М.А. Ромащенко1, Д.В. Васильченко2, Р.С. Сухомлинов3, Н.В. Астахов4, О.Ю. Макаров5

1-5 ФГБОУ ВО «Воронежский государственный технический университет» (г. Воронеж, Россия)

1 kipr@vorstu.ru; 2 shadow951@bk.ru; 3 sukhomlinov03@mail.ru; 4kipr@vorstu.ru; 5kipr@vorstu.ru

Постановка проблемы. С увеличением числа беспроводных устройств, работающих в нелицензируемых частотных диапазонах, увеличивается нагрузка на радиочастотный спектр, что приводит к усилению взаимных помех и снижению качества связи. В сетях, построенных по технологии LongRange (LoRa), данная проблема осложняется тем, что устойчивость передачи и эффективность использования канала во многом определяются параметрами модуляции и, прежде всего, коэффициентом расширения спектра и шириной полосы сигнала. В этих условиях определение параметров модуляции принимаемого сигнала приобретает особо важное значение как для построения помехоустойчивых каналов связи, так и для задач спектрального мониторинга и анализа электромагнитной обстановки.

Цель. Провести обзор современных методов определения параметров модуляции LoRa-сигналов, ориентированных на оценку коэффициента расширения спектра в различных условиях приема.

Результаты. Рассмотрены существующие методы определения параметров модуляции LoRa-сигналов в различных условиях приема и приведена их классификация по трем основным направлениям: 1) методы предварительной оценки параметров модуляции на стороне приемника; 2) методы определения параметров по заранее выделенному сигналу с применением искусственного интеллекта; 3) методы обработки широкополосных данных, ориентированные на анализ нескольких одновременных передач. Установлено, что использование преамбулы сигнала наиболее целесообразно для предварительной оценки параметров сигнала, а для методов, базирующихся на анализе заранее выделенного сигнала, существенное значение имеет выбор наиболее информативного представления сигнала.

Практическая значимость. В работе выполнен обзор современных методов определения параметров модуляции LoRa-сигналов, ориентированных на оценку SF в различных условиях приема и намечены пути дальнейшего развития данного направления

Ромащенко М.А., Васильченко Д.В., Сухомлинов Р.С., Астахов Н.В., Макаров О.Ю. Актуальные подходы к вопросам оценки параметров модуляции радиосигналов по технологии LongRange (LoRa) // Радиотехника. 2026. Т. 90. № 7. С. 13-17. DOI: https://doi.org/10.18127/j00338486-202607-02

1. Ромащенко М.А., Сухомлинов Р.С., Васильченко Д.В., Пухов Д.А. Параметризация коэффициента расширения спектра LoRa-радиосигнала для идентификации беспилотных летательных аппаратов // Теория и техника радиосвязи. 2026. № 1. С. 15-23.
2. Atapattu S., Tellambura C., Jiang H. Energy detection for spectrum sensing in cognitive radio. 2014. DOI: 10.1007/978-1-4939-0494-5.
3. Koch D.J., Shahid M.O., Krishnaswamy B. Spreading factor detection for low-cost adaptive data rate in LoRaWAN gateways // The 20th ACM Conference on Embedded Networked Sensor Systems (SenSys ’22). New York: ACM. 2022. P. 1–7. DOI: 10.1145/3560905.3568112.
4. Ghanaatian R., Afisiadis O., Cotting M., Burg A. LoRa digital receiver analysis and implementation // IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). 2019. P. 1498–1502.
5. West N.E., O’Shea T. Deep architectures for modulation recognition. 2017. DOI: 10.1109/DYSPAN.2017.7920754.
6. Rajendran S., Meert W., Giustiniano D., Lenders V., Pollin S. Deep learning models for wire-less signal classification with distributed low-cost spectrum sensors. 2018. DOI: 10.1109/TCCN.2018.2835460.
7. Shahid A. et al. A convolutional neural network approach for classification of LPWAN technologies: Sigfox, LoRa and IEEE 802.15.4g. 2019. DOI: 10.1109/SAHCN.2019.8824856.
8. Mutescu P.M., Lavric A., Petrariu A.I., Popa V. Deep learning enhanced spectrum sensing for LoRa spreading factor detection // 2023 13th International Symposium on Advanced Topics in Electrical Engineering (ATEE). 2023. DOI: 10.1109/ATEE58038.2023.10108224.
9. Almohamad A., Hasna M., Althunibat S., Tekbıyık K., Qaraqe K. A Deep learning model for LoRa signals classification using cyclostationay features // 2021 International Conference on Information and Communication Technology Convergence (ICTC). 2021. DOI: 10.1109/ICTC52510.2021.9621015.
10. Rachel G., Prema S.Ch. Cyclostationary feature detection based blind approach for spectrum sensing and classification. 2019. DOI: 10.13164/re.2019.0298.
11. Lavric A., Popa V. Performance evaluation of LoRaWAN communication scalability in large-scale wireless sensor networks. 2018. DOI: 10.1155/2018/6730719.
12. Mutescu P.-M., Popa V., Lavric A. LoRa communications spectrum sensing based on artificial intelligence: IoT sensing // Sensors. 2025. V. 25. Art. 2748. DOI: 10.3390/s25092748.