شناسایی رادیومتری سیگنال‌ها با تبدیل سفیدکننده همسان قسمت 2

Apr 13, 2023

4. نتایج

سیستانچعملکرد داردترویج تولید کلاژن، که می تواند خاصیت ارتجاعی و درخشندگی پوست را افزایش دهد وکمک به ترمیم سلول های آسیب دیده پوست. سیستانش فنیل اتانول گلیکوزیدهااثر کاهشی قابل توجهی درتیروزینازفعالیت، و اثر آن بر تیروزیناز به عنوان یک مهار رقابتی و برگشت پذیر نشان داده شده است که می تواند پایه ای علمی برای توسعه و استفاده از مواد سفید کننده در سیستانچ فراهم کند. بنابراین، سیستانچ نقش کلیدی درسفید شدن پوست. می تواندملانین را مهار می کندتولید برای کاهش تغییر رنگ و تیرگی؛ و تولید کلاژن را برای بهبود خاصیت ارتجاعی و درخشندگی پوست تقویت می کند. با توجه به شناخت گسترده این اثرات سیستانچ، بسیاری از محصولات سفید کننده پوست شروع به تزریق مواد گیاهی مانند سیستانچ برای پاسخگویی به تقاضای مصرف‌کنندگان کرده‌اند، بنابراین ارزش تجاری سیستانچ را افزایش داده‌اند.محصولات سفید کننده پوست. به طور خلاصه، نقش سیستانچ در سفید شدن پوست بسیار مهم است. آنآنتی اکسیداناثر و اثر کلاژن ساز می تواند تغییر رنگ و تیرگی را کاهش دهد، خاصیت ارتجاعی و درخشندگی پوست را بهبود بخشد و در نتیجه به یک اثر سفید کننده دست یابد. همچنین کاربرد وسیع سیستانچ در محصولات سفید کننده پوست نشان می دهد که نقش آن در ارزش تجاری را نمی توان دست کم گرفت.

cistanche supplement review

بر روی مکمل Cistanche Tubulosa کلیک کنید

برای اطلاعات بیشتر:

david.deng@wecistanche.com WhatApp:86 13632399501

این بخش شناسایی رادیومتری پیشنهادی را با استفاده از داده های شبیه سازی شده و واقعی پیاده سازی می کند. ابتدا، داده ها برای فرکانس افست تصحیح می شوند و برای معکوس کردن آفست فاز متغیر با زمان استفاده می شوند. دوم، الگوریتم پیشنهادی که توسط قانون (6) اداره می‌شود، با تولید ماتریس‌های سردرگمی پیاده‌سازی می‌شود.

desert cistanche benefits

4.1. فاز سیگنال و اصلاح فرکانس افست

داده‌ها برای یک سیگنال QPSK شبیه‌سازی شده‌اند که تحت تعدیل فرکانس نوسان‌گر محلی است. جدول 1 پارامترهای شبیه سازی را نشان می دهد.

منحنی فاز از تخمین فازهای لحظه ای محاسبه شده از بلوک های سیگنال به اندازه کافی کوتاه ساخته شده است تا از فاز ثابت اطمینان حاصل شود. هر بلوک داده یک تخمین فاز تولید می کند. بلوک های چندگانه بخشی را تعریف می کنند که نمادها حداکثر 5.62◦ می چرخند.

rou cong rong benefits

شکل 5 فرآیندی را نشان می دهد که در آن مقادیر فاز لحظه ای جمع آوری شده و در مرحله برازش مدل استفاده می شود. این مرحله را می توان به عنوان نمونه برداری از منحنی فاز نیز توضیح داد. فازهای نماد در هر بلوک هیستوگرام می شوند و به دنبال آن یک چند جمله ای برازش می شود. اوج چند جمله ای ˆθk برای بلوک k است. این مرحله در چندین بلوک تکرار می شود و در شکل 5-f نشان داده شده است. مراحل تخمین زده شده { ˆθk, k=1, 2, . . . ، M} مسیر فاز خطی را تعریف می کند که شیب آن fd را تعیین می کند. شکل 6 حداقل مربعات برازش مدل فاز با داده ها است. شکل های 6a و b به ترتیب با SNR=20 dB و 10 dB مطابقت دارند. شکل 6c نشان می‌دهد که یک مسیر فاز غیرخطی نیز می‌تواند مدل‌سازی و ردیابی شود. تخمین زده شده f ˆd=0.0505 هرتز و f ˆ d=0.0455 هرتز در SNR=20 دسی بل و 10 دسی بل. فرکانس آفست واقعی 0.05 هرتز است.

cistanche chemist warehouse

where can i buy cistanche

نمادها 2π fdT رادیان در طول یک بلوک می چرخند. این چرخش باید در بخش کوچکی از ربع که نمادها به آن تعلق دارند حفظ شود. به عنوان مثال، در QPSK، هر ربع π/2 رادیان است. طول بلوک مناسب با مدالیته هیستوگرام فاز هدایت می شود. یک هیستوگرام فاز تک وجهی با یک پیک مشخص نشان می دهد که تغییرات فاز نزدیک به مقدار اسمی باقی می مانند، شکل 7a. برای 2π fdT بزرگ، یا به دلیل fd بزرگ یا طول بلوک طولانی T، هیستوگرام چندوجهی می شود بدون پیک متمایز، شکل 7b. یکی دیگر از معایب fdT بزرگ، ابهام فاز 2π است که در آن نمادها در اطراف دایره چندین دوره حرکت می کنند.

cistanche norge

4.2. شناسایی رادیومتری

ما اکنون روش شناسایی رادیومتری پیشنهادی را برای سیگنال‌های تولید شده توسط ژنراتورها یا استانداردهای شکل موج زیر اعمال می‌کنیم: Agilent [54]، Viasat EBEM [55]، Teledyne Paradise [56]، شبیه‌ساز کانال بلادرنگ KRATOS (RTsim) [57]، و USRP [58]. داده‌ها دارای مدولاسیون QPSK با فرکانس 2.95 مگاهرتز برای مجموع 35 میلیون نماد در هر مدل هستند. شکل‌های 8a و b صور فلکی سیگنال را نشان می‌دهند که تحت تأثیر مقادیر مختلف لکه‌گیری قرار می‌گیرند. شکل 8b به دلیل محصول بزرگ fdT که باعث چرخش نمادها مضرب 2π بالقوه می شود، یک مورد بسیار شدید است. پس از تخمین fdT و تغییر جهت نمادها، صورت فلکی اصلی در شکل 8c بازیابی شده است. شکل 9 نمای نزدیک از شش صورت فلکی پس از حذف تمام فاز و فرکانس است. اکنون وظیفه نسبت دادن سیگنال ها به منابع فردی است. با توجه به شباهت صورت های فلکی در ساختار و ویژگی ها، واضح است که شناسایی رادیومتری یک مشکل بسیار چالش برانگیزتر از طبقه بندی سیگنال های معمولی بر اساس اطلاعات مدولاسیون است.


cistanche nedir

does cistanche work

4.3. ماتریس های سردرگمی کلاس

آموزش طبقه‌بندی‌کننده شامل محاسبه 5 ماتریس سفیدکننده منطبق، Wi, i=1, 2, . . . 5. داده ها شامل 35 میلیون نماد است که از سیگنال های مدوله شده با QPSK که از پنج رادیو مختلف نشات می گیرند. مجموعه آموزشی شامل 5 × 105 نماد است که حدود 1.4 درصد از کل داده ها را تشکیل می دهد. طبقه بندی کننده رأی اکثریت به یک طرح رأی گیری نیاز دارد. آرا با تقسیم داده ها به 72 بلوک 5 × 105 نمونه تولید می شود. هر بلوک یک رأی تولید می کند که سپس در کل طول سیگنال جدول بندی می شود. بلوک‌های آزمایشی از یک منبع «ناشناخته» گرفته می‌شوند که توسط نویز گاوسی خراب شده‌اند و به طور مکرر بر روی ماتریس‌های سفیدکننده مربوط به هر منبع نمایش داده می‌شوند. فاصله فورستنر-مونن برای محاسبه تابع حالت در (6) استفاده می شود که منجر به جمع آوری ماتریس های سردرگمی می شود.

قبل از ایجاد ماتریس های سردرگمی، رفتار اندازه گیری فاصله فورستنر-مونن باید مورد مطالعه قرار گیرد. با توجه به (3)، همانطور که فرآیند به طور فزاینده ای سفید می شود، فاصله فورستنر-مونن بین ماتریس کوواریانس سفید شده و ماتریس هویت باریک می شود. حداقل فاصله نظری برای نویز سفید صفر است. برای آزمایش این رفتار، دو متغیر تصادفی با ضرایب همبستگی قابل تنظیم ایجاد و در یک ماتریس دو ستونی قرار می‌گیرند. کوواریانس این ماتریس به عنوان تابعی از مقادیر همبستگی محاسبه شده و فاصله فورستنر-مونن مربوطه رسم شده است. نتایج در شکل 3 نشان داده شده است. همانطور که شکل 3a نشان می دهد، فاصله یک تابع افزایشی از همبستگی است، که منعکس کننده این است که ماتریس کوواریانس در حال دور شدن از فرآیند نویز سفید برای افزایش همبستگی است. این مورد انتظار است. دومین ویژگی اندازه گیری فورستنر-مونن این است که داده های ناشناخته در هنگام سفید شدن با تبدیل سفیدکننده نسبت به سایر داده ها به فرآیند نویز سفید نزدیکتر است، بنابراین سفید شدن مطابقت دارد. برای نشان دادن این ویژگی، داده های Agilent با ماتریس سفید کننده آن و سپس با ماتریس سفید کننده Viasat EBEM سفید می شوند. محاسبات فاصله روی 40 بلوک داده انجام شده و در شکل 3b ترسیم شده است. آنچه برجسته است این است که فاصله فورستنر-مونن برای داده های Agilent تقریباً همیشه کمتر از زمانی است که از ماتریس سفیدکننده Viasat EBEM استفاده می شود. این رفتار مورد انتظار است، یعنی هر بار که اتفاق می افتد تصمیم درستی گرفته می شود. این شمارش اساساً مبنایی برای پر کردن ماتریس‌های سردرگمی در همه منابع است.

cistanche portugal

به دنبال مشاهدات فوق، ماتریس های سردرگمی مربوطه را می توان محاسبه کرد و در جدول 2 نشان داده شده است. توجه داشته باشید که طبقه بندی کننده حالت در (6) به دنبال تعداد زیادی آرا برای انتخاب برنده است. این یک طرح رای گیری سخت است. به عنوان مثال، Paradise تنها 77.1 درصد آرا را دریافت کرده است، اما سیگنال ناشناخته هنوز به درستی به عنوان Paradise طبقه بندی می شود. بنابراین، جدول 2 طبقه بندی 100 درصد صحیح را نشان می دهد. ماتریس های سردرگمی را می توان در طرح رای گیری نرم نیز با حفظ درصد آرا واقعی استفاده کرد.

در مرحله بعد، تأثیر مجموعه داده های کوچکتر و نویز اضافه شده را در بالا و فراتر از آنچه قبلاً در داده ها وجود دارد، بررسی می کنیم. حجم کل نمونه در حال حاضر 107 است که به بلوک های یک چهارم میلیون نمونه تقسیم می شوند که هر کدام کمتر از 100 میلی ثانیه ترجمه می شوند. این طول 40 بلوک ایجاد می کند که برای بدست آوردن آمار طبقه بندی در قالب ماتریس های سردرگمی استفاده می شود. جدول 3 نتایج @ SNR=15 دسی بل نویز گاوسی اضافه شده را نشان می دهد. این بالاتر و فراتر از آن چیزی است که قبلاً در داده ها وجود دارد. همه منابع به جز KRATOS RTSim که به عنوان Teledyne Paradise شناخته می شود به درستی شناسایی شده اند. حتی در آن زمان، تفاوت 2.5 درصدی به خوبی در تغییرات آماری اجرا است. درصد اعداد طبقه بندی صحیح برای هر منبع افت زیادی را در مقایسه با جدول 2 نشان می دهد، اما طرح رأی اکثریت همچنان تصمیم درستی را اتخاذ می کند، البته با حاشیه کمتر. به عنوان مثال، داده‌های Agilent تنها در 30 درصد مواقع به درستی با Agilent مرتبط می‌شوند، اما هنوز هم بالاتر از سایرین است. جداول 4 و 5 این فرآیند را برای SNR=5 دسی بل و 0 دسی بل تکرار می کنند. حتی اگر نرخ ها و حاشیه ها پایین تر است، طرح اکثریت آرا همچنان طبقه درست را انتخاب می کند. وقتی حاشیه ها کم باشد، تنوع آماری در شناسایی صحیح منبع نقش دارد. توجه داشته باشید که حاشیه بزرگ USRP در جدول 2 به آن کمک می کند تا حد زیادی شناسایی صحیح را حتی در 5 dB SNR در جدول 4 حفظ کند. برای نشان دادن وضعیت وخیم، شکل 10 صورت فلکی را در نویز SNR=5 دسی بل نشان می دهد. فقدان ویژگی های شناسایی در همه جا مشهود است. توجه داشته باشید که RTSim و Paradise گره خورده اند. این دشواری البته در جدول 4 نیز منعکس شده است، اما شناسایی صحیح هنوز امکان پذیر است. چهار منبع از پنج منبع به درستی شناسایی شده و منبع پنجم گره خورده است. جدول 5 حالت شدید SNR=0 دسی بل است. EBEM و Paradise هنوز به درستی شناسایی شده اند.

cistanche and tongkat ali reddit

cistanche gnc

cistanche bienfaits

4.4. مقایسه ها

مقایسه جامع SVM، CNN و D(eep)NN برای شش رادیو در [13] گزارش شده است. نرخ های طبقه بندی صحیح 44.8 درصد (SVM)، 82.4 درصد (CNN) و 71.9 درصد (DNN) است. با این حال، در غیاب معیارهای پذیرفته شده برای شناسایی رادیومتریک، که وجود ندارند، مقایسه‌های عددی خالص قطعی نیستند. عواملی مانند پیچیدگی الگوریتم، سرعت پردازش، اندازه داده های آموزشی و سایر مفروضات در نظر گرفته شده است و مقایسه دشوار است. حتی انتخاب رادیو یا پروتکل هم رایج نیست. حجم نمونه آموزشی گزارش شده در [13] 10 درصد است در حالی که در اینجا 1.4 درصد است. مهمتر از آن، هیچ مرحله بازیابی حامل گزارش نشد. با فرض هم ترازی کامل فاز و فرکانس در نوسان ساز محلی، هیچ کاهشی برای لکه گیری صورت فلکی از نوع گزارش شده در اینجا انجام نشده است. این یک حذف قابل توجه است. همچنین هیچ نویز در سیستم وجود ندارد. برخورد با ابعاد بالا عامل دیگری است. تبدیل سفیدکننده بدون ویژگی است بنابراین کاهش ابعاد را دور می زند در حالی که بردارهای ویژگی استخراج شده در [10] دارای 960 بعد هستند. انگشت نگاری دستگاه RF در شبکه های شناختی Zigbee دقت خوبی را نشان می دهد (90 درصد) اما در SNR بالا (بیشتر یا مساوی 20 دسی بل) [15]. در [19]، داده‌های ورودی به‌عنوان تصاویر در مقیاس خاکستری طیف هیلبرت پیش پردازش می‌شوند و در سطوح متوسط ​​SNR به دقت قابل قبولی دست می‌یابند (متوسط ​​نرخ دقت 70 درصد برای SNR 15 دسی‌بل).

5. نتیجه گیری ها

مشکلی که در این مقاله به آن پرداخته شده، نسبت دادن یک سیگنال به یک منبع ناشناخته است. رویکردهای قبلی بر اساس استخراج ویژگی، کاهش ابعاد و برخی پیاده‌سازی طبقه‌بندی‌کننده حداقل فاصله بوده‌اند. رویکرد در اینجا درجه سفیدی داده های تبدیل شده را به عنوان امضایی برای شناسایی رادیومتری سیگنال پیشنهاد می کند. این یک رویکرد بدون ویژگی است که با استفاده از داده‌های IQ خام از استخراج ویژگی صرفنظر می‌کند. این فرمول به حداقل بار محاسباتی در مقایسه با روش‌های PCA یا یادگیری عمیق نیاز دارد. دو ویژگی دیگر این الگوریتم را متمایز می کند. یکی استفاده از داده های واقعی است که توسط رادیوهای ماهواره ای گرفته شده است. مورد دیگر، پرداختن به بازیابی حامل و فاز با معکوس کردن فاز تعبیه شده و تغییر فرکانس به عنوان یک مرحله پیش پردازش است. الگوریتم‌هایی که بر روی داده تنظیم می‌شوند با فرض گرفتن کامل حامل، در عمل شکست خواهند خورد. این کار را می توان به روش های مختلفی گسترش داد، مانند گسترش پایگاه داده منبع رادیویی به رادارهای نظامی و تجاری، پخش بی سیم، مدل سازی افست فرکانس متغیر با زمان، و مقایسه گسترده تر با روش های یادگیری عمیق رقیب.

maca ginseng cistanche

مشارکت نویسنده:مفهوم سازی، BGM، و AL. نرم افزار، AL; نوشتن و پیش نویس اصلی، BGM. نوشتن، بررسی و ویرایش، AL همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.
منابع مالی:بودجه برای این تحقیق تا حدی توسط RT Logic Corp. تحت شماره جایزه A16-0008-001 ارائه شد.
بیانیه هیئت بررسی نهادی:قابل اجرا نیست.
بیانیه رضایت آگاهانه:قابل اجرا نیست.
بیانیه در دسترس بودن داده ها:قابل اجرا نیست.
قدردانی ها:نویسندگان با قدردانی از حمایت مالی قدردانی می کنند.
تضاد علاقه:نویسندگان هیچ تضاد منافع را اعلام نمی کنند.

منابع

1. ناندی، AK; Azzouz، الگوریتم های EE برای تشخیص مدولاسیون خودکار سیگنال های ارتباطی. IEEE Trans. اشتراک. 1998، 46، 431-436.

2. فوکان، ج. بورا، تخمین پارامتر PK برای طبقه بندی کور مدولاسیون های دیجیتال. فرآیند سیگنال IET 2016، 10، 758-769.

3. عطاء، ع. عبدالله، SN جداسازی سیگنال های رادار و الگوریتم های شناسایی PRF. IET Radar Sonar Navig. 2007، 1، 340-347.

4. گوک، جی. Alp، YK; Arikan, O. روشی جدید برای شناسایی امیتر خاص با نتایج در اندازه گیری های رادار واقعی. IEEE Trans. Inf. ایمن پزشکی قانونی 2020، 15، 3335–3346.

5. سا، ک. لانگ، دی. وانگ، سی. Bai, Y. تکنیک های شناسایی امیتر خاص برای اینترنت اشیا. دسترسی IEEE 2020، 8، 1644–1652.

6. وو، اچ. وانگ، دبلیو. یک روش تشخیص امنیت مشارکتی مبتنی بر نظریه بازی برای سیستم‌های اینترنت اشیا. IEEE Trans. Inf. ایمن پزشکی قانونی 2018، 13، 1432-1445.

7. پادیلا، ج. پادیلا، پ. Valenzuela-Valdés، J.; رامیرز، جی. اندازه‌گیری‌های اثر انگشت Górriz، J. RF برای شناسایی دستگاه‌ها در شبکه‌های ارتباطی بی‌سیم بر اساس کاهش ویژگی و تبدیل زیرفضا. اندازه گیری 2014، 58، 468-475.

8. Bihl, TJ; بائر، KW; انتخاب ویژگی Temple، MA برای اثر انگشت RF با تجزیه و تحلیل تفکیک چندگانه و استفاده از انتشارات دستگاه ZigBee. IEEE Trans. Inf. ایمن پزشکی قانونی 2016، 11، 1862-1874.

9. خو، س. هوانگ، بی. خو، ال. Xu, Z. طبقه بندی فرستنده رادیویی با استفاده از روش جدید تجزیه و تحلیل ویژگی های ولگرد همراه با PCA. در مجموعه مقالات MILCOM 2007-کنفرانس ارتباطات نظامی IEEE، اورلاندو، FL، ایالات متحده، 29–31 اکتبر 2007. صص 1-5.

10. جیا، ی. ما، جی. گان، ال. بهینه سازی ترکیبی کاهش ویژگی و طبقه بندی برای شناسایی رادیومتری. فرآیند سیگنال IEEE Lett. 2017، 24، 584-588.

11. دانف، بی. Capkun، S. شناسایی گره های حسگر بی سیم مبتنی بر گذرا. در مجموعه مقالات کنفرانس بین المللی 2009 در مورد پردازش اطلاعات در شبکه های حسگر، سانفرانسیسکو، CA، ایالات متحده آمریکا، 13-16 آوریل 2009; صص 25-36.

12. کندی، IO; اسکنلون، پی. Mullany، FJ; بودیکوت، م.م. نولان، KE; Rondeau، اثر انگشت فرستنده رادیویی TW: رویکرد دامنه فرکانس حالت ثابت. در مجموعه مقالات شصت و هشتمین کنفرانس فناوری وسایل نقلیه IEEE 2008، کلگری، AB، کانادا، 21 تا 24 سپتامبر 2008. صص 1-5.

13. یوسف، ک. بوچارد، ال. هی، ک. سیلوفسکی، جی. تاپا، بی. رویکرد یادگیری ماشین Valk، CV برای شناسایی فرستنده RF. فرکانس رادیویی IEEE J. شناسایی کنید. 2018، 2، 197-205.

14. جعفری، ح. اوموتره، او. آدسینا، د. وو، اچ. Qian, L. دستگاه های IoT اثر انگشت با استفاده از یادگیری عمیق. در مجموعه مقالات کنفرانس ارتباطات نظامی MILCOM 2018-2018 IEEE (MILCOM)، لس آنجلس، کالیفرنیا، ایالات متحده آمریکا، 29 تا 31 اکتبر 2018؛ صفحات 1-9.

15. بازرگان، ک. ریوی، اس. استانچف، جی. Nousain, B. Deep Learning برای اثر انگشت دستگاه RF در شبکه های ارتباط شناختی. IEEE J. Sel. بالا. فرآیند سیگنال 2018، 12، 160-167.

16. راجندران، س. میرت، دبلیو. جوستینیانو، دی. وام دهندگان، V. Pollin، S. مدل های یادگیری عمیق برای طبقه بندی سیگنال های بی سیم با سنسورهای طیف کم هزینه توزیع شده. IEEE Trans. شناخت. اشتراک. شبکه 2018، 4، 433-445.

17. دینگ، ال. وانگ، اس. وانگ، اف. Zhang، W. شناسایی امیتر خاص از طریق شبکه های عصبی کانولوشنال. IEEE Commun. Lett. 2018، 22، 2591–2594.

18. مسعود، س. رای، ا. آگاروال، ا. دوجا، MN; احمد، م. تشخیص حواس پرتی رانندگان با استفاده از شبکه عصبی کانولوشن. تشخیص الگو Lett. 2018، 139، 79-85.

19. پان، ی. یانگ، اس. پنگ، اچ. لی، تی. Wang, W. شناسایی امیتر خاص بر اساس شبکه‌های باقیمانده عمیق. دسترسی IEEE 2019، 7، 54425–54434.

20. کیان، ی. چی، جی. کوای، ایکس. آویزان شدن.؛ سان، اچ. Hong, S. شناسایی امیتر خاص بر اساس نمایش پراکنده چند سطحی در سیستم شناسایی خودکار. IEEE Trans. Inf. ایمن پزشکی قانونی 2021، 16، 2872-2884.

21. دو، م. او، X. کای، ایکس. Bi, D. جستجوی معماری عصبی متعادل و کاربرد آن در شناسایی امیتر خاص. IEEE Trans. فرآیند سیگنال 2021، 69، 5051–5065.

22. هوانگ، جی. یوان، ی. وانگ، ایکس. Huang, Z. شناسایی امیتر خاص بر اساس ویژگی های دینامیکی غیرخطی. می توان. جی الکتر. محاسبه کنید. مهندس 2016، 39، 34-41.

23. هوانگ، جی. یوان، ی. وانگ، ایکس. Huang, Z. شناسایی فرستنده خاص برای فرستنده ارتباطات با استفاده از چند اندازه گیری. سیم. پارس اشتراک. 2017، 94، 1523-1542.

24. یوان، ی. هوانگ، ZT; وو، اچ. وانگ، ایکس. شناسایی امیتر خاص بر اساس ویژگی‌های توزیع انرژی مبتنی بر زمان-فرکانس-انرژی مبتنی بر تبدیل هیلبرت-هوانگ. IET Commun. 2014، 8، 2404-2412.

25. پادیلا، ص. پادیلا، جی. Valenzuela-Valdes, J. شناسایی دستگاه های بی سیم با فرکانس رادیویی بر اساس اثر انگشت RF. الکترون. Lett. 2013، 49، 1409-1410.

26. Hu, A. تشخیص اثر انگشت RF فرستنده Wi-Fi مبتنی بر مقدمه. الکترون. Lett. 2010، 46، 1165-1167.

27. Candore، A. کوکاباس، او. کوشانفر، ف. انگشت نگاری رادیومتری پایدار پایدار برای دستگاه های بی سیم. در مجموعه مقالات کارگاه بین المللی IEEE 2009 در مورد امنیت و اعتماد سخت افزار محور، سانفرانسیسکو، کالیفرنیا، ایالات متحده، 27-29 ژوئیه 2009. ص 43-49.

28. دودچیک، ج. Kawalec، A. الگوریتم شناسایی سریع الگوی منبع انتشار در پایگاه داده. گاو نر پول آکادمی Sci.-Tech. علمی 2015، 63، 385-389.

29. Kawalec، A. راپکی، تی. ونوچک، اس. دودچیک، جی. Owczarek، R. روش ترکیبی بر اساس داده های درون پالس و تشعشع تشعشع به منابع تابش کننده تشخیص. در مجموعه مقالات کنفرانس بین المللی 2006 در مایکروویوها، ارتباطات بی سیم رادار، کراکوف، لهستان، 22-24 مه 2006. ص 487-490.

30. دمرز، اف. St-Hilaire، M. شناسایی رادیومتری فرستنده های LTE. در مجموعه مقالات کنفرانس ارتباطات جهانی IEEE 2013 (GLOBECOM)، آتلانتا، GA، ایالات متحده آمریکا، 9-13 دسامبر 2013. صص 4116-4121.

31. تان، ک. یان، دبلیو. ژانگ، ال. تانگ، ام. Zhang, Y. شناسایی امیتر خاص بر اساس رادیو و تصمیم گیری تعریف شده توسط نرم افزار. IEEE Access 2021، 9، 86217–86229.

32. جانا، س. Kasera, SK در تشخیص سریع و دقیق نقاط دسترسی بی سیم غیرمجاز با استفاده از انحرافات ساعت. IEEE Trans. اوباش محاسبه کنید. 2009، 9، 449-462.

33. کانینگ، م. Potgieter، F. تجزیه و تحلیل داده های رادار اندازه گیری شده برای شناسایی امیتر خاص. در مجموعه مقالات کنفرانس رادار IEEE 2010، واشنگتن، دی سی، ایالات متحده آمریکا، 10-14 مه 2010. صص 35-38.

34. پولاک، AC; شناسایی دستگاه بی سیم Goeckel، DL بر اساس عیوب نوسانگر RF. IEEE Trans. Inf. ایمن پزشکی قانونی 2015، 10، 2492-2501.

35. پولاک، AC; اثر انگشت Goeckel، DL RF از کاربرانی که به طور فعال هویت خود را با تحریف مصنوعی پنهان می کنند. در مجموعه مقالات کنفرانس 2011 رکورد چهل و پنجمین کنفرانس Asilomar در مورد سیگنال ها، سیستم ها و رایانه ها (ASILOMAR)، پسیفیک گرو، کالیفرنیا، ایالات متحده آمریکا، 6-9 نوامبر 2011. ص 270-274.

36. لیو، مگاوات; Doherty، JF شناسایی امیتر خاص با استفاده از تخمین دستگاه غیرخطی. در مجموعه مقالات سمپوزیوم IEEE Sarnoff 2008، پرینستون، نیوجرسی، ایالات متحده، 28-30 آوریل 2008; صص 1-5.

37. لی، ی. چن، ایکس. لین، ی. سریواستاوا، جی. Liu, S. شناسایی فرستنده بی سیم بر اساس نقص دستگاه. دسترسی IEEE 2020، 8، 59305–59314.

38. دولتشاهی، س. پولاک، ا. Goeckel، DL شناسایی کاربران بی سیم از طریق عیوب تقویت کننده قدرت. در مجموعه مقالات کنفرانس 2010 رکورد چهل و چهارمین کنفرانس Asilomar در مورد سیگنال ها، سیستم ها و کامپیوترها، پسیفیک گرو، کالیفرنیا، ایالات متحده آمریکا، 7-10 نوامبر 2010. صفحات 1553-1557.

39. داگوستینو، اس. فوگلیا، جی. Pistoia، D. شناسایی امیتر خاص: تجزیه و تحلیل بر روی داده های سیگنال رادار واقعی. در مجموعه مقالات کنفرانس رادار اروپا 2009 (EurAD)، رم، ایتالیا، 30 سپتامبر تا 2 اکتبر 2009. ص 242-245.

40. گوا، اس. سفید، RE; Low, M. مطالعه مقایسه ای شناسایی امیتر رادار بر اساس گذراهای سیگنال. در مجموعه مقالات کنفرانس رادار IEEE 2018 (RadarConf18)، اوکلاهما سیتی، OK، ایالات متحده، 23 تا 27 آوریل 2018؛ ص 286-291.

41. تالبوت، KI; دولی، روابط عمومی؛ Hyatt، MH شناسایی و تأیید امیتر خاص. تکنولوژی Rev. 2003, 113, 113-133.

42. دراگومیرتسکی، ک. Zosso، D. تجزیه حالت متغیر. IEEE Trans. فرآیند سیگنال 2013، 62، 531-544.

43. چانگ، طرح ریزی زیرفضای متعامد CI (OSP): مطالعه و تحلیل جامع. IEEE Trans. Geosci. Remote Sens. 2005, 43, 502-518. ): Richland، WA، ایالات متحده آمریکا، 2007.

45. مایر، آر. بوخولتز، اف. Scribner, D. تشخیص اشیاء با استفاده از سفید کردن/سفیدکردن برای تبدیل نشانه های هدف در تصاویر فراطیفی و چندطیفی چند زمانی. Geosci. سنسور از راه دور IEEE Trans. 2003، 41، 1136-1142.

46. ​​کیسی، ا. لوین، ا. Strimmer، K. سفید کننده بهینه و Decorrelation. صبح. آمار 2018، 72، 309-314.

47. بل، ای جی; Sejnowski، TJ "اجزای مستقل" صحنه های طبیعی فیلترهای لبه هستند. Vis. Res. 1997، 37، 3327-3338.

48. سریواستاوا، ن. هینتون، جی. کریژفسکی، آ. سوتسکور، آی. Salakhutdinov, R. Dropout: یک راه ساده برای جلوگیری از برازش بیش از حد شبکه های عصبی. جی. ماخ. فرا گرفتن. Res. 2014، 15، 1929-1958.

49. فورستنر، دبلیو. مونن، ب. متریک برای ماتریس های کوواریانس. در ژئودزی - چالش هزاره سوم؛ Springer: برلین/هایدلبرگ، آلمان، 2003; صص 299-309.

50. کولیس، بی. Sustik، MA; Dhillon، یادگیری هسته ای با رتبه پایین با واگرایی های ماتریس برگمن. جی. ماخ. فرا گرفتن. Res. 2009، 10، 341-376.

51. هردین، م. سینک، ن. اوزچلیک، اچ. بونک، E. فاصله ماتریس همبستگی، معیاری معنادار برای ارزیابی کانال‌های MIMO غیر ثابت. در مجموعه مقالات شصت و یکمین کنفرانس فناوری وسایل نقلیه IEEE 2005، استکهلم، سوئد، 30 مه تا 1 ژوئن 2005. جلد 1، ص 136–140.

52. Kuncheva، LI یک مطالعه نظری بر روی شش استراتژی همجوشی طبقه بندی کننده. IEEE Trans. الگوی مقعدی ماخ هوشمند 2002، 24، 281-286.

53. پرواکیس، جی جی; صالحی، م. ارتباطات دیجیتال; McGraw-Hill: نیویورک، نیویورک، ایالات متحده آمریکا، 2008.

54. مولد سیگنال برداری چابک. 2021. (دسترسی در 26 نوامبر 2021).

55. مودم SATCOM با پهنای باند پیشرفته Viasat. 2021. (دسترسی در 26 نوامبر 2021).

56. Teledyne Paradise Datacom. 2021. (دسترسی در 26 نوامبر 2021).

57. Kratos RTSIM. 2021. (دسترسی در 26 نوامبر 2021).

58. Ettus USRP. 2021.


برای اطلاعات بیشتر: david.deng@wecistanche.com WhatApp:86 13632399501

شما نیز ممکن است دوست داشته باشید