退的原理, 提出一种方向加权算法, 改进了算法性能, 但当帧间时间间隔变大时算法的性能会急速下降.文献[13]在原来可能状态转移的基础上又对后续状态进行了估计, 因此可以减少目标强度起伏的影响, 提高了关联精度.文献[14]在第k帧观测值与第k-1帧窗内某观测值累加的基础上, 沿此方向再与第k-2帧区域内的代价函数最大者进行累加, 并记录累加后最优代价函数值所对应的前两帧的位置, 用于回溯航迹, 但这种方法对目标的机动性很敏感.

文中首先利用指数平滑法进行状态预测, 当对目标的每个可能状态进行状态搜索时, 利用预测状态与当前帧状态所对应的距离差对前一帧搜索窗内的代价函数加权.当状态预测精度足够高时, 目标前一帧真实状态所对应的预测状态就会贴近当前帧状态, 因此前一帧真实状态处的代价函数就会获得较大的权值, 从而提高了被关联的概率.文中给出所提算法检测和跟踪性能的仿真结果, 并与传统算法进行了比较, 验证了算法性能.

1 传统动态规划检测前跟踪算法

假设雷达每帧数据由M×N个分辨单元组成, 第k帧观测数据可表示为Z_k={z_k(x, y)|x=1, 2, …, N; y=1, 2, …, M}, 其中z_k(x, y)表示第k帧(x, y)处的观测值:

${z_k}\left( {x,y} \right) = \left\{ {\begin{array}{*{20}{l}} {{A_k} + {n_k}\left( {x,y} \right)}&{{\rm{有目标}}}\\ {{n_k}\left( {x,y} \right)}&{{\rm{无目标}}} \end{array}} \right.,$

(1)

A_k表示目标幅度；n_k(x, y)表示(x, y)处的观测噪声幅度.信噪比R_SN由下式计算:

${R_{{\rm{SN}}}} = 20\lg \frac{A}{{{N_0}}},$

(2)

A和N₀分别表示目标和噪声幅度值.总的观测数据表示为Z={Z₁, Z₂, …, Z_K}, K为数据帧数.假设目标在第k帧的状态x_k=(x, y, $\dot x, \dot y$ ), (x, y)、( $\dot x, \dot y$ )分别表示目标的位置和速度, 则目标的轨迹可表示为X=(x₁, x₂, …, x_k, …, x_K), 假设目标的运动模型为

${\mathit{\boldsymbol{x}}_k} = \left[ {\begin{array}{*{20}{c}} 1&0&1&0\\ 0&1&0&1\\ 0&0&1&0\\ 0&0&0&1 \end{array}} \right]{\mathit{\boldsymbol{x}}_{k - 1}}.$

(3)

DP-TBD的目的就是利用数据Z估计目标轨迹X.根据弹道积分原理, 目标沿轨迹上积累的能量必定大于沿非轨迹上积累的能量.因此DP-TBD问题可以归结为一个K维优化问题.根据动态规划最优化原理, 不论过去的状态和优化结果如何, 对前面的优化过程所形成的状态而言, 余下的优化过程必须满足最优化策略, 所以上述K维优化问题可以转化为K个一维优化问题:

${V_k}\left( {{\mathit{\boldsymbol{x}}_k}} \right) = {z_k}\left( {{\mathit{\boldsymbol{x}}_k}} \right) + \mathop {\max }\limits_{{\mathit{\boldsymbol{x}}_{k - 1}} \in {U_{{\mathit{\boldsymbol{x}}_k}}}} \left[ {{V_{k - 1}}\left( {{\mathit{\boldsymbol{x}}_{k - 1}}} \right)} \right];$

(4)

${\mathit{\Psi }_k}\left( {{\mathit{\boldsymbol{x}}_k}} \right) = {\rm{arg}}\mathop {\max }\limits_{{\mathit{\boldsymbol{x}}_{k - 1}} \in {U_{{\mathit{\boldsymbol{x}}_k}}}} \left[ {{V_{k - 1}}\left( {{\mathit{\boldsymbol{x}}_{k - 1}}} \right)} \right].$

(5)

式中: V_k(x_k)表示第k帧状态x_k的代价函数; U_{x_k}表示可能转移到x_k的状态x_k-1的集合, 一般取U_{x_k}={(x, y)|-v≤x′-x≤v; -v≤y′-y≤v; }, (x, y)、(x′, y′)分别表示第k-1和第k帧的状态位置, v由目标最大速度决定; Ψ_k(x_k)是航迹追踪函数, 记录转移到x_k的x_k-1.当K帧数据积累结束后, 利用门限V_T检测目标, 寻找 ${{\mathit{\boldsymbol{\hat x}}}_k}$ ={x_k：V_K(x_k)＞V_T}, 利用 ${{\mathit{\boldsymbol{\hat x}}}_{k-1}}$ =Ψ_k(x_k)(k=K, K-1, …, 1)进行航迹回溯, 得到目标航迹X=( ${{\mathit{\boldsymbol{\hat x}}}_1}, {{\mathit{\boldsymbol{\hat x}}}_2}, \cdots, {{\mathit{\boldsymbol{\hat x}}}_k}, \cdots, {{\mathit{\boldsymbol{\hat x}}}_K}$ ).

2 基于指数平滑的DP-TBD算法

2.1 基于预测值加权的DP-TBD算法

针对传统DP-TBD算法在低SNR情况下容易出现航迹关联错误, 难以回溯真实的目标航迹这一问题, 文中提出一种加权算法:利用式(4)优化第k帧任意V_k(x_k)时, 针对U_{x_k}中每个x_k-1, 首先运用指数平滑法获取对应的预测值 ${{\mathit{\boldsymbol{\tilde x}}}_k}$ , 然后根据 ${{\mathit{\boldsymbol{\tilde x}}}_k}$ 和x_k所对应的距离差对V_k-1(x_k-1)进行加权, 即将式(4)更新为

${V_k}\left( {{\mathit{\boldsymbol{x}}_k}} \right) = {z_k}\left( {{\mathit{\boldsymbol{x}}_k}} \right) + \mathop {\max }\limits_{{\mathit{\boldsymbol{x}}_{k - 1}} \in {U_{{\mathit{\boldsymbol{x}}_k}}}} \left[ {w\left( {{\mathit{\boldsymbol{x}}_{k - 1}},{\mathit{\boldsymbol{x}}_k}} \right){V_{k - 1}}\left( {{\mathit{\boldsymbol{x}}_{k - 1}}} \right)} \right],$

(6)

$w\left( {{\mathit{\boldsymbol{x}}_{k - 1}},{\mathit{\boldsymbol{x}}_k}} \right) = \frac{1}{{1 + \sqrt {{{\left( {{{\mathit{\boldsymbol{\tilde x}}}_k} - {\mathit{\boldsymbol{x}}_k}} \right)}^2}} }}.$

(7)

2.2 指数平滑法

为了获得高精度预测值, 文中采用线性二次指数平滑法^[15]进行状态预测, 由于线性二次指数平滑法也是递归地进行预测, 因此既不需要存储大量数据也可以很好地加入动态规划优化过程.

该方法分为平滑和预测两个阶段.首先平滑当前帧的状态, 平滑公式如下:

$\left\{ \begin{array}{l} S_{k - 1}^1\left( {{\mathit{\boldsymbol{x}}_{k - 1}}} \right) = \alpha {\mathit{\boldsymbol{x}}_{k - 1}} + \left( {1 - \alpha } \right)S_{k - 2}^1\left( {{\mathit{\boldsymbol{x}}_{k - 2}}} \right)\\ S_{k - 1}^2\left( {{\mathit{\boldsymbol{x}}_{k - 1}}} \right) = \alpha S_{k - 1}^1\left( {{\mathit{\boldsymbol{x}}_{k - 1}}} \right) + \left( {1 - \alpha } \right)S_{k - 2}^2\left( {{\mathit{\boldsymbol{x}}_{k - 2}}} \right) \end{array} \right..$

(8)

式中: S_k-1¹ (x_k-1)和S_k-1² (x_k-1)分别为第k-1帧状态x_k-1的第一次和第二次平滑结果; x_k-2是转移到x_k-1的状态; α∈(0, 1)是平滑系数, α越大表示越信任当前的状态, 越小表示越信任前一帧的平滑结果.然后利用下式进行预测:

${{\mathit{\boldsymbol{\tilde x}}}_k}\left( {{\mathit{\boldsymbol{x}}_{k - 1}}} \right) = {a_{k - 1}} + {b_{k - 1}}.$

(9)

式中:

${a_{k - 1}} = 2S_{k - 1}^1\left( {{\mathit{\boldsymbol{x}}_{k - 1}}} \right) - S_{k - 1}^2\left( {{\mathit{\boldsymbol{x}}_{k - 1}}} \right);\\ {b_{k - 1}} = \frac{\alpha }{{1 - \alpha }}\left( {S_{k - 1}^1\left( {{\mathit{\boldsymbol{x}}_{k - 1}}} \right) - S_{k - 1}^2\left( {{\mathit{\boldsymbol{x}}_{k - 1}}} \right)} \right).$

由式(9)可知, 想要获得 ${{\mathit{\boldsymbol{\tilde x}}}_k}$ (x_k-1), 只需x_k-1和k-1帧的平滑值S_k-1¹ (x_k-1)和S_k-1² (x_k-1), 因此只需要在TBD递归过程中引入变量S_k¹和S_k², 便可以实现指数平滑预测.

2.3 基于指数平滑的DP-TBD算法实现流程

1) 初始化(k=1)

对于所有x₁, 令

${V_1}\left( {{\mathit{\boldsymbol{x}}_1}} \right) = {z_1}\left( {{\mathit{\boldsymbol{x}}_1}} \right);$

${\mathit{\Psi }_1}\left( {{\mathit{\boldsymbol{x}}_1}} \right) = 0;$

$S_1^1\left( {{\mathit{\boldsymbol{x}}_1}} \right) = S_1^2\left( {{\mathit{\boldsymbol{x}}_1}} \right) = {\mathit{\boldsymbol{x}}_1}.$

2) 初始预测(k=2)

对于任意的x₂, 运用式(4)、(5)得到相应的代价函数和航迹追踪函数, 然后运用式(8)计算第2帧平滑值:

$\left\{ \begin{array}{l} S_2^1\left( {{\mathit{\boldsymbol{x}}_2}} \right) = \alpha {\mathit{\boldsymbol{x}}_2} + \left( {1 - \alpha } \right)S_1^1\left( {{\mathit{\Psi }_2}\left( {{\mathit{\boldsymbol{x}}_2}} \right)} \right)\\ S_2^2\left( {{\mathit{\boldsymbol{x}}_2}} \right) = \alpha S_2^1\left( {{\mathit{\boldsymbol{x}}_2}} \right) + \left( {1 - \alpha } \right)S_1^2\left( {{\mathit{\Psi }_2}\left( {{\mathit{\boldsymbol{x}}_2}} \right)} \right). \end{array} \right.$

(10)

3) 循环递推(3≤k≤K)

将前一帧平滑值代入式(9)预测当前帧状态, 然后将式(7)计算出的权值代入式(6)、(5)计算代价函数和航迹追踪函数, 最后计算当前帧平滑值.

4) 目标检测

当积累K帧数据后, 对于任意状态x_K, 利用以下方法进行目标检测:

$\left\{ {\begin{array}{*{20}{l}} {{V_K}\left( {{\mathit{\boldsymbol{x}}_K}} \right) \ge {V_T}}&{{\mathit{\boldsymbol{x}}_K}{\rm{属于目标状态}}}\\ {{V_K}\left( {{\mathit{\boldsymbol{x}}_K}} \right) < {V_T}}&{{\mathit{\boldsymbol{x}}_K}{\rm{不属于目标状态}}} \end{array}} \right.,$

(11)

其中门限由下式决定^[13]

${V_T} = - {b_n} \cdot \ln \left( { - \ln \left( {1 - {p_{\rm{d}}}} \right)} \right) + {a_n}.$

(12)

式中: p_d为检测概率;

${a_n} = \mu + \sigma \left[ {{{\left( {2\lg n} \right)}^{1/2}} - \frac{1}{2}\frac{{\left( {\lg \left( {\lg n} \right) + \lg \left( {4\pi } \right)} \right)}}{{{{\left( {2\lg n} \right)}^{1/2}}}}} \right];$

(13)

${b_n} = \frac{{{{\left( {2\lg n} \right)}^{1/2}}}}{\sigma },n = M \times N \times {v^2};$

(14)

式(13)、(14)中, M和N分别为x、y方向的距离单元数; v为两帧之间目标可能跨越的距离单元数; μ、σ分别为目标所在轨迹积累K帧的代价函数的均值和方差.

5) 航迹回溯

运用

${\mathit{\boldsymbol{x}}_{k - 1}} = {\mathit{\Psi }_k}\left( {{\mathit{\boldsymbol{x}}_k}} \right)\;\;\left( {k = K,K - 1, \cdots ,1} \right)$

(15)

进行航迹回溯得到目标轨迹X=(x₁, x₂, …, x_K).

3 仿真结果及分析

为验证文中算法的性能, 将文中算法和传统算法进行了比较.假设雷达观测区域为{(x, y)|1.5×10⁵≤x≤1.55×10⁵; 1.2×10⁵≤y≤1.25×10⁵}, 每帧接收数据大小为50×50, x轴和y轴分辨单元均分100 m, 总共有20帧接收数据, 相邻帧的时间间隔为1 s.设目标初始状态x₁=(1.51×10⁵, 1.21×10⁵, 100, 100), 在观测区域内做匀速直线运动, 观测噪声为参数为1的瑞利分布.文中利用目标检测概率和跟踪概率来验证算法性能.检测概率表示经过20帧的数据积累后检测到目标的概率, 允许误差为一个分辨单元.跟踪概率表示检测到目标并且经过航迹回溯后每帧的状态都和目标真实状态相差在一个分辨单元内的概率.仿真中进行100次蒙特卡罗实验.

图 1为传统算法和文中所提算法在SNR为6 dB时经过20帧积累处理后得到的代价函数比较图, 图 1(a)为传统算法代价函数, 图 1(b)为文中所提算法代价函数.比较可知, 传统算法在目标真实位置附近的代价函数同样也很高, 存在明显的团聚效应, 在检测目标时会对门限的设置造成困难, 而所提算法则有效地抑制了这种现象, 可以更加准确地检测目标真实状态.

图 1 传统算法与文中算法代价函数比较图

下载: 全尺寸图片幻灯片

图 2为传统算法和所提算法的检测概率随SNR变化的比较图.由图可知:在SNR相同的情况下, 文中提出算法的检测概率都要高于传统算法; 当SNR高于7 dB时, 两种算法性能差距不大; 当SNR较低为4时, 文中算法检测概率比传统算法高出0.3.可见SNR越低, 文中算法检测优势越明显.

图 2 检测概率随SNR变化示意图

下载: 全尺寸图片幻灯片

图 3为SNR为4 dB时传统算法与文中算法的跟踪效果比较图.由图可知, 传统算法有多处出现关联偏差而文中算法则较准确地恢复了目标航迹.因此在低SNR环境下, 文中算法拥有更好的跟踪性能.

图 3 跟踪效果比较示意图(4 dB)

下载: 全尺寸图片幻灯片

图 4为传统的DP-TBD算法和文中算法的跟踪概率随SNR的变化比较图.在SNR相同的情况下, 文中提出算法的跟踪概率都要优于传统算法.当SNR为7 dB时, 文中算法跟踪概率只比传统算法高0.05, 但当SNR为4 dB, 跟踪概率差距扩大到0.3, 可见在低SNR情况下, 传统算法的跟踪概率很低, 而文中算法仍然具有较好的跟踪性能.

图 4 跟踪概率随SNR变化示意图

下载: 全尺寸图片幻灯片

4 结论

针对传统DP-TBD算法在低信噪比情况下容易出现关联错误和团聚效应的问题, 提出了一种基于指数平滑的加权DP-TBD算法.文中方法的创新之处在于:运用指数平滑法预测目标状态, 再利用预测的目标状态加权前一帧的代价函数.由于充分利用了目标的运动特性, 文中算法比传统算法具有更好的检测和跟踪性能.仿真结果表明, 文中所提算法的检测性能和跟踪性能都比传统算法有一定的提高, 且SNR越低, 文中算法的优势越明显.因此文中算法比传统算法更适用于低信噪比环境.但当目标机动性较强, 指数平滑法出现较大偏差时, 算法性能会随之恶化.

图 1 系统方案设计

Fig. 1 System scheme design

下载: 全尺寸图片幻灯片

图 2 气象监测节点硬件框图

Fig. 2 Block diagram of meteorological monitoring node

下载: 全尺寸图片幻灯片

图 3 汇聚节点硬件框图

Fig. 3 Sink node block hardware diagram

下载: 全尺寸图片幻灯片

图 4 ARM微处理器软件设计流程

Fig. 4 Software design process of ARM

下载: 全尺寸图片幻灯片

图 5 上位机软件框架设计

Fig. 5 Upper computer software frame design

下载: 全尺寸图片幻灯片

图 6 上位机软件设计流程

Fig. 6 Upper computer software design process

下载: 全尺寸图片幻灯片

图 7 上位机软件测试

Fig. 7 Upper computer software testing

下载: 全尺寸图片幻灯片

表 1 ModBus-RTU数据格式

Tab. 1 ModBus-RTU data format

地址码	功能码	寄存器起始地址	读取寄存器个数	CRC验位
0x01	0x03	0x2A	0x02	E5F0

下载: 导出CSV

表 2 通信质量测试结果

Tab. 2 Test result of communication quality

组数	距离/m	LoRa 接收数据包数	LoRa 丢包率/%	ZigBee 接收数据包数	ZigBee 丢包率/%
1	100	500	0	306	38.8
2	150	500	0	124	75.2
3	200	500	0	46	90.8
4	600	500	0	0	100
5	800	492	1.6	0	100
6	1 000	480	3.1	0	100
7	1 400	464	6.2	0	100
8	1 800	436	8.8	0	100
9	2 000	409	8.1	0	100

下载: 导出CSV

表 3 上位机软件数据存储表

Tab. 3 Upper computer software data storage

时间	无线电折射率N	无线电折射率湿项	光照强度/lx	风速/ (m·s^-1)	风向/(°)	降雨量/ mm	PM2.5	PM10	太阳总辐射
2020-05-15 T 11:07	303.57	58.16	1 077.5	1.0	225	10	30	50	0
2020-05-15 T 11:17	311.58	66.11	522.6	0.8	180	10	30	52	0
2020-05-15 T 11:27	315.81	70.78	1 623.0	0.9	180	11	32	53	0
2020-05-15 T 11:37	321.15	76.90	1 567.5	1.3	225	11	32	56	0
2020-05-15 T 11:47	320.95	77.06	1 602.3	0.9	180	11	33	55	0
2020-05-15 T 11:57	325.32	81.97	1 601.0	1.3	225	12	33	55	0
2020-05-15 T 12:07	322.22	78.77	1 577.5	1.2	225	12	33	59	0
2020-05-15 T 12:17	322.64	79.50	1 627.5	1.5	225	12	33	59	0

下载: 导出CSV

参考文献(16)

[1]	仇盛柏.无线电气象学研究概述[J].电波与天线, 1997(3):7-16. https://www.cnki.com.cn/Article/CJFDTOTAL-QUDW199703001.htm CHOU S B. Overview of radio meteorology research[J]. Radio waves and antennas, 1997(3):7-16.(in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-QUDW199703001.htm
[2]	陈浩君, 王勤典.气象探测中的无线电技术应用[J].上海信息化, 2013(11):70-75. doi: 10.3969/j.issn.1672-8424.2013.11.018 CHEN H J, WANG Q D. Application of radio technology in meteorological detection[J]. Shanghai informatization, 2013(11):70-75. (in Chinese) doi: 10.3969/j.issn.1672-8424.2013.11.018
[3]	ALIAl M, AGHABI S, WEISS C. A portable meteorological station plus nuclear radiation monitoring system using a BASIC-8052 micro-controller[J]. Meteorological applications, 2002, 9(1):1-7. doi: 10.1017/S1350482702001019/full
[4]	解维志.基于ZigBee的气象监测系统设计与实现[D].北京: 北京工业大学, 2016. JIE W Z. Design and implementation of the meteorologlcal monitoring system based on ZigBee protocol[D]. Beijing: Beijing University of Technology, 2016. (in Chinese)
[5]	禹忠, 晁美静, 秦婷, 等.一种用于LoRa可穿戴设备的小型化双频段天线[J].电波科学学报, 2019, 34(5):582-588. http://www.cjors.cn/CN/abstract/abstract1099.shtml YU Z, CHAO M J, QIN T, et al. Miniatuized dual band antenna for LoRa wearable devices[J]. Chinese journal of radio science, 2019, 34(5):582-588. (in Chinese) http://www.cjors.cn/CN/abstract/abstract1099.shtml
[6]	RASGMI S, WEI Y Q. A survey on LPWA technology:LoRa and NB-IoT[J]. ICT express, 2017, 3(1):14-21. doi: 10.1016/j.icte.2017.03.004
[7]	CARDENAS A M, NAKAMUAR M K, PIETROSEMOLI E, et al. A low-cost and low-power messaging system based on the lora wireless technology[J]. Mobile networks and applications, 2019(12):1-8. doi: 10.1007/s11036-019-01235-5
[8]	AREF M, SIKORA A. Free space range measurements with Semtech Lora^TM technology[C]//The 2nd International Symposium on Technology and Applications(IDAACS-SWS). IEEE, 2014: 19-23.
[9]	QUERALT T N, GIA Z, ZOU Z. Comparative study of LPWAN technologies on unlicensed bands for M2M communication in the IoT:beyond LoRa and LoRaWAN[J]. Procedia computer science, 2019, 155(1):343-350. http://www.researchgate.net/publication/333371705_Comparative_Study_of_LPWAN_Technologies_on_Unlicensed_Bands_for_M2M_Communication_in_the_IoT_beyond_LoRa_and_LoRaWAN
[10]	WIXRED A J, KINNAIRD P, LARIGANI H, et al. Evaluation of LoRa and LoRaWAN for wireless sensor networks[C]//2016 IEEE Sensors. Orlando: IEEE, 2016.
[11]	LI H. Design of micro automatic weather station for modern power grid based on STM32[J]. Journal of engineering, 2017(13):16-29. http://www.researchgate.net/publication/321131731_Design_of_Micro_Automatic_Weather_Station_for_Modern_Power_Grid_Based_on_STM32
[12]	BENGHANEM M. Measurement of meteorological data based on wireless data acquisition system monitoring[J]. Applied energy, 2009, 86(12):2651-2660. doi: 10.1016/j.apenergy.2009.03.026
[13]	刘淼, 王田苗, 魏洪兴, 等.基于uCOS-Ⅱ的嵌入式数控系统实时性分析[J].计算机工程, 2006, 32(22):222-224+226. doi: 10.3969/j.issn.1000-3428.2006.22.079 LIU M, WANG T M, WEI H X, et al. Real-time analysis of embedded CNC system based on uCOS-Ⅱ[J]. Computer engineering, 2006, 32(22):222-224+226. (in Chinese) doi: 10.3969/j.issn.1000-3428.2006.22.079
[14]	李超, 程小劲.基于Qt的室内环境监测系统设计与实现[J].计算机技术与发展, 2019, 29(4):210-213. https://www.cnki.com.cn/Article/CJFDTOTAL-WJFZ201904041.htm LI C, CHEN X J. Design and implementation of indoor environment monitoring system based on Qt[J]. Computer technology and development, 2019, 29(4):210-213. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-WJFZ201904041.htm
[15]	胡冉冉, 赵振维, 孙树计, 等.大气折射对我国近地面无线电视距的影响分析[J].电波科学学报, 2018, 33(1):18-24. http://www.cjors.cn/CN/abstract/abstract576.shtml HU R R, ZHAO Z W, SUN S J, et al. Effects of the atmospheric refraction on radio line-of-sight distance near the ground in China[J]. Chinese journal of radio science, 2018, 33(1):18-24. (in Chinese) http://www.cjors.cn/CN/abstract/abstract576.shtml
[16]	程显海, 张玉生.基于气象探空数据计算的大气折射率误差分析[J].电波科学学报, 2014, 29(5):951-956. https://www.cnki.com.cn/Article/CJFDTOTAL-DBKX201405027.htm CHEN X H, ZHANG Y S. Effects of the atmospheric refraction on radio line-of-sight distance near the ground in China[J]. Chinese journal of radio science, 2014, 29(5):951-956. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-DBKX201405027.htm

施引文献(2)

期刊类型引用(1)

唐赢，梁仙灵，王堃，耿军平，金荣洪. 一种超宽带双极化阵列天线的设计. 电波科学学报. 2021(01): 20-26+35 .

本站查看

其他类型引用(1)

资源附件(0)

图(7) / 表(3)

计量

文章访问数: 364
HTML全文浏览量: 63
PDF下载量: 49
被引次数: 2

引言
1 传统动态规划检测前跟踪算法
2 基于指数平滑的DP-TBD算法
2.1 基于预测值加权的DP-TBD算法
2.2 指数平滑法
2.3 基于指数平滑的DP-TBD算法实现流程
3 仿真结果及分析
4 结论

基于LoRa的无线电气象参数集成监测系统设计

通信作者: 陈新欣 E-mail:781336503@qq.com

计量

出版历程

Design of integrated radio meteorological parameter monitoring system based on LoRa