Radiometrična identifikacija signalov z ujemajočo se belilno transformacijo, 2. del

Apr 13, 2023

4. Rezultati

Cistancheima funkcijospodbujanje proizvodnje kolagena, ki lahko poveča elastičnost in sijaj kože terpomagajo obnoviti poškodovane kožne celice. Cistanche Phenylethanol Glycosidesimajo pomemben zaviralni učinek natirozinazaučinek na tirozinazo pa se kaže kot kompetitivno in reverzibilno zaviranje, kar lahko zagotovi znanstveno osnovo za razvoj in uporabo belilnih sestavin v Cistanche. Zato ima cistanča ključno vlogo pribeljenje kože. Lahkozavirajo melaninproizvodnja za zmanjšanje razbarvanja in motnosti; in spodbuja proizvodnjo kolagena za izboljšanje elastičnosti in sijaja kože. Zaradi splošnega priznanja teh učinkov cistanche so številni izdelki za beljenje kože začeli vsebovati zeliščne sestavine, kot je cistanche, da bi zadovoljili povpraševanje potrošnikov, s čimer se je povečala komercialna vrednost cistanche vizdelki za beljenje kože. Če povzamemo, je vloga cistanche pri beljenju kože ključna. Njegovoantioksidantučinek in učinek tvorbe kolagena lahko zmanjšata razbarvanje in otopelost, izboljšata elastičnost in sijaj kože ter tako dosežeta učinek beljenja. Poleg tega široka uporaba Cistanche v izdelkih za beljenje kože dokazuje, da njene vloge pri komercialni vrednosti ni mogoče podcenjevati.

cistanche supplement review

Kliknite na dodatek Cistanche Tubulosa

Za več informacij:

david.deng@wecistanche.com WhatApp:86 13632399501

Ta razdelek izvaja predlagano radiometrično identifikacijo z uporabo simuliranih in resničnih podatkov. Najprej se podatki popravijo za frekvenco zamika in uporabijo za obračanje časovno spremenljivega zamika faze. Drugič, predlagani algoritem, ki ga ureja pravilo (6), je implementiran in proizvaja matrike zmede.

desert cistanche benefits

4.1. Popravek faze signala in odmika frekvence

Podatki so simulirani za signal QPSK, ki je predmet odmika frekvence lokalnega oscilatorja. Tabela 1 prikazuje parametre simulacije.

Fazna krivulja je zgrajena iz ocen trenutnih faz, izračunanih iz signalnih blokov, ki so dovolj kratki, da zagotovijo stacionarno fazo. Vsak blok podatkov ustvari eno oceno faze. Več blokov določa segment, kjer se simboli vrtijo za največ 5,62◦.

rou cong rong benefits

Slika 5 prikazuje postopek, s katerim se zbirajo in uporabljajo trenutne fazne vrednosti v koraku prilagajanja modela. Ta korak je mogoče razložiti tudi kot vzorčenje fazne krivulje. Faze simbolov na blok so histogramirane, čemur sledi prileganje polinoma. Vrh polinoma je ˆθk za k-ti blok. Ta korak se ponovi v več blokih in je prikazan na slikah 5a–f. Ocenjene faze { ˆθk, k=1, 2, . . . , M} definirata linearno fazno trajektorijo, katere naklon določa fd. Slika 6 je prileganje faznega modela podatkom po metodi najmanjših kvadratov. Sliki 6a in b ustrezata SNR=20 dB oziroma 10 dB. Slika 6c prikazuje, da je mogoče modelirati in slediti tudi nelinearni fazni trajektoriji. Ocenjeni f ˆ d=0.0505 Hz in f ˆ d=0.0455 Hz pri SNR=20 dB oziroma 10 dB. Prava frekvenca zamika je 0,05 Hz.

cistanche chemist warehouse

where can i buy cistanche

Simboli se vrtijo za 2π fdT radianov po dolžini bloka. Ta rotacija mora biti omejena na majhen del kvadranta, ki mu pripadajo simboli. Na primer, v QPSK je vsak kvadrant π/2 radiana. Pravilno dolžino bloka vodi modalnost faznih histogramov. Unimodalni fazni histogram z izrazitim vrhom kaže, da fazne variacije ostajajo blizu nominalne vrednosti, slika 7a. Za velik 2π fdT, bodisi zaradi velikega fd ali velike dolžine bloka T, histogram postane multimodalen brez izrazitih vrhov, slika 7b. Druga pomanjkljivost velikega fdT je dvoumnost faze 2π, kjer se simboli premikajo po krogu več obdobij.

cistanche norge

4.2. Radiometrična identifikacija

Zdaj uporabljamo predlagano metodo radiometrične identifikacije za signale, ki jih generirajo naslednji generatorji ali standardi valov: Agilent [54], Viasat EBEM [55], Teledyne Paradise [56], KRATOS Real-Time Channel Simulator (RTsim) [57], in USRP [58]. Podatki imajo modulacijo QPSK, vzorčeno pri 2,95 MHz za skupno 35 milijonov simbolov na model. Sliki 8a in b prikazujeta signalne konstelacije, na katere vplivajo različne količine razmazovanja. Slika 8b je posebej resen primer zaradi velikega produkta fdT, ki povzroči vrtenje simbolov, potencialno večkratnike 2π. Po oceni fdT in derotaciji simbolov je prvotna konstelacija obnovljena na sliki 8c. Slika 9 je bližnji posnetek šestih ozvezdij po odstranitvi vseh faznih in frekvenčnih zamikov. Zdaj je naloga pripisati signale posameznim virom. Glede na podobnost konstelacij v strukturi in značilnostih je jasno, da je radiometrična identifikacija veliko zahtevnejši problem kot običajna klasifikacija signalov na podlagi informacij o modulaciji.


cistanche nedir

does cistanche work

4.3. Matrike zamenjave razredov

Usposabljanje klasifikatorja vključuje izračun 5 ujemajočih se belilnih matrik, Wi, i=1, 2, . . . , 5. Podatki so sestavljeni iz 35 milijonov simbolov, vzetih iz signalov, moduliranih s QPSK, ki izvirajo iz petih različnih radijskih sprejemnikov. Vadbeni niz je sestavljen iz 5 × 105 simbolov, kar je približno 1,4 odstotka vseh podatkov. Klasifikator večinskega glasovanja potrebuje shemo glasovanja. Glasovi se ustvarijo tako, da se podatki razdelijo na 72 blokov po 5 × 105 vzorcev. Vsak blok ustvari en glas, ki se nato tabelira po celotni dolžini signala. Testni bloki so vzeti iz "neznanega" vira, pokvarjeni z Gaussovim šumom in večkrat projicirani na belilne matrice, ki ustrezajo vsakemu viru. Förstner-Moonenova razdalja se uporablja za izračun funkcije načina v (6), ki vodi do sestavljanja matrik zmede.

Pred ustvarjanjem matrik zmede je treba proučiti obnašanje Förstner-Moonenove mere razdalje. Glede na (3), ko je proces vse bolj pobeljen, se Förstner-Moonenova razdalja med pobeljeno kovariančno matriko in identitetno matriko zoži. Teoretična najmanjša razdalja je nič za beli šum. Za testiranje tega vedenja sta ustvarjeni dve naključni spremenljivki z nastavljivimi korelacijskimi koeficienti in postavljeni v matriko z dvema stolpcema. Kovarianca te matrike se izračuna kot funkcija korelacijskih vrednosti in nariše se ustrezna Förstner-Moonenova razdalja. Rezultati so prikazani na sliki 3. Kot prikazuje slika 3a, je razdalja naraščajoča funkcija korelacije, kar odraža, da se kovariančna matrika odmika od procesa belega šuma za povečanje korelacije. To je pričakovano. Druga lastnost Förstner-Moonenove mere je, da so neznani podatki bližje procesu belega šuma, če so pobeljeni s svojo transformacijo beljenja, kot kateri koli drugi, torej usklajeno beljenje. Za prikaz te lastnosti so podatki podjetja Agilent pobeljeni z njegovo belilno matriko in nato z belilno matriko Viasat EBEM. Izračuni razdalje se izvajajo na 40 blokih podatkov in so prikazani na sliki 3b. Kar izstopa, je, da je razdalja Förstner-Moonen za podatke Agilent skoraj vedno manjša od tiste, ko se uporablja belilna matrika Viasat EBEM. To vedenje je pričakovano, kar pomeni, da se vsakič, ko se zgodi, sprejme pravilna odločitev. To štetje je v bistvu osnova za zapolnitev matrik zmede za vse vire.

cistanche portugal

Po zgornjih opažanjih je zdaj mogoče izračunati ustrezne matrike zmede in so prikazane v tabeli 2. Številke kažejo odstotek pravilnih glasov, oddanih za vsak vir v 72 okvirih testnih podatkov. Upoštevajte, da klasifikator načina v (6) išče množico glasov, da izbere zmagovalca. To je težka shema glasovanja. Na primer, Paradise je prejel le 77,1 odstotka glasov, vendar je neznani signal še vedno pravilno razvrščen kot Paradise. Zato tabela 2 kaže 100-odstotno pravilno razvrstitev. Matrike zmede lahko uporabite tudi v mehki shemi glasovanja, tako da ohranite dejanske odstotke glasov.

Nato raziščemo vpliv manjših naborov podatkov in dodanega šuma nad in onkraj tega, kar je že v podatkih. Skupna velikost vzorca je zdaj 107, ki je razdeljen na bloke po četrt milijona vzorcev, ki pomenijo manj kot 100 msek. Ta dolžina ustvari 40 blokov, ki se uporabljajo za pridobivanje klasifikacijske statistike v obliki matrik zmede. Tabela 3 prikazuje rezultate @ SNR=15 dB dodanega Gaussovega šuma. To je nad tem, kar je že v podatkih. Vsi viri so pravilno identificirani, razen KRATOS RTSim, ki je identificiran kot Teledyne Paradise. Tudi takrat je 2,5-odstotna razlika precej znotraj statističnih variacij teka. Odstotek pravilne klasifikacijske številke za vsak vir kaže velik padec v primerjavi s tabelo 2, vendar večinska glasovalna shema še vedno sprejme pravilno odločitev, čeprav z zmanjšano razliko. Podatki Agilent so na primer pravilno povezani z Agilentom le 30 odstotkov časa, vendar je to še vedno več kot pri drugih. Tabeli 4 in 5 ponovita postopek za SNR=5 dB in 0 dB. Čeprav so stopnje in marže nižje, shema večinskega glasovanja še vedno izbere pravi razred. Ko so marže nizke, igra statistična variabilnost pomembno vlogo pri pravilni identifikaciji vira. Upoštevajte, da velika rezerva USRP v tabeli 2 v veliki meri pomaga vzdrževati pravilno identifikacijo tudi pri 5 dB SNR v tabeli 4. Za prikaz, kako huda je situacija, slika 10 prikazuje konstelacijo v SNR=5 dB šuma. Pomanjkanje identifikacijskih značilnosti je očitno vsepovsod. Upoštevajte, da sta RTSim in Paradise izenačena. Ta težava se seveda odraža tudi v tabeli 4, vendar je pravilna identifikacija še vedno mogoča. Štirje od petih virov so pravilno identificirani, peti pa je izenačen. Tabela 5 je skrajni primer SNR=0 dB. EBEM in Paradise sta še vedno pravilno identificirana.

cistanche and tongkat ali reddit

cistanche gnc

cistanche bienfaits

4.4. Primerjave

Izčrpna primerjava SVM, CNN in D(eep)NN je navedena za šest radijskih postaj v [13]. Pravilne stopnje klasifikacije so 44,8 odstotka (SVM), 82,4 odstotka (CNN) in 71,9 odstotka (DNN). Ker pa ni sprejetih meril za radiometrično identifikacijo, ki ne obstajajo, čiste numerične primerjave niso dokončne. Upoštevani so dejavniki, kot so kompleksnost algoritma, hitrost obdelave, velikost podatkov za usposabljanje in druge predpostavke, primerjava pa je težka. Tudi izbira radia ali protokolov ni običajna. Prijavljena velikost vzorca usposabljanja v [13] je 10 odstotkov, medtem ko je tukaj 1,4 odstotka. Še pomembneje je, da ni bil sporočen noben korak za obnovitev operaterja. Ob predpostavki popolne fazne in frekvenčne poravnave na lokalnem oscilatorju ni bila izvedena nobena ublažitev razmazanosti konstelacije, kot je opisana tukaj. To je precejšnja opustitev. Prav tako ni hrupa v sistemu. Ukvarjanje z visoko dimenzionalnostjo je še en dejavnik. Transformacija beljenja je brez značilnosti in tako zaobide zmanjšanje dimenzionalnosti, medtem ko imajo značilni vektorji, ekstrahirani v [10], 960 dimenzij. Prstni odtis naprave RF v kognitivnih omrežjih Zigbee kaže dobro natančnost (≈90 odstotkov), vendar pri visokem SNR (večji ali enak 20 dB) [15]. V [19] so vhodni podatki predhodno obdelani kot sivinske slike Hilbertovega spektra in dosegajo sprejemljivo natančnost pri zmernih ravneh SNR (povprečna 70-odstotna stopnja natančnosti za SNR 15 dB).

5. Sklepi

Težava, obravnavana v tem dokumentu, je pripisovanje signala neznanemu viru. Prejšnji pristopi so temeljili na ekstrakciji značilnosti, zmanjšanju dimenzionalnosti in določeni implementaciji klasifikatorja minimalne razdalje. Pristop tukaj predlaga stopnjo beline transformiranih podatkov kot podpis za radiometrično identifikacijo signala. To je pristop brez funkcij, ki preskoči ekstrakcijo funkcij z uporabo neobdelanih podatkov IQ. Ta formulacija zahteva minimalno računalniško obremenitev v primerjavi z metodami PCA ali globokega učenja. Algoritem izstopa še po dveh drugih lastnostih. Ena je uporaba resničnih podatkov, ki jih zajamejo satelitski radijski sprejemniki. Drugi je obravnavanje obnovitve nosilca in faze z obračanjem vgrajenih faznih in frekvenčnih odmikov kot koraka predprocesiranja. Algoritmi, ki so nastavljeni na podatke ob predpostavki popolnega zajema nosilca, v praksi ne bodo uspeli. To delo je mogoče razširiti na več načinov, kot je razširitev baze radijskih virov na vojaški in komercialni radar, brezžične oddaje, modeliranje časovno spremenljivih frekvenčnih odmikov in širša primerjava s konkurenčnimi metodami globokega učenja.

maca ginseng cistanche

Avtorski prispevki:Konceptualizacija, BGM in AL; Programska oprema, AL; Pisanje in izvirni osnutek, BGM; Pisanje, pregled in urejanje, AL Vsi avtorji so prebrali in se strinjali z objavljeno različico rokopisa.
Financiranje:Financiranje za to raziskavo je delno zagotovilo podjetje RT Logic Corp. pod številko nagrade A16-0008-001.
Izjava institucionalnega revizijskega odbora:Se ne uporablja.
Izjava o informirani privolitvi:Se ne uporablja.
Izjava o razpoložljivosti podatkov:Se ne uporablja.
Zahvala:Avtorji se hvaležno zahvaljujemo za finančno podporo.
Nasprotja interesov:Avtorji izjavljajo, da ni navzkrižja interesov.

Reference

1. Nandi, AK; Azzouz, EE Algoritmi za samodejno prepoznavanje modulacije komunikacijskih signalov. IEEE Trans. Komun. 1998, 46, 431–436.

2. Phukan, GJ; Bora, PK Ocena parametrov za slepo klasifikacijo digitalnih modulacij. Proces signala IET. 2016, 10, 758–769.

3. Ata'a, AW; Abdullah, SN Deprepletanje radarskih signalov in identifikacijski algoritmi PRF. IET Radar Sonar Navig. 2007, 1, 340–347.

4. Gok, G.; Alp, YK; Arikan, O. Nova metoda za identifikacijo specifičnih sevalcev z rezultati resničnih radarskih meritev. IEEE Trans. Inf. Forenzika Secur. 2020, 15, 3335–3346.

5. Sa, K.; Lang, D.; Wang, C.; Bai, Y. Posebne tehnike identifikacije oddajnikov za internet stvari. IEEE Access 2020, 8, 1644–1652.

6. Wu, H.; Wang, W. Metoda sodelovalnega varnostnega odkrivanja na osnovi teorije iger za sisteme interneta stvari. IEEE Trans. Inf. Forenzika Secur. 2018, 13, 1432–1445.

7. Padilla, J.; Padilla, P.; Valenzuela-Valdés, J.; Ramírez, J.; Górriz, J. RF meritve prstnih odtisov za prepoznavanje naprav v brezžičnih komunikacijskih omrežjih na podlagi zmanjšanja funkcij in transformacije podprostora. Merjenje 2014, 58, 468–475.

8. Bihl, TJ; Bauer, KW; Temple, MA Izbira funkcij za RF prstne odtise z večkratno diskriminantno analizo in uporabo emisij naprave ZigBee. IEEE Trans. Inf. Forenzika Secur. 2016, 11, 1862–1874.

9. Xu, S.; Huang, B.; Xu, L.; Xu, Z. Klasifikacija radijskih oddajnikov z uporabo nove metode analize potepuških lastnosti v kombinaciji s PCA. V zborniku MILCOM 2007-konference vojaških komunikacij IEEE, Orlando, FL, ZDA, 29.–31. oktober 2007; str. 1–5.

10. Jia, Y.; Ma, J.; Gan, L. Kombinirana optimizacija zmanjšanja funkcij in klasifikacije za radiometrično identifikacijo. Proces signala IEEE. Lett. 2017, 24, 584–588.

11. Danev, B.; Capkun, S. Prehodna identifikacija brezžičnih senzorskih vozlišč. V zborniku Mednarodne konference o obdelavi informacij v senzorskih omrežjih 2009, San Francisco, CA, ZDA, 13.–16. april 2009; strani 25–36.

12. Kennedy, IO; Scanlon, P.; Mullany, FJ; Buddhikot, MM; Nolan, KE; Rondeau, TW Prstni odtis radijskega oddajnika: pristop frekvenčne domene stabilnega stanja. V zborniku 2008 IEEE 68th Vehicular Technology Conference, Calgary, AB, Kanada, 21.–24. september 2008; str. 1–5.

13. Youssef, K.; Bouchard, L.; Haigh, K.; Silovski, J.; Thapa, B.; Valk, CV Pristop strojnega učenja k identifikaciji RF oddajnika. IEEE J. Radijska frekvenca Identificirati. 2018, 2, 197–205.

14. Jafari, H.; Omotere, O.; Adesina, D.; Wu, H.; Qian, L. Prstni odtis naprav IoT z uporabo globokega učenja. V zborniku MILCOM 2018–2018 IEEE Military Communications Conference (MILCOM), Los Angeles, CA, ZDA, 29.–31. oktober 2018; str. 1–9.

15. Trgovec, K.; Revay, S.; Stančev, G.; Nousain, B. Poglobljeno učenje za prstne odtise RF naprav v kognitivnih komunikacijskih omrežjih. IEEE J. Sel. Vrh. Signalni proces. 2018, 12, 160–167.

16. Rajendran, S.; Meert, W.; Giustiniano, D.; Posojilniki, V.; Pollin, S. Modeli globokega učenja za razvrščanje brezžičnih signalov s porazdeljenimi nizkocenovnimi spektralnimi senzorji. IEEE Trans. Cogn. Komun. Netw. 2018, 4, 433–445.

17. Ding, L.; Wang, S.; Wang, F.; Zhang, W. Specific Emitter Identification via Convolutional Neural Networks. IEEE Commun. Lett. 2018, 22, 2591–2594.

18. Masod, S.; Rai, A.; Aggarwal, A.; Doja, MN; Ahmad, M. Zaznavanje motenj voznikov z uporabo konvolucijske nevronske mreže. Prepoznavanje vzorcev. Lett. 2018, 139, 79–85.

19. Pan, Y.; Yang, S.; Peng, H.; Li, T.; Wang, W. Identifikacija specifičnega oddajnika na podlagi globokih rezidualnih omrežij. IEEE Access 2019, 7, 54425–54434.

20. Qian, Y.; Qi, J.; Kuai, X.; Han, G.; Sonce, H.; Hong, S. Identifikacija specifičnega oddajnika na podlagi večnivojske redke predstavitve v sistemu za samodejno identifikacijo. IEEE Trans. Inf. Forenzika Secur. 2021, 16, 2872–2884.

21. Du, M.; On, X.; Cai, X.; Bi, D. Iskanje uravnotežene nevronske arhitekture in njena uporaba pri identifikaciji specifičnih oddajnikov. IEEE Trans. Signalni proces. 2021, 69, 5051–5065.

22. Huang, G.; Yuan, Y.; Wang, X.; Huang, Z. Specifična identifikacija oddajnika na podlagi nelinearnih dinamičnih karakteristik. Lahko. J. Electr. Računalništvo. inž. 2016, 39, 34–41.

23. Huang, G.; Yuan, Y.; Wang, X.; Huang, Z. Specifična identifikacija oddajnika za komunikacijski oddajnik z uporabo več meritev. Wirel. osebe Komun. 2017, 94, 1523–1542.

24. Yuan, Y.; Huang, ZT; Wu, H.; Wang, X. Specifična identifikacija oddajnika, ki temelji na Hilbert-Huang transformaciji, ki temelji na funkcijah porazdelitve časovne frekvence in energije. IET Commun. 2014, 8, 2404–2412.

25. Padilla, P.; Padilla, J.; Valenzuela-Valdes, J. Radiofrekvenčna identifikacija brezžičnih naprav na podlagi RF prstnih odtisov. Elektron. Lett. 2013, 49, 1409–1410.

26. Hu, A. Zaznavanje prstnih odtisov RF oddajnika Wi-Fi na podlagi preambule. Elektron. Lett. 2010, 46, 1165–1167.

27. Candore, A.; Kocabas, O.; Koushanfar, F. Robustno stabilno radiometrično odvzem prstnih odtisov za brezžične naprave. V zborniku 2009 mednarodne delavnice IEEE o strojno usmerjeni varnosti in zaupanju, San Francisco, CA, ZDA, 27.–29. julij 2009; strani 43–49.

28. Dudczyk, J.; Kawalec, A. Hitroodločitveni algoritem identifikacije vzorca vira emisije v bazi podatkov. Bik. Pol. Akad. Sci.-Tech. Sci. 2015, 63, 385–389.

30. Kawalec, A.; Rapacki, T.; Wnuczek, S.; Dudczyk, J.; Owczarek, R. Mešana metoda, ki temelji na intrapulznih podatkih in prepoznavanju sevanih emisij do virov sevanja. V zborniku mednarodnih konferenc o mikrovalovih, radarskih brezžičnih komunikacijah 2006, Krakov, Poljska, 22.–24. maj 2006; str. 487–490.

30. Demers, F.; St-Hilaire, M. Radiometrična identifikacija oddajnikov LTE. V zborniku konference IEEE Global Communications 2013 (GLOBECOM), Atlanta, GA, ZDA, 9.–13. december 2013; str. 4116–4121.

31. Tan, K.; Yan, W.; Zhang, L.; Tang, M.; Zhang, Y. Identifikacija specifičnega oddajnika, ki temelji na programsko definiranem radiu in fuziji odločitev. IEEE Access 2021, 9, 86217–86229.

33. Jana, S.; Kasera, SK O hitrem in natančnem odkrivanju nepooblaščenih brezžičnih dostopnih točk z uporabo poševnih ur. IEEE Trans. mob. Računalništvo. 2009, 9, 449–462.

33. Conning, M.; Potgieter, F. Analiza izmerjenih radarskih podatkov za identifikacijo specifičnega oddajnika. V zborniku radarske konference IEEE 2010, Washington, DC, ZDA, 10.–14. maj 2010; strani 35–38.

35. Polak, AC; Goeckel, DL Identifikacija brezžične naprave na podlagi nepopolnosti RF oscilatorja. IEEE Trans. Inf. Forenzika Secur. 2015, 10, 2492–2501.

35. Polak, AC; Goeckel, DL RF prstni odtisi uporabnikov, ki aktivno prikrivajo svojo identiteto z umetnim popačenjem. V zborniku konference 2011 petinštiridesete konference Asilomar o signalih, sistemih in računalnikih (ASILOMAR), Pacific Grove, CA, ZDA, 6.–9. november 2011; strani 270–274.

36. Liu, MW; Doherty, JF Specifična identifikacija oddajnika z uporabo nelinearne ocene naprave. V zborniku simpozija IEEE Sarnoff 2008, Princeton, NJ, ZDA, 28.–30. april 2008; str. 1–5.

37. Li, Y.; Chen, X.; Lin, Y.; Srivastava, G.; Liu, S. Identifikacija brezžičnega oddajnika na podlagi nepopolnosti naprave. IEEE Access 2020, 8, 59305–59314.

38. Dolatshahi, S.; Polak, A.; Goeckel, DL Identifikacija brezžičnih uporabnikov prek nepopolnosti ojačevalnika moči. V zborniku zapisov s konference 2010 Štiriinštiridesete konference Asilomar o signalih, sistemih in računalnikih, Pacific Grove, CA, ZDA, 7.–10. november 2010; str. 1553–1557.

39. D'Agostino, S.; Foglia, G.; Pistoia, D. Specifična identifikacija oddajnika: Analiza dejanskih podatkov radarskega signala. V zborniku Evropske radarske konference 2009 (EuRAD), Rim, Italija, 30. september–2. oktober 2009; strani 242–245.

40. Guo, S.; Bela, RE; Low, M. Primerjalna študija identifikacije radarskih oddajnikov na podlagi prehodnih pojavov signala. V zborniku radarske konference IEEE 2018 (RadarConf18), Oklahoma City, OK, ZDA, 23.–27. april 2018; strani 286–291.

41. Talbot, KI; Duley, PR; Hyatt, MH Identifikacija in preverjanje specifičnega oddajnika. Technol. Rev. 2003, 113, 113–133.

42. Dragomiretskiy, K.; Zosso, D. Razgradnja variacijskega načina. IEEE Trans. Signalni proces. 2013, 62, 531–544.

43. Chang, CI Orthogonal Subspace Projection (OSP) revisited: A celovita študija in analiza. IEEE Trans. Geosci. Remote Sens. 2005, 43, 502–518. ): Richland, WA, ZDA, 2007.

45. Mayer, R.; Bucholtz, F.; Scribner, D. Zaznavanje objektov z uporabo beljenja/razbeljenja za preoblikovanje ciljnih podpisov v veččasovnih hiperspektralnih in večspektralnih slikah. Geosci. Daljinski senzor IEEE Trans. 2003, 41, 1136–1142.

46. ​​Kessy, A.; Lewin, A.; Strimmer, K. Optimalno beljenje in dekoracija. Am. Stat. 2018, 72, 309–314.

47. Bell, AJ; Sejnowski, TJ "Neodvisne komponente" naravnih prizorov so robni filtri. Vis. Res. 1997, 37, 3327–3338.

49. Srivastava, N.; Hinton, G.; Križevsky, A.; Sutskever, I.; Salakhutdinov, R. Dropout: preprost način za preprečevanje prekomernega opremljanja nevronskih mrež. J. Mach. Naučite se. Res. 2014, 15, 1929–1958.

49. Förstner, W.; Moonen, B. Metrika za kovariančne matrike. V Geodezija – Izziv 3. tisočletja; Springer: Berlin/Heidelberg, Nemčija, 2003; strani 299–309.

50. Kuliš, B.; Šustik, mag.; Dhillon, IS Učenje jedra nizkega ranga z razhajanji Bregmanove matrike. J. Mach. Naučite se. Res. 2009, 10, 341–376.

52. Herdin, M.; Czink, N.; Ozcelik, H.; Bonek, E. Razdalja korelacijske matrike, smiselna mera za vrednotenje nestacionarnih kanalov MIMO. V zborniku 61. IEEE tehnološke konference 2005, Stockholm, Švedska, 30. maj–1. junij 2005; 1. zvezek, str. 136–140.

52. Kuncheva, LI Teoretična študija o šestih strategijah fuzije klasifikatorjev. IEEE Trans. Analni vzorec. Mach. Intell. 2002, 24, 281–286.

53. Proakis, JG; Salehi, M. Digitalne komunikacije; McGraw-Hill: New York, NY, ZDA, 2008.

54. Generator vektorskega signala Agilent. 2021. (dostop 26. 11. 2021).

55. SATCOM modem Viasat z izboljšano pasovno širino. 2021. (dostop 26. 11. 2021).

56. Teledyne Paradise Datacom. 2021. (dostop 26. 11. 2021).

57. Kratos RTSIM. 2021. (dostop 26. 11. 2021).

58. Ettus USRP. 2021.


Za več informacij: david.deng@wecistanche.com WhatApp:86 13632399501

Morda vam bo všeč tudi