Αφηρημένη:Η ραδιομετρική αναγνώριση είναι το πρόβλημα της απόδοσης ενός σήματος σε μια συγκεκριμένη πηγή. Σε αυτή την εργασία, αναπτύσσεται ένας αλγόριθμος ραδιομετρικής αναγνώρισης χρησιμοποιώντας τον μετασχηματισμό λεύκανσης. Η προσέγγιση ξεχωρίζει από τις πιο καθιερωμένες μεθόδους στο ότι λειτουργεί απευθείας στα ακατέργαστα δεδομένα IQ και ως εκ τούτου είναι χωρίς χαρακτηριστικά. Ως εκ τούτου, οι αλγόριθμοι μείωσης διαστάσεων που χρησιμοποιούνται συνήθως δεν ισχύουν. Η αρχή της ιδέας είναι ότι ένα σύνολο δεδομένων είναι "πιο λευκό" όταν προβάλλεται στη μήτρα λεύκανσης από οποιοδήποτε άλλο. Στην πράξη, τα μετασχηματισμένα δεδομένα δεν είναι ποτέ αυστηρά λευκά, καθώς τα δεδομένα εκπαίδευσης και δοκιμής διαφέρουν. Το μέτρο Förstner-Moonen που ποσοτικοποιεί την ομοιότητα των πινάκων συνδιακύμανσης χρησιμοποιείται για τον καθορισμό του βαθμού λευκότητας. Ο μετασχηματισμός λεύκανσης που παράγει ένα σύνολο δεδομένων με την ελάχιστη απόσταση Förstner-Moonen από μια διαδικασία λευκού θορύβου είναι το σήμα πηγής. Η πηγή καθορίζεται από την έξοδο της συνάρτησης τρόπου λειτουργίας που λειτουργεί στις αποφάσεις Ταξινομητής ψήφων πλειοψηφίας. Η χρήση του μέτρου Förstner-Moonen παρουσιάζει μια διαφορετική προοπτική σε σύγκριση με τις μετρήσεις μέγιστης πιθανότητας και Ευκλείδειας απόστασης. Ο μετασχηματισμός λεύκανσης έρχεται επίσης σε αντίθεση με τις πιο πρόσφατες προσεγγίσεις βαθιάς μάθησης που εξακολουθούν να εξαρτώνται από διανύσματα χαρακτηριστικών με μεγάλες διαστάσεις και μεγάλες φάσεις εκπαίδευσης. Αποδεικνύεται ότι η προτεινόμενη μέθοδος είναι απλούστερη στην εφαρμογή, δεν απαιτεί διανύσματα χαρακτηριστικών, χρειάζεται ελάχιστη εκπαίδευση και λόγω της μη επαναληπτικής της δομής είναι ταχύτερη από τις υπάρχουσες προσεγγίσεις.

Σύμφωνα με σχετικές μελέτες,κιστανάκιείναι ένα κοινό βότανο που είναι γνωστό ως «το θαυματουργό βότανο που παρατείνει τη ζωή». Το κύριο συστατικό του είναισιστανοζίτη, που έχει διάφορα αποτελέσματα όπως π.χαντιοξειδωτικό, αντιφλεγμονώδη, καιπροαγωγή της ανοσοποιητικής λειτουργίας. Ο μηχανισμός μεταξύ του κίστανου και της λεύκανσης του δέρματος έγκειται στην αντιοξειδωτική δράση τουκιστανάκιγλυκοσίδες. Η μελανίνη στο ανθρώπινο δέρμα παράγεται από την οξείδωση της τυροσίνης που καταλύεται απότυροσινάσηκαι η αντίδραση οξείδωσης απαιτεί τη συμμετοχή οξυγόνου, έτσι οι ελεύθερες ρίζες στο σώμα γίνονται ένας σημαντικός παράγοντας που επηρεάζει την παραγωγή μελανίνης. Το Cistanche περιέχει cistanoside, το οποίο είναι ένα αντιοξειδωτικό και μπορεί να μειώσει τη δημιουργία ελεύθερων ριζών στο σώμα.αναστέλλοντας την παραγωγή μελανίνης.

Κάντε κλικ στο Πώς να χρησιμοποιήσετε το Cistanche Tubulosa

Για περισσότερες πληροφορίες:

david.deng@wecistanche.com WhatApp:86 13632399501

1. Εισαγωγή 

Η ραδιομετρική αναγνώριση είναι το πρόβλημα της απόδοσης ενός σήματος στην πηγή. συχνά μάρκα ή μοντέλο. Η αναγνώριση της πηγής επιτυγχάνεται με τη λήψη δακτυλικών αποτυπωμάτων ραδιοσυχνοτήτων των συσκευών αναζητώντας υπογραφές που μπορεί να προκύψουν από κατασκευαστικές ανοχές, ατέλειες ή κανονικές στατιστικές διακυμάνσεις στην παραγωγή. Υπάρχει σημαντική δουλειά στην ταξινόμηση σημάτων και στην αναγνώριση διαμόρφωσης [1,2]. Ωστόσο, η ραδιομετρική ταυτοποίηση δεν ταιριάζει απόλυτα σε καμία από τις δύο κατηγορίες. Από πολλές απόψεις, η ραδιομετρική αναγνώριση είναι ένα πιο δύσκολο πρόβλημα, καθώς τα σήματα που προέρχονται από διαφορετικές πηγές μπορεί να έχουν παρόμοια χαρακτηριστικά όπως διαμόρφωση, ρυθμούς bit, σχήματα παλμών, κ.λπ. Αυτό το γεγονός καθιστά τις λεπτές παραλλαγές της συσκευής την κύρια υπογραφή για την ραδιομετρική αναγνώριση. Τέτοιες παραλλαγές, ωστόσο, είναι μικρές, ανεπαίσθητες και δύσκολο να μοντελοποιηθούν. Γιατί η ραδιομετρική ταυτοποίηση είναι ενδιαφέρουσα είναι πολλές πτυχές. Ο στρατός ενδιαφέρεται για αυτή την ικανότητα εδώ και αρκετό καιρό ως μέσο αναγνώρισης φιλικών από εχθρικών ραντάρ [3,4]. Η δορυφορική επικοινωνία μπορεί να αντιμετωπίσει σκόπιμη ή ακούσια εμπλοκή από αδίστακτες πηγές. Η γνώση της πηγής και της επωνυμίας του παρεμβολέα μπορεί να βοηθήσει στον εντοπισμό της πηγής προσβολής. Η ραδιομετρική αναγνώριση είναι επίσης ένα πολύτιμο εργαλείο για την ασφάλιση ασύρματων συσκευών. Οι προσπάθειες πλαστογράφησης σε ασύρματα δίκτυα και συσκευές IoT μπορούν να αποτραπούν εάν η πηγή του σήματος μπορούσε να εντοπιστεί και να αποκλειστεί [5,6]. Είναι πιο δύσκολο να μιμηθούν τα χαρακτηριστικά της συσκευής που είναι ενσωματωμένα σε σήματα παρά να αντιγράψουμε τη διαμόρφωση ή τη διαμόρφωση παλμού.

Η ραδιομετρική αναγνώριση μπορεί να διαμορφωθεί στο πλαίσιο ενός στατιστικού ταξινομητή. Η κλασική προσέγγιση ακολουθεί την εξαγωγή χαρακτηριστικών και τη μείωση διαστάσεων με τεχνικές όπως η PCA και τέλος ο ταξινομητής ανάλυσης πολλαπλής διάκρισης [7,8]. Στο [9], το Square Integral Bispectra (SIB) χρησιμοποιείται για την εξαγωγή των μοναδικών αδέσποτων χαρακτηριστικών μεμονωμένων εκπεμπόμενων σημάτων, ακολουθούμενο από το PCA για την εξαγωγή ενός διανύσματος χαρακτηριστικών χαμηλής διάστασης. Έχει παρατηρηθεί ότι τα χαρακτηριστικά που διατηρούνται μετά τη μείωση των διαστάσεων δεν είναι απαραίτητα τα βέλτιστα για ταξινόμηση.

Η συνδυασμένη βελτιστοποίηση της μείωσης διαστάσεων και της ταξινόμησης δακτυλικών αποτυπωμάτων προτείνεται στο [10]. Η ιδέα είναι να προωθηθεί η μείωση διαστάσεων ελαχιστοποιώντας το σφάλμα ταξινόμησης και μεγιστοποιώντας την αμοιβαία πληροφόρηση μεταξύ των χαρακτηριστικών μειωμένης διαστάσεων και της ετικέτας κλάσης ταυτόχρονα. Τα χαρακτηριστικά δακτυλικών αποτυπωμάτων RF εξάγονται από τα στατιστικά στοιχεία του κανονικοποιημένου στιγμιαίου πλάτους, φάσης και συχνότητας του σήματος που καταλήγουν σε διανύσματα χαρακτηριστικών με έως και 960 διαστάσεις. Ωστόσο, το πρόβλημα μείωσης των διαστάσεων παραμένει. Η εξαγωγή χαρακτηριστικών για αλγόριθμους αναγνώρισης πομπού έχει αναπτυχθεί για να λειτουργεί είτε σε μεταβατικές φάσεις [11] είτε σε φάσεις σταθερής κατάστασης [12]. Η μεταβατική φάση είναι μια αναλογική κατάσταση του σήματος που εμφανίζεται αμέσως μετά την ενεργοποίηση του πομπού, ενώ η φάση σταθερής κατάστασης χαρακτηρίζεται από διαμόρφωση.

Πιο πρόσφατες εργασίες για τη ραδιομετρική ταυτοποίηση επηρεάστηκαν από την άνοδο των εργαλείων βαθιάς μάθησης (DL). Παραδείγματα είναι τα δακτυλικά αποτυπώματα RF [13], τα δακτυλικά αποτυπώματα συσκευών IoT [14], η ανίχνευση φάσματος [15] και η αναγνώριση συσκευής RF σε γνωστικά δίκτυα [16]. Αυτό που χρειάζεται ακόμα σε όλες αυτές τις εργασίες είναι η εξαγωγή διανυσμάτων χαρακτηριστικών που ακολουθείται από χρονοβόρα μείωση διαστάσεων. Τα διανύσματα χαρακτηριστικών που εξάγονται στο [10], για παράδειγμα, έχουν 960 διαστάσεις πριν από τη μείωση διαστάσεων. Με άλλα λόγια, το βασικό πρόβλημα παραμένει. Η χρήση του DL συχνά επιτυγχάνεται με τον προγραμματισμό εργαλείων εκτός ραφιού ή με τη χρήση διαφόρων ρουτινών συνελικτικών νευρωνικών δικτύων (CNN) που υλοποιούνται στο Matlab. Για παράδειγμα, το συμπιεσμένο διφάσμα προσδιορίζεται ως χαρακτηριστικό και στη συνέχεια χρησιμοποιείται για την εκπαίδευση ενός CNN τριών επιπέδων [17]. Αυτό που διαφέρει είναι ο αριθμός των επιπέδων, των κρουνών, των φίλτρων, των συναρτήσεων ενεργοποίησης κ.λπ. Ένα άλλο παράδειγμα σε αυτήν την κατεύθυνση εμφανίζεται στο [18] όπου το Keras API χρησιμοποιείται με το TensorFlow στο πίσω μέρος για να διακρίνει τα προγράμματα οδήγησης που αποσπούν την προσοχή. Στο [15], το DL υλοποιείται για δακτυλικά αποτυπώματα συσκευών ραδιοσυχνοτήτων στα γνωστικά δίκτυα Zigbee χρησιμοποιώντας το σήμα σφάλματος σύνθετης ζώνης βάσης χρονικού τομέα ως δεδομένα εκπαίδευσης και δοκιμής. Τα αποτελέσματα δείχνουν καλή ακρίβεια (≈90 τοις εκατό) αλλά σε υψηλό SNR (Μεγαλύτερο ή ίσο με 20 dB). Στο [19], τα δεδομένα εισόδου προεπεξεργάζονται ως εικόνες κλίμακας γκρι φάσματος Hilbert και επιτυγχάνουν αποδεκτή ακρίβεια σε μέτρια επίπεδα SNR (μέσος ρυθμός ακρίβειας 70 τοις εκατό για SNR 15 dB). Μια ολοκληρωμένη σύγκριση απόδοσης παρουσιάζεται για διάφορους αλγόριθμους DL στο [13], αναφέροντας μια μέση ακρίβεια 98 τοις εκατό που μετρήθηκε για 12 πομπούς.

Το γεγονός ότι η ML λειτουργεί σε πολύ μικρότερα σύνολα δεδομένων και απαιτεί πολύ λιγότερο χρόνο εκπαίδευσης σε σύγκριση με το DL (ώρες εκπαίδευσης [15]), παρέχει μεγαλύτερη ευελιξία στις αλλαγές χαρακτηριστικών σήματος που συμβαίνουν κάτω από διαφορετικές περιβαλλοντικές συνθήκες (υπερθέρμανση, υπερβολικό ρεύμα κ.λπ.). , το οποίο μπορεί να επηρεάσει έντονα την επιλεγμένη δυνατότητα ταξινόμησης. Αυτή η ιδιότητα του ML (data-driven) επιτρέπει γρήγορες ενημερώσεις χαρακτηριστικών και, κατά συνέπεια, οδηγεί σε υψηλότερη ακριβή ταξινόμηση μακροπρόθεσμα. Επιπλέον, η μειωμένη πολυπλοκότητα σε σύγκριση με το DL επιτρέπει την ευκολότερη εφαρμογή υλικού και τη γρήγορη ταξινόμηση κατά την πτήση.

Το Specific Emitter Identification (SEI) είναι ένα άλλο παράδειγμα για την ραδιομετρική αναγνώριση [20-22]. Η προσέγγιση SEI επιχειρεί να αναγνωρίσει τον μοναδικό πομπό ενός σήματος χρησιμοποιώντας μόνο εξωτερικές μετρήσεις χαρακτηριστικών [22]. Το SEI υλοποιείται σε δύο στάδια, (1) μεταβατική κατάσταση σήματος και (2) κατάσταση σήματος σταθερής κατάστασης. Η μεταβατική προσέγγιση εφαρμόζεται στις συγκεκριμένες υπογραφές που είναι ενσωματωμένες στο σήμα καθώς ο πομπός τροφοδοτείται προς τα πάνω ή προς τα κάτω [23,24]. Οι μεταβατικές προσεγγίσεις είναι πιο δύσκολο να εφαρμοστούν λόγω της μη διαθεσιμότητας ή της παροδικής φύσης των δεδομένων που συχνά δεν είναι προσβάσιμα ή δεν αποθηκεύονται. Η προσέγγιση σταθερής κατάστασης αναφέρεται στην περίοδο όπου τα μεταβατικά δεδομένα έχουν σταθεροποιηθεί. Τα διαθέσιμα χαρακτηριστικά περιλαμβάνουν τη διαμόρφωση και το προοίμιο [25,26], μεταξύ άλλων. Στις τεχνικές που βασίζονται στη διαμόρφωση, οι λαμβανόμενοι και οι στόχοι αστερισμοί συγκρίνονται όπου η διαφορά δημιουργεί ένα δακτυλικό αποτύπωμα RF [27]. Ένας αλγόριθμος γρήγορης αναγνώρισης απόφασης εμφανίζεται στο [28]. Η αναγνώριση βασίζεται στην ομοιότητα ενός διανύσματος σήματος και στη σύγκρισή του με μοτίβα που είναι διαθέσιμα σε μια βάση δεδομένων. Η προσέγγιση ταξινομείται ως παράδειγμα SEI που εφαρμόζεται στην αναγνώριση ραντάρ. Ο αλγόριθμος εφαρμόστηκε σε εκατοντάδες εγγραφές σημάτων ραντάρ που προέρχονταν από πολλούς διαφορετικούς τύπους ραντάρ. Σε ορισμένες περιπτώσεις, διερευνήθηκαν αντίγραφα του ίδιου τύπου ραντάρ. Ζυγίζοντας όλα τα χαρακτηριστικά εξίσου, αναφέρεται σωστός ρυθμός αναγνώρισης 85% για τύπους ραντάρ. Μια μικτή μέθοδος αναγνώρισης ραντάρ που βασίζεται στην ηλεκτρομαγνητική εκπομπή και την ανάλυση ενδοπαλμικών εμφανίζεται στο [29]. Η υπόθεση είναι ότι οι ηλεκτρονικές συσκευές προσδίδουν ηλεκτρικά χαρακτηριστικά στον εκπεμπόμενο παλμό. Το μοντέλο σήματος είναι N μη επικαλυπτόμενες ωθήσεις από πομπούς Κ. Χρησιμοποιείται γραμμική ανάλυση διάκρισης. Τέσσερις μετρήσεις απόστασης χρησιμοποιούνται για την ταξινόμηση του άγνωστου παλμού. Αναφέρεται ότι τρία αντίγραφα του ίδιου τύπου ραντάρ αναγνωρίζονται με επιτυχία.

Η ραδιομετρική αναγνώριση των πρωτοκόλλων επικοινωνίας παρουσιάζει επίσης ενδιαφέρον. Η ταυτοποίηση των πηγών που χρησιμοποιούν το πρωτόκολλο LTE αναφέρεται στο [30,31]. Η αναγνώριση βασίζεται σε μοναδικά χαρακτηριστικά διαμόρφωσης που επιδεικνύονται από τους πομπούς, που προκύπτουν από μικρές ατέλειες που εισήχθησαν κατά την κατασκευή ραδιοεξοπλισμού. Οι ατέλειες της συσκευής έχουν χρησιμοποιηθεί ως υπογραφή για ραδιομετρική αναγνώριση, συμπεριλαμβανομένου του jitter ρολογιού [32], των σφαλμάτων ψηφιακού σε αναλογικό μετατροπέα (DAC) [33], του συνθέτη τοπικής συχνότητας [34], της μη γραμμικότητας του ενισχυτή ισχύος [35-37] . Οι ατέλειες του ενισχυτή ισχύος χρησιμοποιούνται επίσης για την αναγνώριση πηγής [38]. Τα πραγματικά σήματα ραντάρ χρησιμοποιούνται για την αναγνώριση πομπού [39].

Μια εντελώς διαφορετική εφαρμογή για ραδιομετρική αναγνώριση είναι το ραντάρ. Παρόλο που οι πομποί μπορεί να ανήκουν στον ίδιο τύπο ραντάρ, μπορεί να παρουσιάζουν ανεπαίσθητες διαφορές στους παλμούς που εκπέμπουν. Στο [33], 18 χαρακτηριστικά χρησιμοποιούνται για την αναγνώριση τριών κατηγοριών ραντάρ. Συγκρίνονται πέντε δακτυλικά αποτυπώματα αναγνώρισης εκπομπού ραντάρ με βάση τα μεταβατικά σήματα ραντάρ. Οι παραδοσιακές τεχνικές περιλαμβάνουν ραδιοσυχνότητα (RF), πλάτος παλμού, πλάτος παλμού, σκόπιμη διαμόρφωση παλμού ή διαστήματα επανάληψης παλμών. Στο [40], οι πληροφορίες ακούσιας διαμόρφωσης στην κυματομορφή του πομπού χρησιμοποιούνται ως δακτυλικά αποτυπώματα ραδιοσυχνοτήτων, για να συνδέσουν το λαμβανόμενο σήμα και τον αντίστοιχο πομπό του. Η ακούσια διαμόρφωση σε παλμό (UMoP) είναι μια μέθοδος που εκμεταλλεύεται παραλλαγές λόγω κατασκευαστικών διαφορών του υλικού του πομπού, συμπεριλαμβανομένων των ενισχυτών ισχύος Το UMoP είναι σαν το δακτυλικό αποτύπωμα ενός πομπού και μπορεί να αναγνωρίσει πομπούς από το ίδιο μοντέλο [41]. Η αποσύνθεση λειτουργίας μεταβλητής στην αναγνώριση ραντάρ αναφέρεται στο [42]. Το σύνολο δεδομένων αποτελείται από 47 εκπομπούς. Μερικοί από αυτούς τους εκπομπούς ήταν παραγωγές του ίδιου ραντάρ. Τα αποτελέσματα δείχνουν ότι η πραγματική τιμή SNR θα πρέπει να είναι περίπου 47 dB για να ληφθεί μια σωστή πιθανότητα ταξινόμησης μεγαλύτερη από 0,9.

2. Πλαίσιο Ραδιομετρικής Ταυτοποίησης

Το λαμβανόμενο σήμα διορθώνεται πρώτα για τη μετατόπιση φάσης, τη μετατόπιση συχνότητας ταλαντωτή και τα σφάλματα χρονισμού συμβόλων πριν από την εφαρμογή του μετασχηματισμού λεύκανσης. Ο μετασχηματισμός λεύκανσης είναι μια ορθογώνια προβολή που βασίζεται σε μια παραλλαγή του PCA και σχετίζεται με την ορθογώνια προβολή υποχώρου [43]. Μία μήτρα μετασχηματισμού λεύκανσης ανά πηγή υπολογίζεται από τα δεδομένα εκπαίδευσης. Δεν χρειάζεται να γνωρίζετε τον τύπο διαμόρφωσης, τη συχνότητα, τη φάση ή οτιδήποτε άλλο σχετικά με το σήμα. Η αναγνώριση της άγνωστης πηγής βασίζεται στην παρατήρηση ότι ένα σύνολο δεδομένων είναι "πιο λευκό" όταν προβάλλεται στη μήτρα λεύκανσης από ό,τι σε οποιοδήποτε άλλο, επομένως ταιριάζουν λεύκανση. Η προβολή των άγνωστων δεδομένων στη λεύκανση μετασχηματίζει και λευκαίνει τα δεδομένα μόνο εάν υπάρχει αντιστοιχία μεταξύ της μήτρας λεύκανσης και των δεδομένων. Ακόμη και όταν τα δεδομένα ταιριάζουν με τον μετασχηματισμό λεύκανσης, τα προβαλλόμενα δεδομένα δεν είναι ποτέ πραγματικά λευκά. Ένα μέτρο "λευκότητας" αναπτύσσεται επιλέγοντας μια μέτρηση απόκλισης για τη σύγκριση των πινάκων συνδιακύμανσης. Αυτό το μέτρο είναι το άθροισμα των τετραγωνικών λογαρίθμων των κοινών ιδιοτιμών των πινάκων συνδιακύμανσης αναφοράς και δοκιμής. την απόσταση Φόρστνερ-Μούνεν. Η λεύκανση είναι ευρέως γνωστή στην ανίχνευση σήματος και συχνά διαμορφώνεται ως το ταιριασμένο φίλτρο λεύκανσης. Ο στόχος είναι η αποσυσχέτιση δειγμάτων θορύβου στην έξοδο του φίλτρου. Μια τρισδιάστατη υλοποίηση του WMF χρησιμοποιείται για μελέτες περιβαλλοντικών επιπτώσεων σε υπερφασματικές εικόνες [44]. Η ανίχνευση αντικειμένων με χρήση λεύκανσης/απολεύκανσης για τον μετασχηματισμό των υπογραφών στόχων σε πολυχρονικό υπερφασματικό εμφανίζεται στο [45]. Παραδείγματα τέτοιων προσεγγίσεων λεύκανσης ισχύουν κυρίως για την ανίχνευση σήματος και αντικειμένων και δεν σχετίζονται με την ραδιομετρική αναγνώριση όπως προτείνεται εδώ.

2.1. The Whitening Transform

Έστω X ∈ Rp×n ο πίνακας δεδομένων που αποτελείται από n μετρήσεις των p μεταβλητών με τον πίνακα συνδιακύμανσης Σ. Η στατιστική λεύκανση είναι ένας γραμμικός μετασχηματισμός που μετασχηματίζει τα δεδομένα έτσι ώστε ο πίνακας συνδιακύμανσης του Y=WX να είναι ο πίνακας ταυτότητας. Η μήτρα μετασχηματισμού λεύκανσης δεν είναι μοναδική. Στην πραγματικότητα, το [46] αναφέρει δεκαπέντε διαφορετικούς πίνακες προβολής που λευκαίνουν τα δεδομένα, με τους πιο προεξέχοντες να είναι η λεύκανση PCA και ZCA [47]. ΕΙΔΙΚΑ,

όπου U και Λ είναι οι πίνακες των ιδιοδιανυσμάτων και των ιδιοτιμών στην αποσύνθεση του πίνακα συνδιακύμανσης Σ=UΛU T. Οι μετασχηματισμοί λεύκανσης παράγουν δεδομένα που σχετίζονται με τη διακόσμηση, αλλά προς ποιον σκοπό; Το πιο σημαντικό, τι ρόλο παίζει η λεύκανση στη ραδιομετρική αναγνώριση; Αυτό είναι το σημείο όπου ο ταιριαστός μετασχηματισμός λεύκανσης αποκλίνει από την υπάρχουσα χρήση του PCA στη ραδιομετρική αναγνώριση. Το PCA είναι περισσότερο γνωστό για τη συμπίεση δεδομένων καθοδηγώντας την αφαίρεση των συστατικών του Υ με ασήμαντη ενέργεια. Τα χαρακτηριστικά που παραμένουν δεν είναι απαραίτητα τα καλύτερα για ταξινόμηση. Ωστόσο, σχεδόν όλες οι τεχνικές ραδιομετρικής ταξινόμησης που βασίζονται σε PCA χρησιμοποιούν τα χαρακτηριστικά που επιβιώνουν της συμπίεσης σε μια επακόλουθη διακριτική συνάρτηση για την ταξινόμηση των δεδομένων. Το ZCA έχει την προστιθέμενη ιδιότητα της μηδενικής φάσης αναιρώντας την περιστροφή που προκαλείται από το PCA. Κανένα από τα δύο δεν ισχύει εδώ. Η παραγωγή μη συσχετισμένων δεδομένων είναι ένα βήμα προεπεξεργασίας από το οποίο εξάγονται διανύσματα χαρακτηριστικών χαμηλότερης διάστασης. Η μείωση των διαστάσεων δεν ισχύει για τα δείγματα IQ, καθώς υπάρχουν μόνο δύο διαστάσεις, αρχικά, και σχετίζονται ήδη σε μεγάλο βαθμό με τη διακόσμηση. Το PCA έχει χρησιμοποιηθεί και στη βαθιά μάθηση επιταχύνοντας τη σύγκλιση σε συνελικτικά νευρωνικά δίκτυα [48].

2.2. Ταξινόμηση κατά Matched Whitening

Τα δεδομένα είναι οργανωμένα σε έναν πίνακα N × M X=[x1, x2, . . . , xM], xi ∈ RN×1 όπου M είναι ο αριθμός των μετρήσεων και N είναι ο αριθμός των μεταβλητών ή των διαστάσεων. Για τα δεδομένα IQ, το N=2 και το M είναι ο αριθμός των συμβόλων στην εγγραφή. Αφήστε Wi , i=1, 2, . . . , m είναι οι πίνακες μετασχηματισμού λεύκανσης για m σήματα πηγής {c1, c2, . . . , εκ}. Οι εξαρτώμενοι από την τάξη πίνακες λεύκανσης υπολογίζονται εκτός σύνδεσης από τα δεδομένα εκπαίδευσης. Δεδομένου ότι τα δεδομένα IQ επηρεάζονται από τις μετατοπίσεις φάσης και συχνότητας, τα δεδομένα πρέπει να διορθωθούν πριν υπολογιστούν οι πίνακες λεύκανσης. Τα δεδομένα της δοκιμής κατανέμονται σε μπλοκ που χρησιμοποιούνται για τη δημιουργία στατιστικών. Δεν υπάρχει "σωστό" μήκος μπλοκ. Εξαρτάται από το ρυθμό αλλαγής φάσης, τη μετατόπιση συχνότητας ή τη μετατόπιση Doppler. Στην περίπτωση της μη γραμμικής μετατόπισης φάσης, τα μήκη μπλοκ επιλέγονται αρκετά μικρά ώστε να διασφαλίζεται η σχεδόν στατική φάση κατά την εκτίμηση φάσης. Περισσότερα για το πώς να επιλέξετε το μήκος του μπλοκ για την αντιστροφή της μετατόπισης συχνότητας εμφανίζονται στην Ενότητα 3.

Για να επεξηγηθεί αυτό το σημείο, δημιουργούνται τρεις πολυμεταβλητοί κανονικοί πληθυσμοί και φαίνονται στο Σχήμα 1α. Το 3ο σύνολο δεδομένων (με μαύρο) χρησιμοποιείται ως η "άγνωστη" πηγή και προβάλλεται επανειλημμένα στο Wi, i=1, 2, 3. Μετά από κάθε προβολή, το διάγραμμα διασποράς σχεδιάζεται και φαίνεται στο Σχήμα 1 bd. Όταν τα δεδομένα από την ομάδα 3 λευκαίνουν με το W1, Σχήμα 1b, ο κύριος άξονας των προβαλλόμενων δεδομένων εμφανίζεται υπό γωνία ως προς τον κύριο άξονα της μήτρας προβολής. Αυτό υποδεικνύει ότι τα δεδομένα και η μήτρα λεύκανσης δεν ταιριάζουν. Οι επαναλαμβανόμενες προβολές παράγουν το Σχήμα 1β–δ. Μόνο στο Σχήμα 1δ ο μετασχηματισμός λεύκανσης παράγει ένα κυκλικό διάγραμμα διασποράς. Η προβολή που παράγει τα λιγότερο συσχετισμένα δεδομένα προσδιορίζει το εμπορικό σήμα. Αυτή η ιδιότητα υποδηλώνει ότι η πηγή των άγνωστων δεδομένων ταιριάζει με τον μετασχηματισμό λεύκανσης της ομάδας 3. Ο ανιχνευτής μπορεί να υλοποιηθεί ως μια συστοιχία παράλληλων ταιριασμένων φίλτρων που φαίνεται στο Σχήμα 2.

2.3. Ανάπτυξη Μέτρου Λεύκανσης

Υπάρχουν πολλά προβλήματα με τη σύνδεση των άγνωστων δεδομένων με τη μήτρα λεύκανσης. Πρώτον, τα στοιχεία IQ των πραγματικών δεδομένων είναι ήδη αρκετά αποσυσχετισμένα, επομένως η λεύκανση μπορεί να μην φέρει σημαντική πρόσθετη αποσυσχέτιση. Δεύτερον, ο υποχώρος που ορίζεται στο (1) δημιουργείται εκτός σύνδεσης από τα δεδομένα εκπαίδευσης. Ωστόσο, τα δεδομένα των δοκιμών είναι διαφορετικά ακόμη και αν προέρχονται από τον ίδιο πληθυσμό με τα δεδομένα εκπαίδευσης. Εάν χρησιμοποιούνται δεδομένα διαφορετικά από το σετ εκπαίδευσης, η λεύκανση των δεδομένων θα είναι κατά προσέγγιση. Η βασική ιδιότητα είναι ότι ο πίνακας συνδιακύμανσης των αγνώστων δεδομένων θα μοιάζει με τον πίνακα ταυτότητας εάν προβάλλεται στον υποχώρο του περισσότερο από οποιονδήποτε άλλο. Τρίτον, πώς να μετρήσετε τη «λευκότητα». Αυτό είναι ένα πρόβλημα στην αντιστοίχιση του πίνακα συνδιακύμανσης [49].

Υπάρχει οποιοσδήποτε αριθμός μετρήσεων για τη μέτρηση των αποστάσεων μεταξύ δύο συμμετρικών, θετικών ορισμένων πινάκων συνδιακύμανσης. Περιλαμβάνουν την απόκλιση KL, την Ευκλείδεια απόσταση, τον τετράγωνο κανόνα Frobenius, την απόσταση Bhattacharyya, την απόκλιση πίνακα Bregman και το LogDet [50], μεταξύ άλλων. Σε αυτή την εργασία, χρησιμοποιούμε τη μέτρηση Förstner-Moonen [49] ως μέτρο ομοιότητας δύο πινάκων συνδιακύμανσης. Ως σημείο αναφοράς, μελετάται η καλά αναφερόμενη μέτρηση Απόσταση Πίνακα Συσχέτισης (CMD) [51] και τα μέτρα Kullback-Leibler. Δεν υπάρχει ένας ορισμός για την ομοιότητα, αλλά τρεις είναι μονοτονικοί με τη συσχέτιση και ως εκ τούτου είναι έγκυρα μέτρα. Έχουμε τοποθετήσει γραφικά CMD, KL και Förstner-Moonen για σύγκριση. Τα γραφήματα εμφανίζονται αργότερα στο Σχήμα 3α. Όπως ήταν αναμενόμενο, η απόσταση κατά ζεύγη αυξάνεται με την αύξηση της συσχέτισης, που σημαίνει ότι ο πίνακας συνδιακύμανσης των συσχετισμένων μεταβλητών βρίσκεται σε μεγαλύτερες αποστάσεις από έναν πίνακα διαγώνιας συνδιακύμανσης. Αξίζει να σημειωθεί ότι το μέτρο KL συμπίπτει ουσιαστικά με τη μέτρηση Förstner-Moonen, δικαιολογώντας τη χρήση του ως δείκτη ομοιότητας.

όπου λi(A, B), οι κοινές ιδιοτιμές των A και B, είναι οι ρίζες του |λA − B|=0. Στο πλαίσιο του μετασχηματισμού λεύκανσης, ο πίνακας συνδιακύμανσης αναφοράς είναι ο πίνακας ταυτότητας A=I και B=cov(Yi) είναι ο πίνακας συνδιακύμανσης των άγνωστων δεδομένων που έχουν λευκανθεί από το Wi. Επομένως, οι κοινές ιδιοτιμές μειώνονται απλώς στις ιδιοτιμές του μετρούμενου πίνακα συνδιακύμανσης Β των άγνωστων δεδομένων.

Ο ταξινομητής που βασίζεται στο (3) είναι ένας Ταξινομητής ψήφων πλειοψηφίας ή πολλαπλότητας [52] που διέπεται από τους κανόνες h1, h2, . . . , χμ. Οι κανόνες είναι λειτουργίες μέλους. Δεδομένων των μετρήσεων Xi από άγνωστη πηγή,

όπου p είναι ο αριθμός των μπλοκ. Η συνάρτηση λειτουργίας είναι ο αριθμός που εμφανίζεται πιο συχνά στο σύνολο, δηλαδή, hj(Xi) είναι ο αριθμός των φορών που ψηφίζεται ότι το Xi ανήκει στο JC. Η άγνωστη μέτρηση Xi ταξινομείται ως η τάξη που λαμβάνει τις περισσότερες ψήφους. Αυτή η διαδικασία απεικονίζεται στο Σχήμα 2. Αυτό είναι ένα παράδειγμα «σκληρής» ψηφοφορίας. Η εναλλακτική είναι η «ήπια» ψηφοφορία όπου διατηρείται η συχνότητα των εργασιών στις τάξεις.

Η υπολογιστική πολυπλοκότητα του αλγορίθμου αποτελείται από τον πίνακα λεύκανσης, τον μετασχηματισμό λεύκανσης και την αποσύνθεση ιδιοτιμών. Εάν X ∈ Rd×M, όπου d είναι ο αριθμός των μεταβλητών και M είναι ο αριθμός των μετρήσεων, η πολυπλοκότητα του μετασχηματισμού λεύκανσης είναι O(d2M συν d3), ο μετασχηματισμός λεύκανσης είναι O(d2M) και η ιδιοδιάσπαση είναι O(d3) . Με αναπαράσταση σήματος IQ, d=2 και είναι σταθερό καθ' όλη τη διάρκεια. Επομένως, καθεμία από τις παραπάνω πολυπλοκότητες μειώνει τελικά τη συνολική πολυπλοκότητα σε O(M). δηλαδή γραμμικό με τον αριθμό των μετρήσεων.

3. Αντιστροφή μετατοπίσεων φάσης και συχνότητας

Η πρώτη πρόκληση είναι η ραδιομετρική αναγνώριση των επιφανειών πριν από την εφαρμογή του αλγόριθμου. Τα σήματα διατίθενται συχνά με μη διορθωμένες περιστροφές φάσης. Υπάρχουν δύο τύποι περιστροφών. Η σταθερή περιστροφή προκαλείται από μια σταθερή μετατόπιση φάσης του φορέα αναφοράς. Η χρονικά μεταβαλλόμενη περιστροφή προκαλείται από την αναντιστοιχία συχνότητας του φορέα αναφοράς. Η αναντιστοιχία μπορεί να σχετίζεται με το υλικό ή να προκαλείται από Doppler. Είτε έτσι είτε αλλιώς, είναι άγνωστη ποσότητα. Η αναντιστοιχία συχνότητας, που ονομάζεται συχνότητα μετατόπισης fd, προκαλεί μια αντίστοιχη χρονικά μεταβαλλόμενη φάση που οδηγεί σε κηλίδωση αστερισμού. Αυτό είναι διαφορετικό από εκείνη της σταθερής μετατόπισης φάσης που προκαλεί την περιστροφή ολόκληρου του αστερισμού. Το σχήμα 4 δείχνει τη χρονικά μεταβαλλόμενη μετατόπιση φάσης κάτω από δύο επίπεδα SNR. Τόσο οι σταθερές όσο και οι χρονικά μεταβαλλόμενες περιστροφές πρέπει να αντιστρέφονται πριν από τη ραδιομετρική αναγνώριση.

3.1. Ιστορικό

Η διόρθωση μετατόπισης φάσης και συχνότητας πριν από την αναγνώριση της πηγής δεν αντιμετωπίζεται πάντα στη βιβλιογραφία ραδιομετρικής αναγνώρισης [17]. Η παραδοσιακή προσέγγιση για την ανάκτηση φάσης φορέα είναι η μέθοδος νόμου ισχύος [53]. Η αύξηση του σήματος στην ισχύ Mth δημιουργεί έναν τόνο M επί τη συχνότητα μετατόπισης που μπορεί να χρησιμοποιηθεί για την παρέκκλιση του αστερισμού. Ωστόσο, αυτή η μέθοδος λειτουργεί μόνο για μετατοπίσεις σταθερής φάσης. Η προσέγγιση που παρουσιάζεται εδώ εξάγει αυθαίρετες τροχιές φάσης προσαρμόζοντας ένα μοντέλο στη μέγιστη εκτίμηση πιθανότητας των σημείων φάσης που μετρώνται σε πολλαπλά τμήματα σήματος. Η τροχιά φάσης υπολογίζεται πρώτα από τμήματα σήματος που είναι αρκετά μικρά ώστε η φάση να θεωρείται ακίνητη. ουσιαστικά ένα στιγμιότυπο της φάσης στο χρόνο. Η κλίση της γραμμής που προσαρμόζεται στις γωνίες φάσης με χρήση ελαχίστων τετραγώνων είναι ανάλογη της συχνότητας μετατόπισης. Επιπλέον, η μέθοδος προσαρμογής ελαχίστων τετραγώνων χειρίζεται μη γραμμικές τροχιές φάσης που προκαλούνται από το φαινόμενο μετατόπισης συχνότητας δεύτερης τάξης. Αυτό δεν είναι δυνατό με τη μέθοδο του νόμου ισχύος.

3.2. Μοντέλο σήματος

Το διακριτό μοντέλο για τη μετατόπιση φάσης είναι {θk=2π fd t, t=kTs, k=1, 2, . . . K} όπου Ts είναι το μήκος του συμβόλου και K είναι ο αριθμός των συμβόλων στο μπλοκ που χρησιμοποιείται για την εκτίμηση της περιστροφής φάσης. Τα διαδοχικά σύμβολα περιστρέφονται κατά 2π και χωρούν ακτίνια μακριά από τις ονομαστικές τους θέσεις. Αυτή η κίνηση σχηματίζει ένα τόξο με την πάροδο του χρόνου προκαλώντας έτσι ένα φαινόμενο κηλίδωσης που φαίνεται στο Σχήμα 4. Για να διορθωθεί αυτή η περιστροφή, πρέπει να βρεθεί μια εκτίμηση θk, ˆθk και να χρησιμοποιηθεί για την ανάκτηση fd και την παρέκκλιση του μπλοκ συμβόλων. Η μέγιστη περιστροφή συμβόλων σε ένα μπλοκ είναι T=KTs.

Η εκτίμηση της συχνότητας μετατόπισης μπορεί να επιτευχθεί εκτιμώντας πρώτα την τροχιά φάσης. Η εκτίμηση του θ(t) εκτελείται σε μικρά μπλοκ μήκους T για να διασφαλιστεί η σταθερότητα της φάσης, δηλαδή, {θ(t) ≈ θk, t ∈ T}. Επομένως, υπάρχει μία εκτίμηση φάσης ανά μπλοκ δεδομένων. Η ποσότητα fdT είναι η κλασματική περιστροφή του αστερισμού πάνω από 2π για το μήκος του μπλοκ T. Αυτή η ποσότητα πρέπει να διατηρείται μικρή για δύο λόγους. Ένα, μικρότερο fdT σημαίνει λεπτότερη δειγματοληψία της καμπύλης φάσης. Αυτό είναι σημαντικό για την αποτύπωση της μη γραμμικότητας φάσης με γραμμική μοντελοποίηση σε κομμάτια. Δύο, το μεγάλο fdT ωθεί τα σύμβολα πέρα ​​από το αρχικό τεταρτημόριο συμβόλων τους. Αυτό το φαινόμενο φαίνεται στο Σχήμα 4β όπου τα σύμβολα στο πρώτο τεταρτημόριο έχουν ωθηθεί στο δεύτερο τεταρτημόριο. Τι συνιστά μικρά ή μεγάλα τμήματα εξηγείται στην επόμενη ενότητα.

Για περισσότερες πληροφορίες: david.deng@wecistanche.com WhatApp:86 13632399501