Polytech Projets Ge » Projets 2024 » P24AB01 Identification de l'émetteur à partir du préambule LoRa

h1. Structure des programmes

___

> h2. Contenu de la section

Vous trouverez dans cette section la structure des programmes utilisés durant le projet.

> > h3. 1. passerelle.ino

|_.Section|_.Fonction|_.Description|

|Bibliothèques|#include <SPI.h>

#include <LoRa.h>|Importation des

bibliothèques nécessaires|

| Définition des broches | #define LORA_SS 18 

etc... | Définition des broches

pour le module LoRa |

| Variables globales | int counter = 0; 

const int maxPackets = 30; | Compteur de paquets

envoyés et limite |

| Initialisation | setup() | - SPI et LoRa

- Paramètres LoRa

- Vérification du module |

| Transmission | loop() | - Vérification du compteur

- Envoi du message LoRa

- Attente 3s

- Arrêt après 30 paquets |

> > h3. 2. point_em.ino

|_.Section|_.Fonction|_.Description|

| Bibliothèques | #include <SPI.h>

#include <LoRa.h> | Importation des bibliothèques nécessaires

pour l’affichage OLED et la communication LoRa |

| Définition des broches | #define LORA_SS 18

#define LORA_RST 14

#define LORA_DIO0 26 |  Définition des broches pour le module LoRa|

| Variables globales | int counter = 0;

const int maxcount = 1000; | Compteur de paquets envoyés et limite d’envoi |

| Initialisation | setup() | - SPI et LoRaConfiguration des paramètres LoRa 

(Fréquence, Spreading Factor, Preamble)

- Vérification du module LoRa

- Initialisation de l’affichage OLED |

| Transmission | loop() | - Vérification du compteur

- Envoi du message LoRa avec entête et compteur

- Mise à jour de l’affichage OLED

- Pause de 1 seconde entre chaque envoi

- Arrêt de l’émission après 1000 paquets |

> > h3. 3. point_rec.ino

|_.Section|_.Fonction|_.Description|

| Bibliothèques | #include <SPI.h>

#include <LoRa.h>

#include "SSD1306Wire.h" | Importation des bibliothèques nécessaires

pour l’affichage OLED et la communication LoRa |

| Définition des broches | #define LORA_SS 18

#define LORA_RST 14

#define LORA_DIO0 26 | Définition des broches pour le module LoRa |

| Variables globales | String receivedData

;int packetSize; | Stockage des données reçues et 

vérification de la taille des paquets |

| Initialisation | setup() | - Configuration du port série pour le débogage

- Initialisation de l’affichage OLED

- Configuration et démarrage du module LoRa 

(Fréquence, Spreading Factor, Preamble, etc.)

- Vérification de l’initialisation LoRa |

| Réception et affichage des données | loop() | - Vérification de la réception d’un paquet LoRa

- Lecture du message reçu et extraction des informations

- Vérification de l’en-tête du paquet

- Affichage du message et du compteur sur l’écran OLED

- Affichage du RSSI (puissance du signal reçu) pour évaluer 

la qualité de la transmission |

> > h3. 4. ml_cfo.m

|_.Section|_.Fonction|_.Description|

| Importation des données | data = readtable('base_de_donne_sans_cfonode.xlsx') | Chargement des données à partir d’un fichier Excel |

| Prétraitement des données | rmmissing(data), data.N_D = categorical(data.N_D) | Suppression des valeurs manquantes et conversion 

des étiquettes en variables catégorielles |

| Sélection des caractéristiques | features = {'CFO_total', 'SF'} | Définition des variables utilisées pour la classification |

| Normalisation des données | data.CFO_total = (data.CFO_total - mean) / std | Mise à l’échelle des valeurs CFO_total pour

améliorer la performance du modèle |

| Visualisation des données | boxplot(data.CFO_total, data.N_D),

gscatter(data.SF, data.CFO_total, data.N_D) | Tracé de graphiques pour analyser la distribution 

des données |

| Séparation des ensembles d’entraînement et de test | train_idx, test_idx = false(height(data),1) | Création d’ensembles d’entraînement et de test 

avec échantillonnage stratifié |

| Création du modèle KNN | Mdl_KNN = fitcknn(X_train, y_train, 'NumNeighbors', 5, 'Standardize', true) | Entraînement du modèle KNN avec 5

voisins et normalisation des données |

| Prédiction sur l’ensemble de test | y_pred = predict(Mdl_KNN, X_test) | Prédiction des étiquettes pour les données de test |

| Évaluation de la précision | accuracy = sum(y_pred == y_test) / length(y_test) | Calcul de la précision du modèle |

| Affichage de la matrice de confusion | confusionchart(y_test, y_pred) | Visualisation des erreurs de classification |

| Analyse des prédictions correctes par SF | sf7_correct_blanc, sf8_correct_blanc, sf9_correct_blanc | Comptage des classifications correctes pour chaque 

SF (7,8,9) et chaque classe (Blanc, Noir) |

> > h3. 5. test.m

|_.Section|_.Fonction|_.Description|

| Bibliothèques | input(), predict() | Utilisation des bibliothèques MATLAB intégrées pour la saisie des valeurs et la prédiction |

| Variables globales | mean_cfo_total, std_cfo_total, Mdl_KNN | Paramètres pré-calculés pour la normalisation et modèle KNN chargé. |

| Boucle de Test | for i = 1:5 | Exécute 5 itérations de test pour la prédiction des nœuds. |

| Entrée Utilisateur | input('Entrez la valeur de CFO : ')  

input('Entrez la valeur de SF : ') | Demande à l’utilisateur d’entrer les valeurs de CFO et SF |

| Normalisation | (new_cfo - mean_cfo_total) / std_cfo_total | Transformation des valeurs CFO pour correspondre aux données d’entraînement |

| Prédiction du Modèle | predict(Mdl_KNN, normalized_input) | Classification du nœud correspondant à la valeur de CFO et SF |

| Affichage des Résultats | fprintf() | Affiche le résultat de la prédiction dans la console MATLAB |

| Fin du Programme | end | Termine la boucle après 5 tests |