4. LoRa解调原理：非相干解调与相干解调、FFT解调算法、峰值检测与符号判决、解调门限与误码率
好，咱们接着聊LoRa的解调。说实话，很多工程师觉得调制难，但我个人认为，解调才是真正见功底的地方。你想想看，信号在空中飞了一圈，经历了衰减、多径、频偏，到了接收端已经面目全非了。怎么把它还原回来？这就是解调要干的事。
4.1 非相干解调 vs 相干解调
先说说这两个概念。非相干解调，说白了就是不看相位，只看幅度和频率。LoRa用的是CSS调制，频率随时间线性变化，所以非相干解调天然适合它。我在项目中遇到过一种情况：用相干解调去试，结果因为相位噪声太大，性能反而更差。
非相干解调的好处很明显——实现简单，对频偏不敏感。你不需要去估计载波的初始相位，直接拿接收信号的频率变化去匹配就行了。但代价是什么？信噪比要求更高一些，大概有1-2dB的损失。
相干解调呢？它需要知道精确的相位信息。理论上性能更好，但实际做起来很麻烦。我记得有一次调试，为了把相位锁定，折腾了整整一周。最后发现，在LoRa这种低信噪比场景下，非相干解调反而是更务实的选择。
核心结论：LoRa解调以非相干解调为主流。除非你的应用场景信噪比极高，且对功耗不敏感，否则别轻易上相干解调。
4.2 FFT解调算法
好，那非相干解调具体怎么实现？核心就是FFT。为什么？因为LoRa的每个符号对应一个特定的起始频率，而FFT可以高效地把时域信号转换到频域，让我们看到能量分布。
具体流程是这样的：
- 接收到的基带信号，先做下变频，得到I/Q两路数据。
- 然后做FFT，长度是2^SF（SF是扩频因子）。
- FFT输出的每个bin，对应一个可能的频率偏移。
- 找到能量最大的那个bin，就是解调结果。
举个例子，SF=7时，FFT长度是128点。每个符号周期内，我们做一次128点的FFT，然后看哪个bin的幅度最大。就这么简单。
我的经验：FFT的点数一定要和扩频因子匹配。我曾经犯过一个错误，为了省资源把FFT点数减半，结果误码率直接飙升。后来才意识到，FFT的分辨率决定了频率估计的精度，不能随便砍。
4.3 峰值检测与符号判决
FFT做完之后，我们得到了一堆频域数据。接下来要干什么？找峰值。峰值检测听起来简单，但实际做起来有不少坑。
我一般用三步法：
- 第一步：计算每个bin的幅度。可以用|I|+|Q|近似，省掉开方运算。
- 第二步：找到最大值的位置。这个位置对应的bin索引，就是解调出的符号值。
- 第三步：做二次插值。如果峰值刚好在两个bin之间，直接取整会有误差。用抛物线插值可以提升精度。
符号判决就更直接了。LoRa的每个符号对应一个频率偏移，而频率偏移又对应一个bin索引。所以，峰值位置就是符号值。比如SF=7时，峰值在bin 42，那解调出的符号就是42。
注意：峰值检测最怕多径。如果信号经过多条路径到达，FFT上可能会出现多个峰值。这时候怎么选？我建议用能量加权平均，而不是简单取最大值。当然，这要看你的系统对延迟扩展的容忍度。
4.4 解调门限与误码率
最后聊聊门限和误码率。解调门限，说白了就是信噪比低到什么程度，系统还能正常工作。LoRa在这方面有天然优势——扩频增益带来了处理增益。
误码率的计算公式是这样的：
BER ≈ 0.5 * exp(-0.5 * SNR * 2^SF / BW)其中SNR是信噪比，SF是扩频因子，BW是带宽。你看，扩频因子越大，误码率越低。但代价是什么？传输速率也降低了。
我在实际项目中测过一组数据：
| 扩频因子(SF) | 带宽(BW) | 解调门限(SNR) | 典型误码率 |
|---|---|---|---|
| 7 | 125kHz | -7.5 dB | 1e-3 |
| 9 | 125kHz | -12.5 dB | 1e-4 |
| 12 | 125kHz | -20 dB | 1e-5 |
嗯，这里要注意。表格里的数据是在理想信道下测的。实际环境中，多径、干扰、频偏都会让门限变差。我建议你留出3-5dB的余量。
避坑指南：我曾经在项目中把解调门限设得太紧，结果现场测试时频繁丢包。后来把门限放宽了3dB，问题就解决了。记住，理论值只是参考，实际系统要留余量。
好了，这一章的内容就这些。非相干解调、FFT算法、峰值检测、门限设置，这几个点串起来，就是LoRa解调的全貌。下一章我们会聊同步技术，那是另一个有意思的话题。