Radiometrisk identifisering av signaler ved matchet blekingstransform del 2

Apr 13, 2023

4. Resultater

Cistanchehar funksjon avfremme kollagenproduksjonen, som kan øke elastisiteten og glansen i huden ogbidra til å reparere skadede hudceller. Cistanche Phenylethanol Glykosiderha en betydelig nedregulerende effekt påtyrosinaseaktivitet, og effekten på tyrosinase er vist å være konkurransedyktig og reversibel hemming, noe som kan gi et vitenskapelig grunnlag for å utvikle og utnytte blekeingrediensene i Cistanche. Derfor har cistanche en nøkkelrolle ibleking av huden. Det kanhemme melaninproduksjon for å redusere misfarging og matthet; og fremme kollagenproduksjonen for å forbedre hudens elastisitet og glød. På grunn av den utbredte anerkjennelsen av disse effektene av cistanche, har mange hudblekingsprodukter begynt å tilføre urteingredienser som Cistanche for å møte forbrukernes etterspørsel, og dermed øke den kommersielle verdien av Cistanche ihudblekingsprodukter. Oppsummert er rollen til cistanche i hudbleking avgjørende. Det erantioksidanteffekt og kollagenproduserende effekt kan redusere misfarging og matthet, forbedre hudens elastisitet og glans, og dermed oppnå en blekende effekt. Den brede anvendelsen av Cistanche i hudblekingsprodukter viser også at dens rolle i kommersiell verdi ikke kan undervurderes.

cistanche supplement review

Klikk på Cistanche Tubulosa Supplement

For mer info:

david.deng@wecistanche.com WhatApp:86 13632399501

Denne delen implementerer den foreslåtte radiometriske identifiseringen ved bruk av simulerte og reelle data. Først blir data korrigert for forskyvningsfrekvens og brukt til å reversere den tidsvarierende faseforskyvningen. For det andre implementeres den foreslåtte algoritmen som er styrt av regel (6), og produserer forvirringsmatriser.

desert cistanche benefits

4.1. Korreksjon av signalfase og offsetfrekvens

Data simuleres for et QPSK-signal underlagt lokal oscillatorfrekvensforskyvning. Tabell 1 viser simuleringsparametrene.

Fasekurven er bygget ut fra estimatene av de momentane fasene beregnet fra signalblokker som er korte nok til å sikre en stasjonær fase. Hver datablokk genererer ett faseestimat. Flere blokker definerer et segment der symboler roterer maksimalt 5,62◦.

rou cong rong benefits

Figur 5 viser prosessen der momentane faseverdier samles inn og brukes i modelltilpasningstrinnet. Dette trinnet kan også forklares som prøvetakingen av fasekurven. Symbolfasene per blokk er histogrammert etterfulgt av tilpasning av et polynom. Toppen av polynomet er ˆθk for den kth blokken. Dette trinnet gjentas over flere blokker og er vist i figur 5a–f. De estimerte fasene { ˆθk, k=1, 2, . . . , M} definerer den lineære fasebanen hvis helning bestemmer fd. Figur 6 er minste kvadraters tilpasning av fasemodellen til dataene. Figurene 6a og b tilsvarer henholdsvis SNR=20 dB og 10 dB. Figur 6c illustrerer at en ikke-lineær fasebane også kan modelleres og spores. Anslått f ˆ d=0.0505 Hz og f ˆ d=0.0455 Hz ved henholdsvis SNR=20 dB og 10 dB. Den sanne offsetfrekvensen er 0,05 Hz.

cistanche chemist warehouse

where can i buy cistanche

Symboler roterer med 2π fdT radianer over lengden av en blokk. Denne rotasjonen må holdes til en liten brøkdel av kvadranten som symbolene tilhører. For eksempel, i QPSK er hver kvadrant π/2 radianer. Den riktige blokklengden styres av modaliteten til fasehistogrammer. Et unimodalt fasehistogram med en distinkt topp indikerer at fasevariasjoner forblir nær den nominelle verdien, figur 7a. For stor 2π fdT, enten på grunn av stor fd eller lang blokklengde T, blir histogrammet multimodalt uten distinkte topper, figur 7b. En annen ulempe med stor fdT er 2π fasetvetydigheten der symboler beveger seg rundt sirkelen flere perioder.

cistanche norge

4.2. Radiometrisk identifikasjon

Vi bruker nå den foreslåtte radiometriske identifiseringsmetoden på signalene generert av følgende bølgeformgeneratorer eller standarder: Agilent [54], Viasat EBEM [55], Teledyne Paradise [56], KRATOS Real-Time Channel Simulator (RTsim) [57], og USRP [58]. Dataene har QPSK-modulasjon samplet ved 2,95 MHz for totalt 35 millioner symboler per modell. Figurene 8a og b viser signalkonstellasjoner som påvirkes av varierende mengder utsmøring. Figur 8b er et spesielt alvorlig tilfelle på grunn av det store fdT-produktet som får symboler til å rotere potensielt multipler av 2π. Etter estimering av fdT og derotasjon av symboler, gjenopprettes den opprinnelige konstellasjonen i figur 8c. Figur 9 er et nærbilde av seks konstellasjoner etter at alle fase- og frekvensforskyvninger er fjernet. Oppgaven er nå å tilskrive signalene til individuelle kilder. Gitt likheten til konstellasjonene i struktur og funksjoner, er det klart at radiometrisk identifikasjon er et mye mer utfordrende problem enn konvensjonell signalklassifisering basert på modulasjonsinformasjon.


cistanche nedir

does cistanche work

4.3. Klasseforvirringsmatriser

Trening av klassifisereren innebærer beregning av 5 matchede blekingsmatriser, Wi, i=1, 2, . . . , 5. Dataene består av 35 millioner symboler hentet fra QPSK-modulerte signaler som stammer fra fem forskjellige radioer. Treningssettet består av 5 × 105 symboler som er omtrent 1,4 prosent av de totale dataene. Majority Vote-klassifisereren trenger en stemmeordning. Stemmer genereres ved å dele dataene inn i 72 blokker med 5 × 105 prøver hver. Hver blokk genererer én stemme som deretter blir tabellert over hele signallengden. Testblokkene er trukket fra en "ukjent" kilde, ødelagt av gaussisk støy, og gjentatte ganger projisert på blekende matriser som tilsvarer hver kilde. Avstanden Förstner-Moonen brukes til å beregne modusfunksjonen i (6) som fører til kompilering av forvirringsmatrisene.

Før du oppretter forvirringsmatrisene, må oppførselen til avstandsmålet Förstner-Moonen studeres. I følge (3), ettersom prosessen blir stadig mer bleket, blir Förstner-Moonen-avstanden mellom den hvite kovariansmatrisen og identitetsmatrisen innsnevret. Den teoretiske minimumsavstanden er null for hvit støy. For å teste for denne oppførselen opprettes to tilfeldige variabler med justerbare korrelasjonskoeffisienter og plasseres i en to-kolonne matrise. Kovariansen til denne matrisen beregnes som en funksjon av korrelasjonsverdier og den tilsvarende avstanden Förstner-Moonen plottes. Resultatene er plottet i figur 3. Som figur 3a viser, er avstanden en økende funksjon av korrelasjon, noe som reflekterer at kovariansmatrisen beveger seg bort fra den til en hvit støyprosess for å øke korrelasjonen. Dette er forventet. Den andre egenskapen til Förstner-Moonen-målet er at de ukjente dataene er nærmere en prosess med hvit støy når de ble bleket av blekingstransformasjonen, enn noen annen, derav matchet bleking. For å vise denne egenskapen ble dataene fra Agilent bleket av blekingsmatrisen og deretter av blekingsmatrisen til Viasat EBEM. Avstandsberegninger utføres over 40 datablokker og plottes i figur 3b. Det som skiller seg ut er at Förstner-Moonen-avstanden for Agilent-dataene nesten alltid er mindre enn når Viasat EBEM-blekingsmatrisen brukes. Denne oppførselen er forventet, noe som betyr at en riktig avgjørelse tas hver gang det skjer. Denne tellingen er i hovedsak grunnlaget for å fylle ut forvirringsmatrisene over alle kilder.

cistanche portugal

Etter observasjonene ovenfor kan de tilsvarende forvirringsmatrisene nå beregnes og er vist i tabell 2. Tallene indikerer prosentandelen av korrekte stemmer avgitt for hver kilde over 72 rammer av testdataene. Legg merke til at modusklassifisereren i (6) ser etter et flertall av stemmene for å velge en vinner. Det er et vanskelig stemmeopplegg. For eksempel har Paradise bare fått 77,1 prosent av stemmene, men det ukjente signalet er fortsatt korrekt klassifisert som Paradise. Derfor indikerer tabell 2 100 prosent riktig klassifisering. Forvirringsmatriser kan også brukes i en myk stemmeordning ved å beholde de faktiske stemmeprosentene.

Deretter undersøker vi virkningen av mindre datasett og ekstra støy utover det som allerede er i dataene. Den totale prøvestørrelsen er nå 107 som er delt inn i blokker på en kvart million prøver som hver oversetter til mindre enn 100 msek. Denne lengden genererer 40 blokker som brukes til å få klassifiseringsstatistikk i form av forvirringsmatriser. Tabell 3 viser resultatene @ SNR=15 dB lagt til Gaussisk støy. Dette er utover det som allerede er i dataene. Alle kilder er korrekt identifisert bortsett fra KRATOS RTSim som er identifisert som Teledyne Paradise. Selv da er forskjellen på 2,5 prosent godt innenfor de statistiske variasjonene i løpet. De prosentvise korrekte klassifiseringstallene for hver kilde viser et stort fall sammenlignet med tabell 2, men flertallsstemmeordningen tar fortsatt den riktige avgjørelsen, om enn med redusert margin. For eksempel er Agilent-data riktig assosiert med Agilent bare 30 prosent av tiden, men det er fortsatt høyere enn noen andre. Tabell 4 og 5 gjentar prosessen for SNR=5 dB og 0 dB. Selv om satsene og marginene er lavere, velger flertallsordningen fortsatt riktig klasse. Når marginene er lave, spiller statistisk variabilitet en rolle for å gjøre korrekt kildeidentifikasjon. Legg merke til at den store marginen til USRP i Tabell 2 hjelper den i stor grad å opprettholde korrekt identifikasjon selv ved 5 dB SNR i Tabell 4. For å vise hvor alvorlig situasjonen er, viser figur 10 konstellasjonen i SNR=5 dB-støy. Mangelen på identifiserende funksjoner er tydelig gjennomgående. Merk at RTSim og Paradise er uavgjort. Denne vanskeligheten gjenspeiles selvfølgelig også i tabell 4, men korrekt identifikasjon er fortsatt mulig. Fire av fem kilder er korrekt identifisert og den femte er uavgjort. Tabell 5 er ekstremtilfellet av SNR=0 dB. EBEM og Paradise er fortsatt korrekt identifisert.

cistanche and tongkat ali reddit

cistanche gnc

cistanche bienfaits

4.4. Sammenligninger

En omfattende sammenligning av SVM, CNN og D(eep)NN er rapportert for seks radioer i [13]. Riktig klassifiseringsgrad er 44,8 prosent (SVM), 82,4 prosent (CNN) og 71,9 prosent (DNN). Men i fravær av aksepterte benchmarks for radiometrisk identifikasjon, som ikke eksisterer, er rene numeriske sammenligninger ikke avgjørende. Faktorer som kompleksiteten til algoritmen, prosesseringshastigheten, treningsdatastørrelsen og andre forutsetninger vurderes, og sammenligningen er vanskelig. Selv valg av radioer eller protokoller er ikke vanlig. Den rapporterte treningsutvalgsstørrelsen i [13] er 10 prosent, mens den er 1,4 prosent her. Enda viktigere, ingen operatørgjenopprettingstrinn ble rapportert. Ved å anta perfekt fase- og frekvensinnretting ved den lokale oscillatoren, er det ikke utført noen avbøtende for konstellasjonssmøring av den typen som er rapportert her. Dette er en betydelig utelatelse. Det er heller ingen støy i systemet. Å håndtere høy dimensjonalitet er en annen faktor. Whitening-transformasjonen er funksjonsløs og omgår dermed dimensjonalitetsreduksjonen, mens funksjonsvektorer ekstrahert i [10] har 960 dimensjoner. Fingeravtrykk av RF-enheter i kognitive Zigbee-nettverk viser god nøyaktighet (≈90 prosent), men ved høy SNR (Større enn eller lik 20 dB) [15]. I [19] er inngangsdataene forhåndsbehandlet som Hilbert-spekter-gråskalabilder og oppnår akseptabel nøyaktighet under moderate SNR-nivåer (Gjennomsnittlig 70 prosent nøyaktighetsrate for SNR på 15 dB).

5. Konklusjoner

Problemet som tas opp i denne artikkelen er å tilskrive et signal til en ukjent kilde. Tidligere tilnærminger har vært basert på funksjonsutvinning, dimensjonalitetsreduksjon og en viss implementering av en minimumsavstandsklassifiserer. Tilnærmingen her foreslår graden av hvithet til de transformerte dataene som en signatur for radiometrisk identifikasjon av signalet. Det er en funksjonsløs tilnærming som hopper over funksjonsutvinning ved å bruke de rå IQ-dataene. Denne formuleringen krever minimal beregningsbelastning sammenlignet med PCA eller dyplæringsmetoder. To andre funksjoner gjør at algoritmen skiller seg ut. Den ene bruker ekte data fanget opp av satellittradioer. Den andre adresserer bærebølge- og fasegjenoppretting ved å reversere de innebygde fase- og frekvensforskyvningene som et forbehandlingstrinn. Algoritmer som er innstilt til dataene, forutsatt perfekt fangst av bærer, vil mislykkes i praksis. Dette arbeidet kan utvides på flere måter, som å utvide radiokildedatabasen til militær og kommersiell radar, trådløse sendinger, modellering av tidsvarierende frekvensforskyvninger og en bredere sammenligning med de konkurrerende dyplæringsmetodene.

maca ginseng cistanche

Forfatterbidrag:Konseptualisering, BGM og AL; Programvare, AL; Skriving og originalutkast, BGM; Skriving, anmeldelse og redigering, AL Alle forfattere har lest og godtatt den publiserte versjonen av manuskriptet.
Finansiering:Finansiering til denne forskningen ble delvis levert av RT Logic Corp. under prisnummer A16-0008-001.
Uttalelse fra institusjonell revisjonskomité:Ikke aktuelt.
Erklæring om informert samtykke:Ikke aktuelt.
Datatilgjengelighetserklæring:Ikke aktuelt.
Anerkjennelser:Forfatterne takker takknemlig for finansieringsstøtten.
Interessekonflikter:Forfatterne erklærer ingen interessekonflikt.

Referanser

1. Nandi, AK; Azzouz, EE Algoritmer for automatisk modulasjonsgjenkjenning av kommunikasjonssignaler. IEEE Trans. Commun. 1998, 46, 431–436.

2. Phukan, GJ; Bora, PK Parameterestimering for blindklassifisering av digitale modulasjoner. IET-signalprosess. 2016, 10, 758–769.

3. Ata'a, AW; Abdullah, SN Deinterleaving av radarsignaler og PRF-identifikasjonsalgoritmer. IET Radar Sonar Navigering. 2007, 1, 340–347.

4. Gok, G.; Alp, YK; Arikan, O. En ny metode for spesifikk emitteridentifikasjon med resultater på ekte radarmålinger. IEEE Trans. Inf. Forensics Secur. 2020, 15, 3335–3346.

5. Sa, K.; Lang, D.; Wang, C.; Bai, Y. Spesifikke emitteridentifikasjonsteknikker for tingenes internett. IEEE Access 2020, 8, 1644–1652.

6. Wu, H.; Wang, W. A Game Theory Based Collaborative Security Detection Method for Internet of Things Systems. IEEE Trans. Inf. Forensics Secur. 2018, 13, 1432–1445.

7. Padilla, J.; Padilla, P.; Valenzuela-Valdés, J.; Ramírez, J.; Górriz, J. RF-fingeravtrykkmålinger for å identifisere enheter i trådløse kommunikasjonsnettverk basert på funksjonsreduksjon og subspace-transformasjon. Måling 2014, 58, 468–475.

8. Bihl, TJ; Bauer, KW; Temple, MA Funksjonsvalg for RF-fingeravtrykk med multippel diskriminerende analyse og bruk av ZigBee-enhetsutslipp. IEEE Trans. Inf. Forensics Secur. 2016, 11, 1862–1874.

9. Xu, S.; Huang, B.; Xu, L.; Xu, Z. Klassifisering av radiosendere ved bruk av en ny metode for analyse av strøfunksjoner kombinert med PCA. I Proceedings of the MILCOM 2007-IEEE Military Communications Conference, Orlando, FL, USA, 29.–31. oktober 2007; s. 1–5.

10. Jia, Y.; Ma, J.; Gan, L. Kombinert optimalisering av funksjonsreduksjon og klassifisering for radiometrisk identifikasjon. IEEE signalprosess. Lett. 2017, 24, 584–588.

11. Danev, B.; Capkun, S. Transientbasert identifikasjon av trådløse sensornoder. I Proceedings of the 2009 International Conference on Information Processing in Sensor Networks, San Francisco, CA, USA, 13.–16. april 2009; s. 25–36.

12. Kennedy, IO; Scanlon, P.; Mullany, FJ; Buddhikot, MM; Nolan, KE; Rondeau, TW Radiosender-fingeravtrykk: A Steady State Frequency Domain Approach. I Proceedings of the 2008 IEEE 68th Vehicular Technology Conference, Calgary, AB, Canada, 21.–24. september 2008; s. 1–5.

13. Youssef, K.; Bouchard, L.; Haigh, K.; Silovsky, J.; Thapa, B.; Valk, CV Machine Learning Approach to RF Transmitter Identification. IEEE J. Radio Freq. Identifisere. 2018, 2, 197–205.

14. Jafari, H.; Omotere, O.; Adesina, D.; Wu, H.; Qian, L. IoT-enheter Fingeravtrykk ved hjelp av dyp læring. I Proceedings of the MILCOM 2018—2018 IEEE Military Communications Conference (MILCOM), Los Angeles, CA, USA, 29.–31. oktober 2018; s. 1–9.

15. Kjøpmann, K.; Revay, S.; Stantchev, G.; Nousain, B. Deep Learning for RF-enhetsfingeravtrykk i kognitive kommunikasjonsnettverk. IEEE J. Sel. Topp. Signalprosess. 2018, 12, 160–167.

16. Rajendran, S.; Meert, W.; Giustiniano, D.; Lenders, V.; Pollin, S. Dyplæringsmodeller for trådløs signalklassifisering med distribuerte rimelige spektrumsensorer. IEEE Trans. Cogn. Commun. Nett. 2018, 4, 433–445.

17. Ding, L.; Wang, S.; Wang, F.; Zhang, W. Spesifikk emitteridentifikasjon via konvolusjonelle nevrale nettverk. IEEE Commun. Lett. 2018, 22, 2591–2594.

18. Masood, S.; Rai, A.; Aggarwal, A.; Doja, MN; Ahmad, M. Å oppdage distraksjon av sjåfører ved bruk av konvolusjonelt nevralt nettverk. Mønstergjenkjenning. Lett. 2018, 139, 79–85.

19. Pan, Y.; Yang, S.; Peng, H.; Li, T.; Wang, W. Spesifikk emitteridentifikasjon basert på dype restnettverk. IEEE Access 2019, 7, 54425–54434.

20. Qian, Y.; Qi, J.; Kuai, X.; Han, G.; Sun, H.; Hong, S. Spesifikk emitteridentifikasjon basert på sparsom representasjon på flere nivåer i automatisk identifikasjonssystem. IEEE Trans. Inf. Forensics Secur. 2021, 16, 2872–2884.

21. Du, M.; Han, X.; Cai, X.; Bi, D. Balansert nevral arkitektursøk og dens anvendelse i spesifikk emitteridentifikasjon. IEEE Trans. Signalprosess. 2021, 69, 5051–5065.

22. Huang, G.; Yuan, Y.; Wang, X.; Huang, Z. Spesifikk emitteridentifikasjon basert på ikke-lineære dynamiske egenskaper. Kan. J. elektr. Comput. Eng. 2016, 39, 34–41.

23. Huang, G.; Yuan, Y.; Wang, X.; Huang, Z. Spesifikk emitteridentifikasjon for kommunikasjonssender ved bruk av multimålinger. Wirel. Pers. Commun. 2017, 94, 1523–1542.

24. Yuan, Y.; Huang, ZT; Wu, H.; Wang, X. Spesifikk emitteridentifikasjon basert på Hilbert-Huang-transformasjonsbaserte tids-frekvens-energidistribusjonsfunksjoner. IET Commun. 2014, 8, 2404–2412.

25. Padilla, P.; Padilla, J.; Valenzuela-Valdes, J. Radiofrekvensidentifikasjon av trådløse enheter basert på RF-fingeravtrykk. Elektron. Lett. 2013, 49, 1409–1410.

26. Hu, A. Innledningsbasert påvisning av RF-fingeravtrykk fra Wi-Fi-senderen. Elektron. Lett. 2010, 46, 1165–1167.

27. Candore, A.; Kocabas, O.; Koushanfar, F. Robust stabil radiometrisk fingeravtrykk for trådløse enheter. I Proceedings of the 2009 IEEE International Workshop on Hardware-Oriented Security and Trust, San Francisco, CA, USA, 27.–29. juli 2009; s. 43–49.

28. Dudczyk, J.; Kawalec, A. Fast-beslutningsidentifikasjonsalgoritme for utslippskildemønster i databasen. Okse. Pol. Acad. Sci.-Tech. Sci. 2015, 63, 385–389.

29. Kawalec, A.; Rapacki, T.; Wnuczek, S.; Dudczyk, J.; Owczarek, R. Blandet metode basert på intrapulsdata og gjenkjenning av utstrålt emisjon til emitterkilder. I Proceedings of the 2006 International Conference on Microwaves, Radar Wireless Communications, Krakow, Polen, 22.–24. mai 2006; s. 487–490.

30. Demers, F.; St-Hilaire, M. Radiometrisk identifikasjon av LTE-sendere. I Proceedings of 2013 IEEE Global Communications Conference (GLOBECOM), Atlanta, GA, USA, 9.–13. desember 2013; s. 4116–4121.

31. Tan, K.; Yan, W.; Zhang, L.; Tang, M.; Zhang, Y. Spesifikk senderidentifikasjon basert på programvaredefinert radio- og beslutningsfusjon. IEEE Access 2021, 9, 86217–86229.

32. Jana, S.; Kasera, SK På rask og nøyaktig gjenkjenning av uautoriserte trådløse tilgangspunkter ved hjelp av klokkeskjevheter. IEEE Trans. Mob. Comput. 2009, 9, 449–462.

33. Conning, M.; Potgieter, F. Analyse av målte radardata for spesifikk emitteridentifikasjon. I Proceedings of the 2010 IEEE Radar Conference, Washington, DC, USA, 10.–14. mai 2010; s. 35–38.

34. Polak, AC; Goeckel, DL Identifikasjon av trådløs enhet basert på RF-oscillatorfeil. IEEE Trans. Inf. Forensics Secur. 2015, 10, 2492–2501.

35. Polak, AC; Goeckel, DL RF-fingeravtrykk av brukere som aktivt maskerer sin identitet med kunstig forvrengning. I Proceedings of the 2011 Conference Record of the Forty Fifth Asilomar Conference on Signals, Systems and Computers (ASILOMAR), Pacific Grove, CA, USA, 6.–9. november 2011; s. 270–274.

36. Liu, MW; Doherty, JF Spesifikk emitteridentifikasjon ved bruk av ikke-lineær enhetsestimering. I Proceedings of the 2008 IEEE Sarnoff Symposium, Princeton, NJ, USA, 28.–30. april 2008; s. 1–5.

37. Li, Y.; Chen, X.; Lin, Y.; Srivastava, G.; Liu, S. Identifikasjon av trådløs sender basert på enhetsfeil. IEEE Access 2020, 8, 59305–59314.

38. Dolatshahi, S.; Polak, A.; Goeckel, DL Identifikasjon av trådløse brukere via effektforsterkerfeil. I Proceedings of the 2010 Conference Record of the Forty Fourth Asilomar Conference on Signals, Systems and Computers, Pacific Grove, CA, USA, 7.–10. november 2010; s. 1553–1557.

39. D'Agostino, S.; Foglia, G.; Pistoia, D. Spesifikk emitteridentifikasjon: Analyse på reelle radarsignaldata. I Proceedings of 2009 European Radar Conference (EuRAD), Roma, Italia, 30. september–2. oktober 2009; s. 242–245.

40. Guo, S.; Hvit, RE; Low, M. En sammenligningsstudie av radaremitteridentifikasjon basert på signaltransienter. I Proceedings of the 2018 IEEE Radar Conference (RadarConf18), Oklahoma City, OK, USA, 23.–27. april 2018; s. 286–291.

41. Talbot, KI; Duley, PR; Hyatt, MH Spesifikk emitteridentifikasjon og verifisering. Teknol. Rev. 2003, 113, 113–133.

42. Dragomiretskiy, K.; Zosso, D. Variasjonell modusdekomponering. IEEE Trans. Signalprosess. 2013, 62, 531–544.

43. Chang, CI Ortogonal Subspace Projection (OSP) revisited: En omfattende studie og analyse. IEEE Trans. Geosci. Remote Sens. 2005, 43, 502–518. ): Richland, WA, USA, 2007.

45. Mayer, R.; Bucholtz, F.; Scribner, D. Objektdeteksjon ved å bruke bleking/dewhitening for å transformere målsignaturer i multitemporale hyperspektrale og multispektrale bilder. Geosci. Fjernsensorer IEEE Trans. 2003, 41, 1136–1142.

46. ​​Kessy, A.; Lewin, A.; Strimmer, K. Optimal Whitening and Decorrelation. Er. Stat. 2018, 72, 309–314.

47. Bell, AJ; Sejnowski, TJ De "uavhengige komponentene" i naturlige scener er kantfiltre. Vis. Res. 1997, 37, 3327–3338.

48. Srivastava, N.; Hinton, G.; Krizhevsky, A.; Sutskever, I.; Salakhutdinov, R. Dropout: En enkel måte å forhindre at nevrale nettverk overtilpasses. J. Mach. Lære. Res. 2014, 15, 1929–1958.

49. Förstner, W.; Moonen, B. En metrikk for kovariansmatriser. I Geodesi—The Challenge of the 3rd Millennium; Springer: Berlin/Heidelberg, Tyskland, 2003; s. 299–309.

50. Kulis, B.; Sustik, MA; Dhillon, IS Low-Rank kjernelæring med Bregman Matrix Divergenser. J. Mach. Lære. Res. 2009, 10, 341–376.

51. Herdin, M.; Czink, N.; Ozcelik, H.; Bonek, E. Korrelasjonsmatriseavstand, et meningsfullt mål for evaluering av ikke-stasjonære MIMO-kanaler. I Proceedings of the 2005 IEEE 61st Vehicular Technology Conference, Stockholm, Sverige, 30. mai–1. juni 2005; Bind 1, s. 136–140.

52. Kuncheva, LI En teoretisk studie på seks klassifiserer fusjonsstrategier. IEEE Trans. Mønster Anal. Mach. Intell. 2002, 24, 281–286.

53. Proakis, JG; Salehi, M. Digital kommunikasjon; McGraw-Hill: New York, NY, USA, 2008.

54. Agilent Vector Signal Generator. 2021. (åpnet 26. november 2021).

55. Viasat Enhanced Bandwidth Effektiv SATCOM-modem. 2021. (åpnet 26. november 2021).

56. Teledyne Paradise Datacom. 2021. (åpnet 26. november 2021).

57. Kratos RTSIM. 2021. (åpnet 26. november 2021).

58. Ettus USRP. 2021.


For mer informasjon: david.deng@wecistanche.com WhatApp:86 13632399501

Du kommer kanskje også til å like