خلاصة:تحديد الراديومترية هو مشكلة عزو إشارة إلى مصدر معين. في هذا العمل ، تم تطوير خوارزمية تحديد الإشعاع باستخدام تحويل التبييض. يبرز هذا النهج من الأساليب الأكثر رسوخًا من حيث أنه يعمل مباشرة على بيانات معدل الذكاء الخام وبالتالي فهو لا يتميز. على هذا النحو ، لا تنطبق خوارزميات تقليل الأبعاد الشائعة الاستخدام. تتمثل فرضية الفكرة في أن مجموعة البيانات تكون "أكثر بياضًا" عند عرضها على مصفوفة التبييض أكثر من أي مجموعة أخرى. من الناحية العملية ، لا تكون البيانات المحولة بيضاء تمامًا نظرًا لاختلاف بيانات التدريب والاختبار. يتم استخدام مقياس Förstner-Moonen الذي يحدد تشابه مصفوفات التغاير لتحديد درجة البياض. يعتبر تحويل التبييض الذي ينتج مجموعة بيانات مع أدنى مسافة Förstner-Moonen إلى عملية الضوضاء البيضاء هو إشارة المصدر. يتم تحديد المصدر من خلال إخراج وظيفة الوضع التي تعمل على قرارات مصنف الأغلبية. يقدم استخدام مقياس Förstner-Moonen منظورًا مختلفًا مقارنةً بالاحتمالية القصوى ومقاييس المسافة الإقليدية. يتناقض تحويل التبييض أيضًا مع مناهج التعلم العميق الأحدث التي لا تزال تعتمد على متجهات الميزات ذات الأبعاد الكبيرة ومراحل التدريب الطويلة. يتضح أن الطريقة المقترحة أبسط في التنفيذ ، ولا تتطلب أي نواقل للميزات ، وتحتاج إلى حد أدنى من التدريب وبسبب هيكلها غير التكراري أسرع من الأساليب الحالية.

وفقًا للدراسات ذات الصلة ،cistancheهو عشب شائع يعرف باسم "عشب معجزة يطيل الحياة". مكونه الرئيسي هوالسيستانوسيد، والتي لها تأثيرات مختلفة مثلمضادات الأكسدة, مضاد التهاب، وتعزيز وظيفة المناعة. الآلية بين cistanche وتبييض الجلد تكمن في تأثير مضادات الأكسدةcistancheجليكوسيدات. ينتج الميلانين في جلد الإنسان عن طريق أكسدة التيروزين المحفزالتيروزيناز، ويتطلب تفاعل الأكسدة مشاركة الأكسجين ، لذلك تصبح الجذور الخالية من الأكسجين في الجسم عاملاً مهمًا يؤثر على إنتاج الميلانين. يحتوي Cistanche على السيستانوزيد ، وهو مضاد للأكسدة ويمكن أن يقلل من توليد الجذور الحرة في الجسم ، وبالتاليتثبيط إنتاج الميلانين.

انقر فوق كيفية استخدام Cistanche Tubulosa

لمزيد من المعلومات:

david.deng@wecistanche.com WhatApp: 86 13632399501

1 المقدمة 

تحديد الراديومترية هو مشكلة عزو إشارة إلى المصدر ؛ غالبًا علامة تجارية أو طراز. يتم تحديد المصدر من خلال بصمات RF للأجهزة من خلال البحث عن التوقيعات التي قد تنشأ عن تفاوتات التصنيع أو العيوب أو الاختلافات الإحصائية العادية في الإنتاج. هناك عمل كبير في تصنيف الإشارات والتعرف على التشكيل [1،2]. ومع ذلك ، لا يتناسب التحديد الإشعاعي بدقة مع أي من الفئتين. من نواحٍ عديدة ، يعد تحديد الهوية بالقياس الإشعاعي مشكلة أكثر صعوبة حيث أن الإشارات الصادرة من مصادر مختلفة قد يكون لها خصائص متشابهة مثل التشكيل ومعدلات البت وأشكال النبض وما إلى ذلك. هذه الحقيقة تجعل الاختلافات الدقيقة في الجهاز هي التوقيع الرئيسي لتحديد الهوية الإشعاعية. ومع ذلك ، فإن هذه الاختلافات صغيرة وغير محسوسة ويصعب نمذجتها. لماذا يعتبر تحديد الهوية بالقياس الإشعاعي مهمًا في العديد من الطيات. كان الجيش مهتمًا بهذه القدرة لبعض الوقت كوسيلة لتحديد الرادار الودية من المعادية [3،4]. قد تواجه الاتصالات الساتلية التشويش المتعمد أو غير المتعمد من مصادر مارقة. قد تساعد معرفة المصدر والعلامة التجارية للمتدخل في تحديد المصدر المخالف. يعد التعرف على القياسات الإشعاعية أيضًا أداة قيمة في تأمين الأجهزة اللاسلكية. يمكن إحباط محاولات الانتحال في الشبكات اللاسلكية وأجهزة إنترنت الأشياء إذا أمكن تحديد مصدر الإشارة وحظره [5،6]. من الصعب تقليد خصائص الجهاز المضمنة في الإشارات أكثر من تكرار التشكيل أو تشكيل النبض.

يمكن صياغة التعريف الإشعاعي في سياق مصنف إحصائي. يتبع النهج الكلاسيكي استخراج الميزات وتقليل الأبعاد بواسطة تقنيات مثل PCA وأخيراً مصنف تحليل التمايز المتعدد [7،8]. في [9] ، يتم استخدام Square Integral Bispectra (SIB) لاستخراج السمات الفريدة الشاردة للإشارات الفردية المرسلة ، متبوعة بـ PCA لاستخراج ناقل خاصية منخفض الأبعاد. لقد لوحظ أن الميزات التي تم الاحتفاظ بها بعد تقليل الأبعاد ليست بالضرورة مثالية للتصنيف.

تم اقتراح التحسين المشترك لتقليل الأبعاد وتصنيف بصمات الأصابع في [10]. تكمن الفكرة في دفع تقليل الأبعاد عن طريق تقليل خطأ التصنيف إلى الحد الأدنى وتعظيم المعلومات المتبادلة بين ميزات الأبعاد المخفضة وتسمية الفئة في وقت واحد. يتم استخراج ميزات بصمة RF من إحصائيات السعة اللحظية المعيارية والمرحلة وتكرار الإشارة مما ينتج عنه متجهات ميزات تصل إلى 960 بعدًا. ومع ذلك ، فإن مشكلة تقليل الأبعاد لا تزال قائمة. تم تطوير استخراج الميزات لخوارزميات تحديد هوية المرسل للعمل إما في مراحل عابرة [11] أو في مراحل الحالة المستقرة [12]. المرحلة العابرة هي حالة تمثيلية للإشارة تحدث مباشرة بعد تنشيط المرسل بينما تتميز مرحلة الحالة المستقرة بالتشكيل.

تأثر العمل الأحدث في التعرف على القياسات الإشعاعية بظهور أدوات التعلم العميق (DL). ومن الأمثلة على ذلك بصمات الترددات الراديوية [13] ، وبصمات أجهزة إنترنت الأشياء [14] ، واستشعار الطيف [15] ، وتحديد جهاز الترددات الراديوية في الشبكات المعرفية [16]. ما يزال مطلوبًا في كل هذا العمل هو استخراج نواقل الميزات متبوعًا بتقليل الأبعاد الذي يستغرق وقتًا طويلاً. نواقل السمات المستخرجة في [10] ، على سبيل المثال ، لها 960 بعدًا قبل تقليل الأبعاد. بعبارة أخرى ، تبقى المشكلة الرئيسية. غالبًا ما يتم استخدام DL من خلال برمجة الأدوات الجاهزة أو استخدام إجراءات الشبكات العصبية التلافيفية المختلفة (CNN) المنفذة في Matlab. على سبيل المثال ، يتم تحديد bispectrum المضغوط كميزة ثم يتم استخدامه لتدريب ثلاث طبقات CNN [17]. ما يختلف هو عدد الطبقات ، والحنفيات ، والمرشحات ، ووظائف التنشيط ، وما إلى ذلك. يظهر مثال آخر على هذا المنوال في [18] حيث يتم استخدام Keras API مع TensorFlow على الواجهة الخلفية لتمييز المشغلات المشتتة. في [15] ، تم تنفيذ DL لبصمة جهاز التردد اللاسلكي في شبكات Zigbee الإدراكية باستخدام إشارة خطأ النطاق الأساسي المعقدة في النطاق الزمني كبيانات تدريب واختبار. تظهر النتائج دقة جيدة (90 بالمائة) ولكن عند نسبة SNR عالية (أكبر من أو تساوي 20 ديسيبل). في [19] ، تتم معالجة بيانات الإدخال مسبقًا على أنها صور ذات مقياس رمادي لطيف هيلبرت وتحقق دقة مقبولة في ظل مستويات SNR معتدلة (معدل دقة يبلغ 70 بالمائة لـ SNR يبلغ 15 ديسيبل). تم عرض مقارنة أداء شاملة للعديد من خوارزميات DL في [13] ، حيث تم الإبلاغ عن متوسط ​​دقة يبلغ 98 بالمائة تم قياسه لـ 12 جهاز إرسال.

حقيقة أن ML يعمل على مجموعات بيانات أصغر بكثير ويتطلب وقت تدريب أقل بكثير مقارنة بـ DL (ساعات تدريب [15]) ، يوفر تنوعًا أكبر للإشارة إلى تغيرات الخصائص التي تحدث في ظل ظروف بيئية مختلفة (ارتفاع درجة الحرارة ، زيادة التيار ، إلخ.) ، والتي يمكن أن تؤثر بشدة على ميزة التصنيف المحددة. تسمح خاصية ML (القائمة على البيانات) بتحديثات سريعة للميزات وبالتالي ينتج عنها تصنيف أعلى دقة على المدى الطويل. بالإضافة إلى ذلك ، فإن التعقيد المنخفض مقارنة بـ DL يسمح بتنفيذ أسهل للأجهزة وتصنيف سريع أثناء الطيران.

يعتبر تحديد هوية الباعث المحدد (SEI) نموذجًا آخر لتحديد الهوية الإشعاعية [20-22]. يحاول نهج SEI تحديد المرسل الفريد للإشارة باستخدام قياسات السمات الخارجية فقط [22]. يتم تنفيذ SEI على مرحلتين ، (1) حالة إشارة عابرة و (2) حالة إشارة ثابتة. ينطبق النهج العابر على التوقيعات المعينة المضمنة في الإشارة أثناء تشغيل جهاز الإرسال لأعلى أو لأسفل [23،24]. تعد الأساليب العابرة أكثر صعوبة في التنفيذ بسبب عدم توفر البيانات أو طبيعتها العابرة التي لا يمكن الوصول إليها أو حفظها في كثير من الأحيان. يشير نهج الحالة المستقرة إلى الفترة التي استقر فيها العابرون. تشمل الميزات المتاحة التعديل والتمهيد [25 ، 26] ، من بين أمور أخرى. في التقنيات القائمة على التعديل ، تتم مقارنة الكوكبات المستلمة والهدف حيث يؤدي الاختلاف إلى إنشاء بصمة RF [27]. تظهر خوارزمية تحديد قرار سريع في [28]. يعتمد تحديد الهوية على تشابه ناقل الإشارة ومقارنته بالأنماط المتاحة في قاعدة البيانات. تم تصنيف هذا النهج كمثال على SEI المطبق على تحديد هوية الرادار. تم تطبيق الخوارزمية على مئات من تسجيلات إشارات الرادار التي جاءت من عدة أنواع مختلفة من الرادارات. في بعض الحالات ، تم فحص نسخ من نفس النوع من الرادار. عند موازنة جميع الميزات بالتساوي ، يتم الإبلاغ عن معدل التعرف الصحيح بنسبة 85 بالمائة لأنواع الرادار. تظهر طريقة مختلطة لتحديد هوية الرادار على أساس الانبعاث الكهرومغناطيسي وتحليل intrapulse في [29]. الفرضية هي أن الأجهزة الإلكترونية تنقل السمات الكهربائية إلى النبضات المرسلة. نموذج الإشارة عبارة عن دفعات N غير متداخلة من أجهزة الإرسال K. تم استخدام التحليل التمييزي الخطي. يتم استخدام أربعة مقاييس للمسافة لتصنيف النبض غير المعروف. يُذكر أنه تم التعرف بنجاح على ثلاث نسخ من نفس النوع من الرادار.

التعرف على بروتوكولات الاتصال بالإشعاع مهم أيضًا. تم الإبلاغ عن التحقق من هوية المصادر التي تستخدم بروتوكول LTE في [30،31]. يعتمد التحديد على خصائص التشكيل الفريدة التي تظهرها أجهزة الإرسال ، الناتجة عن العيوب الدقيقة التي تحدث أثناء تصنيع الأجهزة اللاسلكية. تم استخدام عيوب الجهاز كتوقيع لتحديد الهوية الإشعاعية بما في ذلك اهتزاز الساعة [32] ، وأخطاء المحولات الرقمية إلى التناظرية (DAC) [33] ، ومركب التردد المحلي [34] ، ومضخم الطاقة غير الخطي [35-37] . تُستخدم عيوب مضخم القدرة أيضًا لتحديد المصدر [38]. تُستخدم إشارات الرادار الحقيقية لتحديد هوية المرسل [39].

يعد الرادار تطبيقًا مختلفًا تمامًا للتعرف على القياسات الإشعاعية. على الرغم من أن أجهزة الإرسال قد تنتمي إلى نفس نوع الرادار ، إلا أنها قد تظهر اختلافات طفيفة في نبضاتها المرسلة. في [33] ، تم استخدام 18 ميزة لتحديد ثلاث فئات من الرادارات. تمت مقارنة خمس بصمات لتحديد هوية باعث الرادار بناءً على إشارات عابرة الرادار. تشمل التقنيات التقليدية التردد اللاسلكي (RF) ، أو سعة النبضة ، أو عرض النبضة ، أو نوع تعديل النبض المتعمد ، أو فترات تكرار النبضة. في [4 0] ، يتم استخدام معلومات التعديل غير المقصودة على شكل موجة المرسل كبصمات أصابع التردد اللاسلكي ، لربط الإشارة المستقبلة والباعث المقابل لها. يعد التعديل غير المقصود على النبض (UMoP) طريقة تستغل الاختلافات الناتجة عن اختلافات تصنيع أجهزة الإرسال ، بما في ذلك مضخمات الطاقة UMoP مثل بصمة جهاز الإرسال ويمكنها تحديد أجهزة الإرسال من نفس النموذج [41]. تم الإبلاغ عن تحليل الأسلوب المتغير لتعريف الرادار في [42]. تتكون مجموعة البيانات من 47 بواعث. بعض هذه البواعث كانت نتاج نفس الرادار. توضح النتائج أن قيمة SNR الفعالة يجب أن تكون حوالي 47 ديسيبل للحصول على احتمال تصنيف صحيح أكبر من 0.9.

2. إطار لتحديد الراديومترية

يتم أولاً تصحيح الإشارة المستقبلة لإزاحة الطور وتخالف تردد المذبذب وأخطاء توقيت الرموز قبل تطبيق تحويل التبييض. التحول التبييض هو إسقاط متعامد يعتمد على تباين PCA ويرتبط بإسقاط الفضاء الجزئي المتعامد [43]. يتم تقدير مصفوفة تحويل التبييض لكل مصدر من بيانات التدريب. ليست هناك حاجة لمعرفة نوع التعديل أو التردد أو الطور أو أي شيء آخر عن الإشارة. يعتمد تحديد المصدر المجهول على ملاحظة أن مجموعة البيانات تكون "أكثر بياضًا" عند عرضها على مصفوفة التبييض أكثر من أي مجموعة أخرى ، وبالتالي يكون التبييض مطابقًا. يؤدي إسقاط البيانات غير المعروفة على التبييض إلى تحويل البيانات وتبييضها فقط إذا كان هناك تطابق بين مصفوفة التبييض والبيانات. حتى عندما تتطابق البيانات مع تحويل التبييض الخاص بها ، فإن البيانات المتوقعة ليست بيضاء تمامًا أبدًا. يتم تطوير مقياس "البياض" باختيار مقياس تباعد لمقارنة مصفوفات التغاير. هذا المقياس هو مجموع اللوغاريتمات التربيعية لقيم eigenvalues ​​المشتركة لمصفوفات التغاير المرجعية واختبارها ؛ مسافة فورستنر-مونين. التبييض معروف جيدًا في الكشف عن الإشارات وغالبًا ما تتم صياغته على أنه مرشح التبييض المطابق. الهدف هو تزيين عينات الضوضاء عند إخراج المرشح. يتم استخدام التنفيذ ثلاثي الأبعاد لـ WMF لدراسات الأثر البيئي في الصور الفائقة الطيفية [44]. يظهر اكتشاف الكائن باستخدام التبييض / إزالة التبييض لتحويل توقيعات الهدف في فائق الطيف متعدد الزمانيات في [45]. تنطبق أمثلة أساليب التبييض هذه في الغالب على اكتشاف الإشارات والأشياء وليست ذات صلة بالتعريف الإشعاعي كما هو مقترح هنا.

2.1. تحويل التبييض

دع X ∈ Rp × n هي مصفوفة البيانات التي تتكون من قياسات n لمتغيرات p مع مصفوفة التغاير Σ. التبييض الإحصائي هو تحويل خطي يحول البيانات بحيث تكون مصفوفة التغاير لـ Y=WX هي مصفوفة الهوية. مصفوفة تحويل التبييض ليست فريدة من نوعها. في الواقع ، [46] يذكر خمسة عشر مصفوفة إسقاط مختلفة تعمل على تبييض البيانات ، وأبرزها PCA و ZCA تبييض [47]. خاصة،

أين U و هي مصفوفات المتجهات الذاتية والقيم الذاتية في تحلل مصفوفة التغاير Σ=UΛU T. تحويلات التبييض تنتج بيانات متعلقة بالديكور ولكن إلى أي غاية؟ والأهم من ذلك ، ما هو الدور الذي يلعبه التبييض في التعرف على القياسات الإشعاعية؟ هذا هو المكان الذي ينحرف فيه تحويل التبييض المتطابق عن الاستخدام الحالي لـ PCA في تحديد الهوية الإشعاعية. تشتهر PCA بضغط البيانات من خلال توجيه إزالة مكونات Y مع طاقة ضئيلة. الميزات المتبقية ليست بالضرورة الأفضل للتصنيف. ومع ذلك ، فإن جميع تقنيات التصنيف الإشعاعي القائمة على PCA تقريبًا تستخدم الميزات التي تنجو من الضغط في وظيفة تمييز لاحقة لتصنيف البيانات. تتمتع ZCA بخاصية إضافية وهي المرحلة الصفرية عن طريق التراجع عن الدوران الناتج عن PCA. لا ينطبق أي من الاثنين هنا. يعد إنتاج البيانات غير المترابطة خطوة معالجة مسبقة يتم من خلالها استخراج نواقل ميزات الأبعاد الأقل. لا ينطبق تقليل الأبعاد على عينات معدل الذكاء نظرًا لوجود بعدين فقط ، في البداية ، وهما مرتبطان إلى حد كبير بالديكور بالفعل. تم استخدام PCA في التعلم العميق أيضًا من خلال تسريع التقارب في الشبكات العصبية التلافيفية [48].

2.2. التصنيف عن طريق التبييض المتطابق

تم تنظيم البيانات في مصفوفة N × M X=[x1، x2،. . . ، xM]، xi ∈ RN × 1 حيث M هو عدد القياسات و N هو عدد المتغيرات أو الأبعاد. بالنسبة لبيانات معدل الذكاء ، N=2 ، و M هو عدد الرموز في السجل. دع Wi، i=1، 2،. . . ، m هي مصفوفات تحويل التبييض لإشارات مصدر m {c1، c2،. . . ، سم}. يتم حساب مصفوفات التبييض المعتمدة على الفئة في وضع عدم الاتصال من بيانات التدريب. نظرًا لأن بيانات معدل الذكاء تتأثر بتعويضات الطور والتردد ، فيجب تصحيح البيانات قبل حساب مصفوفات التبييض. يتم تقسيم بيانات الاختبار إلى كتل تستخدم لإنشاء الإحصائيات. لا يوجد طول كتلة "صحيح". يعتمد على معدل تغير الطور أو إزاحة التردد أو إزاحة دوبلر. في حالة إزاحة الطور غير الخطي ، يتم اختيار أطوال الكتلة قصيرة بما يكفي للتأمين بالقرب من المرحلة الثابتة أثناء تقدير المرحلة. المزيد حول كيفية اختيار طول الكتلة لعكس تخالف التردد يظهر في القسم 3.

لتوضيح هذه النقطة ، يتم إنشاء ثلاثة مجموعات سكانية طبيعية متعددة المتغيرات وعرضها في الشكل 1 أ. يتم استخدام مجموعة البيانات الثالثة (باللون الأسود) كمصدر "غير معروف" ويتم عرضها بشكل متكرر على شبكة Wi ، i=1 ، 2 ، 3. بعد كل إسقاط ، يتم رسم مخطط التبعثر وعرضه في الشكل 1 bd. عندما يتم تبييض البيانات من المجموعة 3 بواسطة W1 ، الشكل 1 ب ، يظهر المحور الرئيسي للبيانات المسقطة بزاوية على المحور الرئيسي لمصفوفة الإسقاط. يشير هذا إلى أن البيانات ومصفوفة التبييض غير متطابقتين. الإسقاطات المتكررة تنتج الشكل 1 ب-د. في الشكل 1 د فقط ، ينتج عن تحويل التبييض مخطط تبعثر دائري. يحدد الإسقاط الذي ينتج أقل البيانات ارتباطًا العلامة التجارية. تشير هذه الخاصية إلى أن مصدر البيانات غير المعروفة يطابق تحويل التبييض للمجموعة 3. يمكن تنفيذ الكاشف كبنك من المرشحات المتطابقة المتوازية الموضحة في الشكل 2.

2.3 تطوير مقياس التبييض

هناك العديد من المشكلات المتعلقة بربط البيانات غير المعروفة بمصفوفة التبييض الخاصة بها. أولاً ، إن مكونات معدل الذكاء للبيانات الحقيقية مرتبطة بالفعل تمامًا ، لذا فإن التبييض قد لا يجلب ارتباطًا إضافيًا مهمًا. ثانيًا ، يتم إنشاء الفضاء الفرعي المحدد في (1) دون اتصال بالإنترنت من بيانات التدريب. ومع ذلك ، تختلف بيانات الاختبار حتى لو كانت من نفس السكان مثل بيانات التدريب. إذا تم استخدام بيانات مختلفة عن مجموعة التدريب ، فسيكون تبييض البيانات تقريبيًا. الخاصية الأساسية هي أن مصفوفة التغاير للبيانات غير المعروفة سوف تشبه مصفوفة الهوية إذا تم عرضها على فضاءها الفرعي أكثر من أي مصفوفة أخرى. ثالثًا ، كيفية قياس "البياض". هذه مشكلة في مطابقة مصفوفة التغاير [49].

هناك أي عدد من المقاييس لقياس المسافات بين مصفوفتين متماثلتين ومحددة موجبة التغاير. وهي تشمل تباعد KL ، والمسافة الإقليدية ، ومعيار Frobenius التربيعي ، ومسافة Bhattacharyya ، وتباعد مصفوفة Bregman ، و LogDet [50] ، من بين أمور أخرى. في هذا العمل ، نستخدم مقياس Förstner-Moonen [49] كمقياس تشابه لمصفوفتين من التغاير. كنقطة مرجعية ، تمت دراسة مقياس مسافة مصفوفة الارتباط (CMD) الذي تم الاستشهاد به جيدًا [51] ومقاييس Kullback-Leibler. لا يوجد تعريف واحد للتشابه ولكن ثلاثة منها رتيبة مع الارتباط ، وبالتالي فهي مقاييس صالحة. لقد قمنا بتركيب مخططات CMD و KL و Förstner-Moonen للمقارنة. تظهر الرسوم البيانية لاحقًا في الشكل 3 أ. كما هو متوقع ، تزداد المسافة الزوجية مع زيادة الارتباط ، مما يعني أن مصفوفة التغاير للمتغيرات المرتبطة تقع على مسافات أبعد من مصفوفة التغاير القطري. من الجدير بالذكر أن مقياس KL يتطابق تقريبًا مع مقياس Förstner-Moonen ومن ثم يبرر استخدامه كمؤشر تشابه.

حيث λi (A ، B) ، قيم eigenvalues ​​المشتركة لـ A و B ، هي جذور|A - B |=0. في سياق تحويل التبييض ، مصفوفة التغاير المرجعي هي مصفوفة الهوية A=I و B=cov (Yi) هي مصفوفة التغاير للبيانات غير المعروفة التي تم تبييضها بواسطة Wi. لذلك ، تقلل قيم eigenvalues ​​المشتركة إلى القيم الذاتية لمصفوفة التغاير B المقاسة للبيانات غير المعروفة.

المصنف المبني على (3) هو الأكثرية ، أو التعددية ، مصنف الأصوات [52] تحكمه القواعد h1 ، h2 ،. . . جلالة. القواعد هي وظائف العضوية. بالنظر إلى القياسات Xi من مصدر غير معروف ،

حيث p هو عدد الكتل. وظيفة الوضع هي الرقم الذي يحدث غالبًا في المجموعة ، أي hj (Xi) هو عدد مرات التصويت على Xi للانتماء إلى JC. تم تصنيف القياس غير المعروف Xi على أنه الفئة التي حصلت على أكبر عدد من الأصوات. هذه العملية موضحة في الشكل 2. هذا مثال على التصويت "الصعب". البديل هو التصويت "الناعم" حيث يتم الاحتفاظ بتكرار التخصيصات للفئات.

يتكون التعقيد الحسابي للخوارزمية من مصفوفة التبييض وتحويل التبييض وتحلل القيمة الذاتية. إذا كان X ∈ Rd × M ، حيث d هو عدد المتغيرات و M هو عدد القياسات ، فإن تعقيدات تحويل التبييض هي O (d2M زائد d3) ، ومحول التبييض هو O (d2M) والتكوين eigendecomposition هو O (d3) . مع تمثيل إشارة IQ ، d=2 وهو ثابت طوال الوقت. لذلك ، فإن كل من التعقيدات المذكورة أعلاه يقلل في النهاية من التعقيد الكلي إلى O (M). على سبيل المثال ، خطي مع عدد القياسات.

3. عكس المرحلة وتعويضات التردد

التحدي الأول هو تحديد الأسطح الإشعاعية قبل تنفيذ الخوارزمية. غالبًا ما يتم توفير الإشارات بدورات طور غير مصححة. هناك نوعان من التناوب. يحدث الدوران الثابت بسبب إزاحة الطور الثابت للناقل المرجعي. يحدث الدوران المتغير بمرور الوقت بسبب عدم تطابق تردد الموجة الحاملة المرجعية. قد يكون عدم التطابق متعلقًا بالأجهزة أو ناتجًا عن دوبلر. في كلتا الحالتين ، إنها كمية غير معروفة. يتسبب عدم تطابق التردد ، الذي يُطلق عليه اسم تردد الإزاحة fd ، في حدوث طور متغير بمرور الوقت مما يؤدي إلى تلطيخ الكوكبة. هذا يختلف عن تعويض الطور الثابت الذي يتسبب في تدوير الكوكبة بأكملها. يوضح الشكل 4 إزاحة المرحلة المتغيرة بمرور الوقت تحت مستويين من نسبة الإشارة إلى الضوضاء (SNR). يجب عكس كل من الدورات الثابتة والمتغيرة بمرور الوقت قبل التحديد الإشعاعي.

3.1. خلفية

لا يتم تناول تصحيح تخالف الطور والتردد قبل تحديد المصدر دائمًا في أدبيات تحديد الهوية بالقياس الإشعاعي [17]. الطريقة التقليدية لاستعادة المرحلة الحاملة هي طريقة قانون الطاقة [53]. يؤدي رفع الإشارة إلى القوة Mth إلى إنشاء نغمة عند M مرة من تردد الإزاحة التي يمكن استخدامها لإبطال الكوكبة. ومع ذلك ، تعمل هذه الطريقة فقط مع تعويضات المرحلة الثابتة. يستخلص النهج المقدم هنا مسارات الطور التعسفي من خلال تركيب نموذج لتقدير الاحتمالية القصوى لنقاط الطور المقاسة عبر مقاطع إشارة متعددة. يتم تقدير مسار الطور أولاً من خلال مقاطع الإشارة القصيرة بما يكفي لاعتبار المرحلة ثابتة ؛ في الأساس لقطة من المرحلة في الوقت المناسب. يتناسب ميل الخط المثبت مع زوايا الطور باستخدام المربعات الصغرى مع تردد الإزاحة. بالإضافة إلى ذلك ، تتعامل طريقة المربعات الصغرى مع مسارات الطور غير الخطي الناتجة عن تأثير تردد الإزاحة من الدرجة الثانية. هذا غير ممكن مع طريقة قانون السلطة.

3.2 نموذج الإشارة

النموذج المنفصل لإزاحة الطور هو {θk=2 π fd t، t=kTs، k=1، 2،. . . K} حيث Ts هو طول الرمز و K هو عدد الرموز في الكتلة المستخدمة لتقدير دوران الطور. تدور الرموز المتتالية بمقدار 2π وتناسب الراديان بعيدًا عن مواضعها الاسمية. تشكل هذه الحركة قوسًا بمرور الوقت مما يتسبب في تأثير تلطيخ كما هو موضح في الشكل 4. لتصحيح هذا الدوران ، يجب إيجاد تقدير θk ، k ، واستخدامه لاستعادة fd وانتقاص كتلة الرموز. أقصى دوران للرمز على كتلة هو T=KTs.

يمكن تحقيق تقدير تردد الإزاحة عن طريق تقدير مسار المرحلة أولاً. يتم إجراء تقدير θ (t) على فترات قصيرة بطول T لضمان استقرار المرحلة ، أي {θ (t) ≈ θk، t ∈ T}. لذلك ، هناك تقدير مرحلي واحد لكل كتلة من البيانات. الكمية fdT هي الدوران الكسري للكوكبة التي تزيد عن 2π لطول الكتلة T. يجب إبقاء هذه الكمية صغيرة لسببين. واحد ، fdT الأصغر يعني أخذ عينات أدق لمنحنى الطور. هذا مهم في التقاط المرحلة اللاخطية عن طريق النمذجة الخطية القطعة. ثانيًا ، يدفع fdT الكبير الرموز إلى ما وراء ربع رمزها الأصلي. يمكن رؤية هذا التأثير في الشكل 4 ب حيث تم دفع الرموز في الربع الأول إلى الربع الثاني. يتم شرح ما يشكل شرائح قصيرة أو طويلة في القسم التالي.

لمزيد من المعلومات: david.deng@wecistanche.com WhatApp: 86 13632399501