Informations de conception » Historique » Révision 5
Révision 4 (Yan ZHAO, 02/02/2025 19:16) → Révision 5/6 (Alexis ANGLADE, 02/02/2025 20:46)
h1. Informations de conception ___ > h2. Contenu de la section Cette section présente toutes les informations de conception *Architecture du projet, c'est-à-dire que cette section décrit le système utilisé, pourquoi il a été utilisé, quelles ont été les contraintes rencontrées et les améliorations possibles vis-à-vis de ces contraintes (les résultats étant donnés dans le [[Rapport de projet]]). système* > > h3. 1. Architecture du système Ce projet repose sur la communication sans fil LoRa, avec une analyse approfondie des signaux via GNU Radio et une identification des émetteurs grâce à un modèle de machine learning. • Émetteur (ESP32 WiFi LoRa 32 V2) : envoie des trames LoRa contenant des informations comme le CFO et le SF. • Récepteur (bladeRF 2.0 micro) : reçoit les signaux LoRa via un SDR et les transmet à GNU Radio. • Traitement du signal (GNU Radio + gr-lora) : décode les trames LoRa et extrait le CFO. • Apprentissage automatique (MATLAB) : classifie les émetteurs en fonction des valeurs de CFO. p=. !clipboard-202502021749-4cfco.png! > > h3. 2. Choix technologiques *Choix technologiques* Le choix des technologies repose sur les besoins spécifiques du projet : • Matériel : bladeRF 2.0 micro, ESP32 WiFi LoRa 32 V2 • Logiciel : GNU Radio, gr-lora, MATLAB Pourquoi ces technologies ? • GNU Radio : offre une flexibilité pour le traitement des signaux SDR. • MATLAB : propose des outils avancés pour l’analyse et la classification machine learning. • LoRa : permet des communications longue portée avec une faible consommation d’énergie. > > h3. 3. Fonctionnalités *Fonctionnalités des principaux modules p=. modules* !%E6%88%AA%E5%B1%8F2025-02-02%2019.15.37.png! > > h3. 4. Contraintes *Contraintes et défis du projet projet* • Sensibilité du CFO au bruit → besoin de filtres avancés. • Impact de la distance et des interférences → nécessité d’une calibration rigoureuse. • Collecte de données → un nombre suffisant d’échantillons est nécessaire pour améliorer l’apprentissage. > > h3. 5. Perspectives d’amélioration *Perspectives d’amélioration* • Amélioration du calcul du CFO pour réduire l’erreur et améliorer la précision. • Augmentation du volume de données pour entraîner un modèle plus robuste. • Optimisation des performances en temps réel pour rendre l’identification des émetteurs plus rapide et applicable à de grands réseaux LoRaWAN.