4. Αποτελέσματα

Cistancheέχει τη λειτουργία τουπροώθηση της παραγωγής κολλαγόνου, που μπορεί να αυξήσει την ελαστικότητα και τη λάμψη του δέρματος καιβοηθούν στην αποκατάσταση των κατεστραμμένων κυττάρων του δέρματος. Γλυκοζίτες φαινυλαιθανόλης Cistancheέχουν σημαντική ρυθμιστική επίδραση στατυροσινάσηδραστηριότητα, και η επίδραση στην τυροσινάση αποδεικνύεται ότι είναι ανταγωνιστική και αναστρέψιμη αναστολή, η οποία μπορεί να προσφέρει μια επιστημονική βάση για την ανάπτυξη και τη χρήση των λευκαντικών συστατικών στο Cistanche. Ως εκ τούτου, το cistanche έχει βασικό ρόλολεύκανση δέρματος. Μπορείαναστέλλουν τη μελανίνηπαραγωγή για τη μείωση του αποχρωματισμού και της θαμπάδας. και προωθεί την παραγωγή κολλαγόνου για τη βελτίωση της ελαστικότητας και της λάμψης του δέρματος. Λόγω της ευρείας αναγνώρισης αυτών των επιδράσεων του cistanche, πολλά προϊόντα λεύκανσης δέρματος έχουν αρχίσει να εγχύουν φυτικά συστατικά όπως το Cistanche για να καλύψουν τη ζήτηση των καταναλωτών, αυξάνοντας έτσι την εμπορική αξία του Cistanche στοπροϊόντα λεύκανσης δέρματος. Εν ολίγοις, ο ρόλος του κιστάνου στη λεύκανση του δέρματος είναι καθοριστικός. ΤουαντιοξειδωτικόΤο αποτέλεσμα και το αποτέλεσμα παραγωγής κολλαγόνου μπορεί να μειώσει τον αποχρωματισμό και τη θαμπάδα, να βελτιώσει την ελαστικότητα και τη λάμψη του δέρματος και έτσι να επιτύχει ένα αποτέλεσμα λεύκανσης. Επίσης, η ευρεία εφαρμογή του Cistanche σε προϊόντα λεύκανσης δέρματος αποδεικνύει ότι ο ρόλος του στην εμπορική αξία δεν μπορεί να υποτιμηθεί.

Κάντε κλικ στο Συμπλήρωμα Cistanche Tubulosa

Για περισσότερες πληροφορίες:

david.deng@wecistanche.com WhatApp:86 13632399501

Αυτή η ενότητα υλοποιεί την προτεινόμενη ραδιομετρική αναγνώριση χρησιμοποιώντας προσομοιωμένα και πραγματικά δεδομένα. Πρώτον, τα δεδομένα διορθώνονται για τη συχνότητα μετατόπισης και χρησιμοποιούνται για την αντιστροφή της χρονικά μεταβαλλόμενης μετατόπισης φάσης. Δεύτερον, ο προτεινόμενος αλγόριθμος που διέπεται από τον κανόνα (6) υλοποιείται παράγοντας πίνακες σύγχυσης.

4.1. Διόρθωση Φάσης Σήματος και Μετατόπισης Συχνότητας

Τα δεδομένα προσομοιώνονται για ένα σήμα QPSK που υπόκειται σε μετατόπιση συχνότητας τοπικού ταλαντωτή. Ο Πίνακας 1 δείχνει τις παραμέτρους προσομοίωσης.

Το Σχήμα 5 δείχνει τη διαδικασία με την οποία συλλέγονται οι στιγμιαίες τιμές φάσης και χρησιμοποιούνται στο βήμα προσαρμογής του μοντέλου. Αυτό το βήμα μπορεί επίσης να εξηγηθεί ως η δειγματοληψία της καμπύλης φάσης. Οι φάσεις συμβόλων ανά μπλοκ ιστογραμματίζονται και ακολουθούνται από προσαρμογή ενός πολυωνύμου. Η κορυφή του πολυωνύμου είναι ˆθk για το kth μπλοκ. Αυτό το βήμα επαναλαμβάνεται σε πολλά μπλοκ και φαίνεται στο Σχήμα 5α–στ. Οι εκτιμώμενες φάσεις { ˆθk, k=1, 2, . . . , M} ορίζουν τη γραμμική τροχιά φάσης η κλίση της οποίας καθορίζει το fd. Το σχήμα 6 είναι η προσαρμογή των ελαχίστων τετραγώνων του μοντέλου φάσης στα δεδομένα. Τα σχήματα 6a και b αντιστοιχούν σε SNR=20 dB και 10 dB, αντίστοιχα. Το σχήμα 6γ δείχνει ότι μια μη γραμμική τροχιά φάσης μπορεί επίσης να μοντελοποιηθεί και να παρακολουθηθεί. Η εκτιμώμενη f ˆ d=0.0505 Hz και f ˆ d=0.0455 Hz σε SNR=20 dB και 10 dB, αντίστοιχα. Η πραγματική συχνότητα μετατόπισης είναι 0,05 Hz.

Τα σύμβολα περιστρέφονται κατά 2π fdT ακτίνια σε όλο το μήκος ενός μπλοκ. Αυτή η περιστροφή πρέπει να διατηρείται σε ένα μικρό κλάσμα του τεταρτημορίου στο οποίο ανήκουν τα σύμβολα. Για παράδειγμα, στο QPSK, κάθε τεταρτημόριο είναι π/2 ακτίνια. Το σωστό μήκος μπλοκ καθοδηγείται από τη μέθοδο των ιστογραμμάτων φάσης. Ένα μονοτροπικό ιστόγραμμα φάσης με μια διακριτή κορυφή υποδεικνύει ότι οι διακυμάνσεις φάσης παραμένουν κοντά στην ονομαστική τιμή, Σχήμα 7α. Για μεγάλα 2π fdT, είτε λόγω μεγάλου fd είτε λόγω μεγάλου μήκους μπλοκ T, το ιστόγραμμα γίνεται πολυτροπικό χωρίς διακριτές κορυφές, Εικόνα 7β. Ένα άλλο μειονέκτημα του μεγάλου fdT είναι η ασάφεια φάσης 2π όπου τα σύμβολα κινούνται γύρω από τον κύκλο πολλαπλές περιόδους.

4.2. Ραδιομετρική Ταυτοποίηση

Εφαρμόζουμε τώρα την προτεινόμενη μέθοδο ραδιομετρικής αναγνώρισης στα σήματα που παράγονται από τις ακόλουθες γεννήτριες ή πρότυπα κυματομορφής: Agilent [54], Viasat EBEM [55], Teledyne Paradise [56], KRATOS Real-Time Channel Simulator (RTsim) [57], και USRP [58]. Τα δεδομένα έχουν δειγματοληψία διαμόρφωσης QPSK στα 2,95 MHz για συνολικά 35 εκατομμύρια σύμβολα ανά μοντέλο. Τα σχήματα 8α και β δείχνουν αστερισμούς σημάτων που επηρεάζονται από ποικίλες ποσότητες κηλίδων. Το Σχήμα 8β είναι μια ιδιαίτερα σοβαρή περίπτωση λόγω του μεγάλου προϊόντος fdT που προκαλεί τα σύμβολα να περιστρέφονται δυνητικά πολλαπλάσια του 2π. Μετά την εκτίμηση του fdT και την υποτροπή των συμβόλων, ο αρχικός αστερισμός αποκαθίσταται στο Σχήμα 8γ. Το σχήμα 9 είναι ένα κοντινό πλάνο έξι αστερισμών αφού έχουν αφαιρεθεί όλες οι μετατοπίσεις φάσης και συχνότητας. Το καθήκον τώρα είναι να αποδοθούν τα σήματα σε μεμονωμένες πηγές. Δεδομένης της ομοιότητας των αστερισμών στη δομή και τα χαρακτηριστικά, είναι σαφές ότι η ραδιομετρική αναγνώριση είναι ένα πολύ πιο δύσκολο πρόβλημα από τη συμβατική ταξινόμηση σημάτων που βασίζεται σε πληροφορίες διαμόρφωσης.

4.3. Πίνακες σύγχυσης τάξης

Η εκπαίδευση του ταξινομητή περιλαμβάνει τον υπολογισμό 5 αντιστοιχισμένων πινάκων λεύκανσης, Wi, i=1, 2, . . . , 5. Τα δεδομένα αποτελούνται από 35 εκατομμύρια σύμβολα που λαμβάνονται από σήματα διαμορφωμένα με QPSK που προέρχονται από πέντε διαφορετικά ραδιόφωνα. Το σετ εκπαίδευσης αποτελείται από 5 × 105 σύμβολα που είναι περίπου το 1,4 τοις εκατό των συνολικών δεδομένων. Ο ταξινομητής της πλειοψηφίας χρειάζεται ένα σύστημα ψηφοφορίας. Οι ψήφοι δημιουργούνται με διαίρεση των δεδομένων σε 72 μπλοκ των 5 × 105 δειγμάτων το καθένα. Κάθε μπλοκ δημιουργεί μία ψήφο η οποία στη συνέχεια καταγράφεται σε ολόκληρο το μήκος του σήματος. Τα μπλοκ δοκιμής αντλούνται από μια «άγνωστη» πηγή, αλλοιωμένη από τον Gaussian θόρυβο και προβάλλονται επανειλημμένα σε λευκαντικούς πίνακες που αντιστοιχούν σε κάθε πηγή. Η απόσταση Förstner-Moonen χρησιμοποιείται για τον υπολογισμό της συνάρτησης τρόπου λειτουργίας στο (6) που οδηγεί στη σύνταξη των πινάκων σύγχυσης.

Πριν δημιουργηθούν οι πίνακες σύγχυσης, πρέπει να μελετηθεί η συμπεριφορά του μέτρου απόστασης Förstner-Moonen. Σύμφωνα με την (3), καθώς η διαδικασία γίνεται όλο και πιο λευκή, η απόσταση Förstner-Moonen μεταξύ του λευκασμένου πίνακα συνδιακύμανσης και του πίνακα ταυτότητας περιορίζεται. Η θεωρητική ελάχιστη απόσταση είναι μηδέν για τον λευκό θόρυβο. Για να ελεγχθεί αυτή η συμπεριφορά, δημιουργούνται δύο τυχαίες μεταβλητές με ρυθμιζόμενους συντελεστές συσχέτισης και τοποθετούνται σε έναν πίνακα δύο στηλών. Η συνδιακύμανση αυτού του πίνακα υπολογίζεται ως συνάρτηση των τιμών συσχέτισης και απεικονίζεται η αντίστοιχη απόσταση Förstner-Moonen. Τα αποτελέσματα απεικονίζονται στο Σχήμα 3. Όπως δείχνει το Σχήμα 3α, η απόσταση είναι μια αυξανόμενη συνάρτηση συσχέτισης, αντανακλώντας ότι ο πίνακας συνδιακύμανσης απομακρύνεται από αυτόν μιας διαδικασίας λευκού θορύβου για αύξηση της συσχέτισης. Αυτό είναι αναμενόμενο. Η δεύτερη ιδιότητα του μέτρου Förstner-Moonen είναι ότι τα άγνωστα δεδομένα είναι πιο κοντά σε μια διαδικασία λευκού θορύβου όταν λευκαίνουν από τον μετασχηματισμό λεύκανσης από οποιαδήποτε άλλη, επομένως ταιριάζουν λεύκανση. Για να εμφανιστεί αυτή η ιδιότητα, τα δεδομένα από το Agilent λευκαίνουν από τη μήτρα λεύκανσης και στη συνέχεια από τη μήτρα λεύκανσης του Viasat EBEM. Οι υπολογισμοί απόστασης εκτελούνται σε 40 μπλοκ δεδομένων και απεικονίζονται στο Σχήμα 3β. Αυτό που ξεχωρίζει είναι ότι η απόσταση Förstner-Moonen για τα δεδομένα Agilent είναι σχεδόν πάντα μικρότερη από αυτή όταν χρησιμοποιείται η μήτρα λεύκανσης Viasat EBEM. Αυτή η συμπεριφορά είναι αναμενόμενη, που σημαίνει ότι κάθε φορά που συμβαίνει λαμβάνεται μια σωστή απόφαση. Αυτή η καταμέτρηση είναι ουσιαστικά η βάση για τη συμπλήρωση των πινάκων σύγχυσης σε όλες τις πηγές.

Ακολουθώντας τις παραπάνω παρατηρήσεις, οι αντίστοιχοι πίνακες σύγχυσης μπορούν τώρα να υπολογιστούν και φαίνονται στον Πίνακα 2. Οι αριθμοί υποδεικνύουν το ποσοστό των σωστών ψήφων που δίνονται για κάθε πηγή σε 72 πλαίσια των δεδομένων δοκιμής. Σημειώστε ότι ο ταξινομητής τρόπου λειτουργίας στο (6) αναζητά μια πληθώρα ψήφων για να επιλέξει έναν νικητή. Είναι ένα σχέδιο σκληρής ψηφοφορίας. Για παράδειγμα, ο Παράδεισος έχει λάβει μόνο το 77,1 τοις εκατό των ψήφων, αλλά το άγνωστο σήμα εξακολουθεί να ταξινομείται σωστά ως Παράδεισος. Επομένως, ο Πίνακας 2 δείχνει 100 τοις εκατό σωστή ταξινόμηση. Οι πίνακες σύγχυσης μπορούν επίσης να χρησιμοποιηθούν σε ένα σύστημα soft voting διατηρώντας τα πραγματικά ποσοστά ψήφου.

Στη συνέχεια, διερευνούμε τον αντίκτυπο των μικρότερων συνόλων δεδομένων και του πρόσθετου θορύβου πάνω και πέρα ​​από αυτό που υπάρχει ήδη στα δεδομένα. Το συνολικό μέγεθος δείγματος είναι τώρα 107, τα οποία χωρίζονται σε μπλοκ των τετάρτου εκατομμυρίου δειγμάτων το καθένα μεταφράζεται σε λιγότερο από 100 msec. Αυτό το μήκος δημιουργεί 40 μπλοκ που χρησιμοποιούνται για τη λήψη στατιστικών στοιχείων ταξινόμησης με τη μορφή πινάκων σύγχυσης. Ο Πίνακας 3 δείχνει τα αποτελέσματα @ SNR=15 dB προστέθηκε γκαουσιανός θόρυβος. Αυτό είναι πάνω και πέρα ​​από αυτό που υπάρχει ήδη στα δεδομένα. Όλες οι πηγές προσδιορίζονται σωστά εκτός από το KRATOS RTSim που προσδιορίζεται ως Teledyne Paradise. Ακόμη και τότε, η διαφορά του 2,5 τοις εκατό είναι πολύ εντός των στατιστικών παραλλαγών της διαδρομής. Οι επί τοις εκατό σωστοί αριθμοί ταξινόμησης για κάθε πηγή παρουσιάζουν μεγάλη πτώση σε σύγκριση με τον Πίνακα 2, αλλά το σύστημα ψηφοφορίας της πλειοψηφίας εξακολουθεί να λαμβάνει τη σωστή απόφαση, αν και με μειωμένο περιθώριο. Για παράδειγμα, τα δεδομένα Agilent συσχετίζονται σωστά με το Agilent μόνο στο 30 τοις εκατό των περιπτώσεων, αλλά αυτό εξακολουθεί να είναι υψηλότερο από οποιοδήποτε άλλο. Οι πίνακες 4 και 5 επαναλαμβάνουν τη διαδικασία για SNR=5 dB και 0 dB. Παρόλο που τα ποσοστά και τα περιθώρια είναι χαμηλότερα, το σύστημα πλειοψηφίας εξακολουθεί να επιλέγει τη σωστή κατηγορία. Όταν τα περιθώρια είναι χαμηλά, η στατιστική μεταβλητότητα παίζει ρόλο στη σωστή αναγνώριση της πηγής. Παρατηρήστε ότι το μεγάλο περιθώριο του USRP στον Πίνακα 2 το βοηθά να διατηρεί σε μεγάλο βαθμό τη σωστή αναγνώριση ακόμη και στα 5 dB SNR στον Πίνακα 4. Για να δείξετε πόσο άσχημη είναι η κατάσταση, το σχήμα 10 δείχνει τον αστερισμό σε θόρυβο SNR=5 dB. Η έλλειψη αναγνωριστικών χαρακτηριστικών είναι εμφανής παντού. Σημειώστε ότι το RTSim και το Paradise είναι δεμένα. Αυτή η δυσκολία αντικατοπτρίζεται φυσικά και στον Πίνακα 4, αλλά η σωστή αναγνώριση είναι ακόμα δυνατή. Τέσσερις στις πέντε πηγές εντοπίζονται σωστά και η πέμπτη είναι δεμένη. Ο Πίνακας 5 είναι η ακραία περίπτωση του SNR=0 dB. Το EBEM και το Paradise εξακολουθούν να αναγνωρίζονται σωστά.

4.4. Συγκρίσεις

Μια ολοκληρωμένη σύγκριση των SVM, CNN και D(eep)NN αναφέρεται για έξι ραδιόφωνα στο [13]. Τα σωστά ποσοστά ταξινόμησης είναι 44,8 τοις εκατό (SVM), 82,4 τοις εκατό (CNN) και 71,9 τοις εκατό (DNN). Ωστόσο, ελλείψει αποδεκτών σημείων αναφοράς για ραδιομετρική ταυτοποίηση, τα οποία δεν υπάρχουν, οι καθαρές αριθμητικές συγκρίσεις δεν είναι οριστικές. Λαμβάνονται υπόψη παράγοντες όπως η πολυπλοκότητα του αλγορίθμου, η ταχύτητα επεξεργασίας, το μέγεθος των δεδομένων εκπαίδευσης και άλλες υποθέσεις και η σύγκριση είναι δύσκολη. Ακόμη και η επιλογή ραδιοφώνου ή πρωτοκόλλων δεν είναι συνηθισμένη. Το αναφερόμενο μέγεθος δείγματος εκπαίδευσης στο [13] είναι 10 τοις εκατό ενώ εδώ είναι 1,4 τοις εκατό. Το πιο σημαντικό, δεν αναφέρθηκε κανένα βήμα ανάκτησης φορέα. Υποθέτοντας τέλεια ευθυγράμμιση φάσης και συχνότητας στον τοπικό ταλαντωτή, δεν έχει πραγματοποιηθεί κανένας μετριασμός για κηλίδες αστερισμών του είδους που αναφέρεται εδώ. Πρόκειται για μια σημαντική παράλειψη. Επίσης δεν υπάρχει θόρυβος στο σύστημα. Η αντιμετώπιση των υψηλών διαστάσεων είναι ένας άλλος παράγοντας. Ο μετασχηματισμός λεύκανσης είναι χωρίς χαρακτηριστικά, παρακάμπτοντας έτσι τη μείωση διαστάσεων, ενώ τα διανύσματα χαρακτηριστικών που εξάγονται στο [10] έχουν 960 διαστάσεις. Τα δακτυλικά αποτυπώματα της συσκευής RF στα γνωστικά δίκτυα Zigbee δείχνουν καλή ακρίβεια (≈90 τοις εκατό) αλλά σε υψηλό SNR (Μεγαλύτερο ή ίσο με 20 dB) [15]. 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).

5. Συμπεράσματα

βιβλιογραφικές αναφορές

1. Nandi, AK; Azzouz, EE Αλγόριθμοι για αυτόματη αναγνώριση διαμόρφωσης σημάτων επικοινωνίας. IEEE Trans. Commun. 1998, 46, 431-436.

2. Phukan, GJ; Bora, PK Εκτίμηση παραμέτρων για τυφλή ταξινόμηση ψηφιακών διαμορφώσεων. Διαδικασία σήματος IET. 2016, 10, 758–769.

3. Ata'a, AW; Abdullah, SN Αποσυμπλοκή σημάτων ραντάρ και αλγόριθμοι αναγνώρισης PRF. IET Radar Sonar Navig. 2007, 1, 340–347.

4. Gok, G.; Alp, YK; Arikan, O. Μια νέα μέθοδος για την αναγνώριση ειδικών εκπομπών με αποτελέσματα σε πραγματικές μετρήσεις ραντάρ. IEEE Trans. Inf. Εγκληματολογική Ασφάλεια. 2020, 15, 3335–3346.

5. Sa, Κ.; Lang, D.; Wang, C.; Bai, Y. Specific Emitter Identification Techniques for the Internet of Things. IEEE Access 2020, 8, 1644–1652.

6. Wu, Η.; Wang, W. Μια μέθοδος συνεργατικής ανίχνευσης ασφάλειας που βασίζεται στη θεωρία παιγνίων για συστήματα Διαδικτύου των πραγμάτων. IEEE Trans. Inf. Εγκληματολογική Ασφάλεια. 2018, 13, 1432–1445.

7. Padilla, J.; Padilla, Ρ.; Valenzuela-Valdés, J.; Ramírez, J.; Górriz, J. Μετρήσεις δακτυλικών αποτυπωμάτων RF για την αναγνώριση συσκευών σε ασύρματα δίκτυα επικοινωνίας με βάση τη μείωση χαρακτηριστικών και τον μετασχηματισμό υποχώρου. Μέτρηση 2014, 58, 468–475.

8. Bihl, TJ; Bauer, KW; Temple, MA Επιλογή χαρακτηριστικών για δακτυλικά αποτυπώματα RF με ανάλυση πολλαπλών διακρίσεων και χρήση εκπομπών συσκευής ZigBee. IEEE Trans. Inf. Εγκληματολογική Ασφάλεια. 2016, 11, 1862–1874.

9. Xu, S.; Huang, Β.; Xu, L.; Xu, Z. Ταξινόμηση πομπού ραδιοφώνου με χρήση νέας μεθόδου ανάλυσης αδέσποτων χαρακτηριστικών σε συνδυασμό με PCA. In Proceedings of the MILCOM 2007-IEEE Military Communications Conference, Orlando, FL, USA, 29–31 Οκτωβρίου 2007; σελ. 1–5.

10. Jia, Υ.; Ma, J.; Gan, L. Συνδυασμένη βελτιστοποίηση μείωσης χαρακτηριστικών και ταξινόμηση για ραδιομετρική αναγνώριση. Διαδικασία σήματος IEEE. Κάτοικος της Λατβίας. 2017, 24, 584–588.

11. Danev, Β.; Capkun, S. Προσωρινή αναγνώριση κόμβων ασύρματων αισθητήρων. In Proceedings of the International Conference on Information Processing in Sensor Networks 2009, San Francisco, CA, USA, 13–16 Απριλίου 2009; σελ. 25–36.

12. Kennedy, IO; Scanlon, Ρ.; Mullany, FJ; Buddhikot, MM; Nolan, KE; Rondeau, TW Radio Transmitter Fingerprinting: A Staady State Frequency Domain Approach. In Proceedings of the 2008 IEEE 68th Vehicular Technology Conference, Calgary, AB, Canada, 21–24 Σεπτεμβρίου 2008; σελ. 1–5.

13. Youssef, Κ.; Bouchard, L.; Haigh, Κ.; Silovsky, J.; Thapa, Β.; Valk, CV Machine Learning Approach to RF Transmitter Identification. IEEE J. Ραδιοφωνική συχνότητα. Αναγνωρίζω. 2018, 2, 197–205.

14. Jafari, Η.; Omotere, Ο.; Adesina, D.; Wu, Η.; Qian, L. IoT Devices Fingerprinting Using Deep Learning. In Proceedings of the MILCOM 2018—2018 IEEE Military Communications Conference (MILCOM), Λος Άντζελες, Καλιφόρνια, ΗΠΑ, 29–31 Οκτωβρίου 2018. σελ. 1–9.

15. Merchant, Κ.; Revay, S.; Stantchev, G.; Nousain, B. Deep Learning for RF Device Fingerprinting in Cognitive Communication Networks. IEEE J. Sel. Μπλουζα. Διαδικασία σήματος. 2018, 12, 160–167.

16. Rajendran, S.; Meert, W.; Giustiniano, D.; Lenders, V.; Pollin, S. Μοντέλα βαθιάς εκμάθησης για ταξινόμηση ασύρματων σημάτων με κατανεμημένους αισθητήρες φάσματος χαμηλού κόστους. IEEE Trans. Cogn. Commun. Netw. 2018, 4, 433–445.

17. Ding, L.; Wang, S.; Wang, F.; Zhang, W. Αναγνώριση ειδικού εκπομπού μέσω συνελικτικών νευρωνικών δικτύων. IEEE Commun. Κάτοικος της Λατβίας. 2018, 22, 2591–2594.

18. Masood, S.; Rai, Α.; Aggarwal, Α.; Doja, MN; Ahmad, M. Ανίχνευση απόσπασης της προσοχής των οδηγών χρησιμοποιώντας συνελικτικό νευρωνικό δίκτυο. Αναγνώριση προτύπων. Κάτοικος της Λατβίας. 2018, 139, 79–85.

19. Pan, Υ.; Yang, S.; Peng, Η.; Li, Τ.; Wang, W. Αναγνώριση ειδικού εκπομπού με βάση τα βαθιά υπολειμματικά δίκτυα. IEEE Access 2019, 7, 54425–54434.

20. Qian, Υ.; Qi, J.; Kuai, Χ.; Κρεμάω.; Sun, Η.; Hong, S. Αναγνώριση ειδικού εκπομπού με βάση την αραιή αναπαράσταση πολλαπλών επιπέδων στο σύστημα αυτόματης αναγνώρισης. IEEE Trans. Inf. Εγκληματολογική Ασφάλεια. 2021, 16, 2872–2884.

21. Du, Μ.; Αυτός, Χ.; Cai, Χ.; Bi, D. Balanced Neural Architecture Search and Its Application in Specific Emitter Identification. IEEE Trans. Διαδικασία σήματος. 2021, 69, 5051–5065.

22. Huang, G.; Yuan, Υ.; Wang, X.; Huang, Z. Αναγνώριση ειδικού εκπομπού με βάση μη γραμμικά δυναμικά χαρακτηριστικά. Μπορώ. J. Electr. Υπολογιστής. Eng. 2016, 39, 34–41.

23. Huang, G.; Yuan, Υ.; Wang, X.; Huang, Z. Αναγνώριση ειδικού εκπομπού για πομπό επικοινωνιών με χρήση πολλαπλών μετρήσεων. Σύρμα. Pers. Commun. 2017, 94, 1523–1542.

24. Yuan, Υ.; Huang, ZT; Wu, Η.; Wang, X. Αναγνώριση ειδικού εκπομπού με βάση τα χαρακτηριστικά διανομής χρόνου-συχνότητας-ενέργειας με βάση τον μετασχηματισμό Hilbert-Huang. IET Commun. 2014, 8, 2404–2412.

25. Padilla, Ρ.; Padilla, J.; Valenzuela-Valdes, J. Αναγνώριση ασύρματων συσκευών με ραδιοσυχνότητες με βάση το δακτυλικό αποτύπωμα RF. Ηλεκτρόνιο. Κάτοικος της Λατβίας. 2013, 49, 1409–1410.

26. Hu, A. Ανίχνευση αποτυπωμάτων ραδιοσυχνοτήτων πομπού Wi-Fi βάσει προοιμίου. Ηλεκτρόνιο. Κάτοικος της Λατβίας. 2010, 46, 1165–1167.

27. Candore, Α.; Kocabas, Ο.; Koushanfar, F. Στιβαρό σταθερό ραδιομετρικό αποτύπωμα για ασύρματες συσκευές. In Proceedings of the 2009 IEEE International Workshop on Hardware Oriented Security and Trust, San Francisco, CA, USA, 27–29 Ιουλίου 2009. σελ. 43–49.

28. Dudczyk, J.; Kawalec, A. Αλγόριθμος αναγνώρισης γρήγορης απόφασης του μοτίβου πηγής εκπομπής στη βάση δεδομένων. Ταύρος. Πολ. Ακαδ. Sci.-Tech. Sci. 2015, 63, 385–389.

29. Kawalec, Α.; Rapacki, Τ.; Wnuczek, S.; Dudczyk, J.; Owczarek, R. Μικτή Μέθοδος Βασισμένη σε Ενδοπαλμικά Δεδομένα και Αναγνώριση Πηγών Εκπομπών Ακτινοβολούμενης Εκπομπής. In Proceedings of the International Conference on Microwaves 2006, Radar Wireless Communications, Κρακοβία, Πολωνία, 22–24 Μαΐου 2006; σελ. 487–490.

30. Demers, F.; St-Hilaire, M. Ραδιομετρική αναγνώριση πομπών LTE. In Proceedings of the 2013 IEEE Global Communications Conference (GLOBECOM), Atlanta, GA, USA, 9–13 Δεκεμβρίου 2013. σελ. 4116–4121.

31. Tan, Κ.; Yan, W.; Zhang, L.; Tang, Μ.; Zhang, Y. Αναγνώριση ειδικού εκπομπού με βάση το ραδιόφωνο που καθορίζεται από λογισμικό και τη σύντηξη αποφάσεων. IEEE Access 2021, 9, 86217–86229.

32. Jana, S.; Kasera, SK Για γρήγορη και ακριβή ανίχνευση μη εξουσιοδοτημένων σημείων ασύρματης πρόσβασης χρησιμοποιώντας λοξές ρολογιού. IEEE Trans. Οχλος. Υπολογιστής. 2009, 9, 449-462.

33. Conning, Μ.; Potgieter, F. Ανάλυση μετρούμενων δεδομένων ραντάρ για αναγνώριση συγκεκριμένων εκπομπών. In Proceedings of the 2010 IEEE Radar Conference, Washington, DC, USA, 10–14 Μαΐου 2010; σελ. 35–38.

34. Polak, AC; Goeckel, DL Αναγνώριση ασύρματης συσκευής με βάση τις ατέλειες του ταλαντωτή RF. IEEE Trans. Inf. Εγκληματολογική Ασφάλεια. 2015, 10, 2492–2501.

35. Polak, AC; Goeckel, DL RF δακτυλικά αποτυπώματα χρηστών που συγκαλύπτουν ενεργά την ταυτότητά τους με τεχνητή παραμόρφωση. In Proceedings of the Conference Record 2011 of the Forty Fifth Asilomar Conference on Signals, Systems, and Computers (ASILOMAR), Pacific Grove, CA, USA, 6–9 Νοεμβρίου 2011; σελ. 270–274.

36. Liu, MW; Doherty, JF Αναγνώριση ειδικού εκπομπού με χρήση μη γραμμικής εκτίμησης συσκευών. In Proceedings of the 2008 IEEE Sarnoff Symposium, Princeton, NJ, USA, 28–30 Απριλίου 2008; σελ. 1–5.

37. Li, Υ.; Chen, Χ.; Lin, Υ.; Srivastava, G.; Liu, S. Αναγνώριση ασύρματου πομπού με βάση τις ατέλειες της συσκευής. IEEE Access 2020, 8, 59305–59314.

38. Dolatshahi, S.; Polak, Α.; Goeckel, DL Αναγνώριση ασύρματων χρηστών μέσω ατελειών του ενισχυτή ισχύος. In Proceedings of the Conference Record 2010 of the Forty Fourth Asilomar Conference on Signals, Systems and Computers, Pacific Grove, CA, USA, 7–10 Νοεμβρίου 2010; σελ. 1553–1557.

39. D'Agostino, S.; Foglia, G.; Pistoia, D. Αναγνώριση ειδικού εκπομπού: Ανάλυση σε δεδομένα πραγματικού σήματος ραντάρ. In Proceedings of the European Radar Conference (EuRAD) 2009, Ρώμη, Ιταλία, 30 Σεπτεμβρίου–2 Οκτωβρίου 2009. σελ. 242–245.

40. Guo, S.; Λευκό, RE; Low, M. Μια μελέτη σύγκρισης αναγνώρισης εκπομπών ραντάρ με βάση τα μεταβατικά σήματα. In Proceedings of the 2018 IEEE Radar Conference (RadarConf18), Oklahoma City, ΟΚ, ΗΠΑ, 23–27 Απριλίου 2018. σελ. 286–291.

41. Talbot, KI; Duley, PR; Hyatt, MH Αναγνώριση και επαλήθευση ειδικού εκπομπού. Τεχνολ. Rev. 2003, 113, 113–133.

42. Dragomiretskiy, Κ.; Zosso, D. Αποσύνθεση μεταβλητού τρόπου. IEEE Trans. Διαδικασία σήματος. 2013, 62, 531–544.

43. Chang, CI Orthogonal Subspace Projection (OSP) που επανεξετάστηκε: Μια ολοκληρωμένη μελέτη και ανάλυση. IEEE Trans. Geosci. Remote Sens. 2005, 43, 502–518. ): Richland, WA, ΗΠΑ, 2007.

45. Mayer, R.; Bucholtz, F.; Scribner, D. Ανίχνευση αντικειμένων με χρήση λεύκανσης/απολεύκανσης για τη μετατροπή των υπογραφών στόχων σε πολυχρονικές υπερφασματικές και πολυφασματικές εικόνες. Geosci. Τηλεπισκόπηση IEEE Trans. 2003, 41, 1136–1142.

46. ​​Kessy, Α.; Lewin, Α.; Strimmer, K. Optimal Whitening and Decorrelation. Είμαι. Στατ. 2018, 72, 309–314.

47. Bell, AJ; Sejnowski, TJ Τα "ανεξάρτητα συστατικά" των φυσικών σκηνών είναι τα φίλτρα άκρων. Vis. Res. 1997, 37, 3327–3338.

48. Srivastava, Ν.; Hinton, G.; Krizhevsky, Α.; Sutskever, I.; Salakhutdinov, R. Dropout: Ένας απλός τρόπος για να αποτρέψετε την υπερπροσαρμογή των νευρωνικών δικτύων. J. Mach. Μαθαίνω. Res. 2014, 15, 1929–1958.

49. Förstner, W.; Moonen, B. A metric for covariance matrices. Στο Geodesy—The Challenge of the 3rd Millennium; Springer: Βερολίνο/Χαϊδελβέργη, Γερμανία, 2003; σελ. 299–309.

50. Kulis, Β.; Sustik, MA; Dhillon, IS Low-Rank Kernel Learning με Bregman Matrix Divergences. J. Mach. Μαθαίνω. Res. 2009, 10, 341-376.

51. Herdin, Μ.; Czink, Ν.; Ozcelik, Η.; Bonek, E. Relation Matrix Distance, a Meaningful Measure for Evaluation of Non-Stationary Channels MIMO. In Proceedings of the IEEE 61st Vehicular Technology Conference 2005, Στοκχόλμη, Σουηδία, 30 Μαΐου–1 Ιουνίου 2005. Τόμος 1, σελ. 136–140.

52. Kuncheva, LI Μια θεωρητική μελέτη σε έξι στρατηγικές σύντηξης ταξινομητή. IEEE Trans. Μοτίβο Anal. Mach. Intell. 2002, 24, 281-286.

53. Προάκης, JG; Salehi, M. Digital Communications; McGraw-Hill: Νέα Υόρκη, Νέα Υόρκη, ΗΠΑ, 2008.

54. Agilent Vector Signal Generator. 2021. (πρόσβαση στις 26 Νοεμβρίου 2021).

55. Viasat Enhanced Bandwidth Αποτελεσματικό Μόντεμ SATCOM. 2021. (πρόσβαση στις 26 Νοεμβρίου 2021).

56. Teledyne Paradise Datacom. 2021. (πρόσβαση στις 26 Νοεμβρίου 2021).

57. Κράτος ΡΤΣΙΜ. 2021. (πρόσβαση στις 26 Νοεμβρίου 2021).

58. Ettus USRP. 2021.

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