4. النتائج

سيستانشلديه وظيفةتعزيز إنتاج الكولاجين، والتي يمكن أن تزيد من مرونة ولمعان الجلد وتساعد في إصلاح خلايا الجلد التالفة. Cistanche فينيليثانول جليكوسيداتلها تأثير كبير على التنظيمالتيروزينازالنشاط ، والتأثير على التيروزيناز هو تثبيط تنافسي وقابل للعكس ، والذي يمكن أن يوفر أساسًا علميًا لتطوير واستخدام مكونات التبييض في Cistanche. لذلك ، يلعب cistanche دورًا رئيسيًا فيتفتيح البشرة. يمكنتمنع الميلانينالإنتاج لتقليل تلون وبهتان ؛ وتعزيز إنتاج الكولاجين لتحسين مرونة البشرة وإشراقها. نظرًا للاعتراف الواسع بتأثيرات cistanche ، بدأت العديد من منتجات تبييض البشرة في ضخ المكونات العشبية مثل Cistanche لتلبية طلب المستهلكين ، وبالتالي زيادة القيمة التجارية لـ Cistanche فيمنتجات تبييض البشرة. باختصار ، دور القسطرة في تبييض البشرة أمر بالغ الأهمية. إنهمضادات الأكسدةيمكن أن يقلل التأثير الناتج عن إنتاج الكولاجين من تغير اللون والبهتان ، وتحسين مرونة البشرة وبريقها ، وبالتالي تحقيق تأثير التبييض. أيضًا ، يوضح التطبيق الواسع لـ Cistanche في منتجات تبييض البشرة أنه لا يمكن الاستهانة بدورها في القيمة التجارية.

انقر فوق ملحق Cistanche Tubulosa

لمزيد من المعلومات:

david.deng@wecistanche.com WhatApp: 86 13632399501

ينفذ هذا القسم التحديد الإشعاعي المقترح باستخدام بيانات محاكاة وحقيقية. أولاً ، يتم تصحيح البيانات من أجل تردد التخالف واستخدامها لعكس تخالف الطور المتغير بمرور الوقت. ثانيًا ، يتم تنفيذ الخوارزمية المقترحة التي تحكمها القاعدة (6) لإنتاج مصفوفات الارتباك.

4.1 طور الإشارة وتصحيح تردد الإزاحة

تتم محاكاة البيانات لإشارة QPSK تخضع لتخالف تردد مذبذب محلي. يوضح الجدول 1 معلمات المحاكاة.

يوضح الشكل 5 العملية التي يتم من خلالها جمع قيم الطور اللحظي واستخدامها في خطوة تركيب النموذج. يمكن أيضًا تفسير هذه الخطوة على أنها أخذ عينات من منحنى الطور. مراحل الرمز لكل كتلة هي مدرج تكراري متبوعًا بتركيب كثير الحدود. ذروة كثير الحدود هي ˆθk للكتلة k. تتكرر هذه الخطوة على عدة فدرات وهي موضحة في الشكل 5 أ-و. المراحل المقدرة {ˆθk، k=1، 2،. . . ، M} يحدد مسار الطور الخطي الذي يحدد ميله fd. الشكل 6 هو أصغر المربعات الملائمة لنموذج الطور للبيانات. الشكلان 6 أ و ب يتوافقان مع SNR=20 ديسيبل و 1 0 ديسيبل على التوالي. يوضح الشكل 6 ج أنه يمكن نمذجة مسار الطور غير الخطي وتتبعه أيضًا. المقدرة f ˆ d=0. 0505 هرتز و f d=0. 0455 هرتز عند SNR=20 ديسيبل و 10 ديسيبل على التوالي. تردد الإزاحة الحقيقي هو 0.05 هرتز.

تدور الرموز بمقدار 2π fdT راديان على طول الكتلة. يجب الاحتفاظ بهذا الدوران لجزء صغير من الربع الذي تنتمي إليه الرموز. على سبيل المثال ، في QPSK ، كل ربع هو π / 2 راديان. طول الكتلة المناسب يسترشد بطريقة مخططات الطور. يشير الرسم البياني للطور أحادي النمط مع ذروة مميزة إلى أن تغيرات الطور تظل قريبة من القيمة الاسمية ، الشكل 7 أ. بالنسبة إلى 2π fdT الكبيرة ، إما بسبب fd الكبير أو طول الكتلة الطويلة T ، يصبح الرسم البياني متعدد الوسائط بدون قمم مميزة ، الشكل 7 ب. عيب آخر لـ fdT الكبير هو الغموض ثنائي الطور حيث تتحرك الرموز حول الدائرة فترات متعددة.

4.2 تحديد الراديومترية

نطبق الآن طريقة تحديد الهوية الإشعاعية المقترحة على الإشارات الناتجة عن مولدات أو معايير شكل الموجة التالية: Agilent [54] ، Viasat EBEM [55] ، Teledyne Paradise [56] ، KRATOS Real-Time Channel Simulator (RTsim) [57] ، و USRP [58]. تحتوي البيانات على عينات تعديل QPSK عند 2.95 ميغاهرتز ليصبح المجموع 35 مليون رمز لكل نموذج. يوضح الشكلان 8 أ و ب مجموعات إشارات تتأثر بكميات متفاوتة من التلطيخ. الشكل 8 ب هو حالة شديدة الخطورة بسبب ناتج fdT الكبير الذي يتسبب في تدوير الرموز لمضاعفات 2π. بعد تقدير fdT وإخراج الرموز ، تمت استعادة الكوكبة الأصلية في الشكل 8 ج. الشكل 9 عبارة عن صورة مقربة لست كوكبات بعد إزالة جميع تخالفات الطور والتردد. المهمة الآن هي إسناد الإشارات إلى مصادر فردية. نظرًا للتشابه بين الأبراج في البنية والميزات ، فمن الواضح أن تحديد الهوية الإشعاعية يمثل مشكلة أكثر تحديًا من تصنيف الإشارات التقليدي استنادًا إلى معلومات التعديل.

4.3 مصفوفات الارتباك الطبقي

يتضمن تدريب المصنف حساب 5 مصفوفات تبييض متطابقة ، Wi ، i=1 ، 2 ،. . . 5. تتكون البيانات من 35 مليون رمز مأخوذ من إشارات مشكلة QPSK صادرة من خمسة أجهزة راديو مختلفة. تتكون مجموعة التدريب من رموز 5 × 105 وهو ما يمثل حوالي 1.4 بالمائة من إجمالي البيانات. يحتاج مصنف تصويت الأغلبية إلى نظام تصويت. يتم إنشاء الأصوات من خلال تقسيم البيانات إلى 72 مجموعة من 5 × 105 عينة لكل منها. تولد كل كتلة صوتًا واحدًا يتم جدولته بعد ذلك على طول الإشارة بالكامل. يتم سحب كتل الاختبار من مصدر "غير معروف" ، تالفة بسبب الضوضاء الغوسية ، ويتم إسقاطها بشكل متكرر على مصفوفات التبييض المقابلة لكل مصدر. تُستخدم مسافة Förstner-Moonen لحساب وظيفة الوضع في (6) مما يؤدي إلى تجميع مصفوفات الارتباك.

قبل إنشاء مصفوفات الارتباك ، يجب دراسة سلوك مقياس مسافة Förstner-Moonen. وفقًا لـ (3) ، نظرًا لتزايد تبييض العملية ، يتم تضييق مسافة Förstner-Moonen بين مصفوفة التغاير المبيضة ومصفوفة الهوية. الحد الأدنى للمسافة النظرية هو صفر للضوضاء البيضاء. لاختبار هذا السلوك ، يتم إنشاء متغيرين عشوائيين مع معاملات ارتباط قابلة للتعديل ووضعهما في مصفوفة من عمودين. يتم حساب التباين المشترك لهذه المصفوفة كدالة لقيم الارتباط ويتم رسم مسافة Förstner-Moonen المقابلة. النتائج موضحة في الشكل 3. كما يوضح الشكل 3 أ ، المسافة هي دالة متزايدة للارتباط ، مما يعكس أن مصفوفة التغاير تبتعد عن عملية الضوضاء البيضاء لزيادة الارتباط. هذا متوقع. الخاصية الثانية لمقياس Förstner-Moonen هي أن البيانات غير المعروفة تكون أقرب إلى عملية الضوضاء البيضاء عندما يتم تبييضها من خلال تحول التبييض الخاص بها أكثر من أي عملية تبييض أخرى. لإظهار هذه الخاصية ، يتم تبييض البيانات من Agilent بواسطة مصفوفة التبييض ثم مصفوفة التبييض لـ Viasat EBEM. يتم إجراء حسابات المسافة على 40 كتلة من البيانات ويتم رسمها في الشكل 3 ب. ما يبرز هو أن مسافة Förstner-Moonen لبيانات Agilent تكون دائمًا تقريبًا أقل من تلك عند استخدام مصفوفة التبييض Viasat EBEM. هذا السلوك متوقع ، مما يعني أنه يتم اتخاذ القرار الصحيح في كل مرة يحدث فيها. هذا العدد هو أساسًا الأساس لملء مصفوفات الارتباك في جميع المصادر.

باتباع الملاحظات المذكورة أعلاه ، يمكن الآن حساب مصفوفات الارتباك المقابلة وتظهر في الجدول 2. تشير الأرقام إلى النسبة المئوية للأصوات الصحيحة المدلى بها لكل مصدر على مدار 72 إطارًا من بيانات الاختبار. لاحظ أن مصنف الوضع في (6) يبحث عن عدد كبير من الأصوات لاختيار الفائز. إنه مخطط تصويت صعب. على سبيل المثال ، حصلت Paradise على 77.1٪ فقط من الأصوات ولكن الإشارة المجهولة لا تزال مصنفة بشكل صحيح على أنها Paradise. لذلك ، يشير الجدول 2 إلى التصنيف الصحيح بنسبة 100 بالمائة. يمكن استخدام مصفوفات الارتباك في نظام التصويت المرن أيضًا عن طريق الاحتفاظ بنسب التصويت الفعلية.

بعد ذلك ، نقوم بالتحقيق في تأثير مجموعات البيانات الأصغر وإضافة الضوضاء فوق ما هو موجود بالفعل في البيانات. يبلغ الحجم الإجمالي للعينة الآن 1 0 7 مقسمة إلى مجموعات مكونة من ربع مليون عينة تترجم كل منها إلى أقل من 100 مللي ثانية. يولد هذا الطول 40 كتلة تُستخدم للحصول على إحصائيات التصنيف في شكل مصفوفات الارتباك. يوضح الجدول 3 النتائج @ SNR=15 ديسيبل أضاف ضوضاء غاوسي. هذا يتجاوز ما هو موجود بالفعل في البيانات. تم تحديد جميع المصادر بشكل صحيح باستثناء KRATOS RTSim التي تم تحديدها على أنها Teledyne Paradise. حتى مع ذلك ، فإن الفرق 2.5 في المائة يكون جيدًا ضمن الاختلافات الإحصائية للتشغيل. تُظهر أرقام التصنيف الصحيحة بالنسبة المئوية لكل مصدر انخفاضًا كبيرًا مقارنة بالجدول 2 ، لكن مخطط تصويت الأغلبية لا يزال يتخذ القرار الصحيح ، وإن كان بهامش منخفض. على سبيل المثال ، ترتبط بيانات Agilent بشكل صحيح بـ Agilent بنسبة 30 بالمائة فقط من الوقت ولكن هذا لا يزال أعلى من أي بيانات أخرى. يكرر الجدولان 4 و 5 العملية مع نسبة الإشارة إلى الضوضاء (SNR)=5 ديسيبل و 0 ديسيبل. على الرغم من أن المعدلات والهوامش أقل ، إلا أن نظام تصويت الأغلبية لا يزال يختار الفئة الصحيحة. عندما تكون الهوامش منخفضة ، يلعب التباين الإحصائي دورًا في تحديد المصدر الصحيح. لاحظ أن الهامش الكبير لـ USRP في الجدول 2 يساعده إلى حد كبير في الحفاظ على التعريف الصحيح حتى عند 5 ديسيبل SNR في الجدول 4. لإظهار مدى خطورة الموقف ، يوضح الشكل 10 الكوكبة في ضوضاء SNR=5 ديسيبل. يتضح عدم وجود ميزات تحديد في جميع أنحاء. لاحظ أن RTSim و Paradise مرتبطان. تنعكس هذه الصعوبة بالطبع في الجدول 4 أيضًا ولكن التحديد الصحيح لا يزال ممكنًا. أربعة من أصل خمسة مصادر محددة بشكل صحيح والخامس مقيد. الجدول 5 هو الحالة القصوى لـ SNR=0 ديسيبل. لا يزال يتم تحديد EBEM و Paradise بشكل صحيح.

4.4 مقارنات

تم الإبلاغ عن مقارنة شاملة لـ SVM و CNN و D (eep) NN لستة أجهزة راديو في [13]. معدلات التصنيف الصحيحة هي 44.8 بالمائة (SVM) و 82.4 بالمائة (CNN) و 71.9 بالمائة (DNN). ومع ذلك ، في حالة عدم وجود معايير مقبولة لتحديد الهوية الإشعاعية ، والتي لا توجد ، فإن المقارنات العددية البحتة ليست قاطعة. يتم النظر في عوامل مثل تعقيد الخوارزمية وسرعة المعالجة وحجم بيانات التدريب والافتراضات الأخرى ، والمقارنة صعبة. حتى اختيار أجهزة الراديو أو البروتوكولات ليس شائعًا. حجم عينة التدريب المبلغ عنها في [13] هو 10 في المائة بينما هو 1.4 في المائة هنا. الأهم من ذلك ، لم يتم الإبلاغ عن أي خطوة لاستعادة الناقل. من خلال افتراض المحاذاة المثالية للطور والتردد عند المذبذب المحلي ، لم يتم تنفيذ أي تخفيف لتلطيخ الكوكبة من النوع المذكور هنا. هذا إغفال مهم. كما لا يوجد ضوضاء في النظام. يعتبر التعامل مع الأبعاد العالية عاملاً آخر. يكون تحول التبييض عديم الملامح وبالتالي يتخطى تقليل الأبعاد في حين أن نواقل السمات المستخرجة في [10] لها 960 بعدًا. تُظهر بصمة جهاز RF في شبكات Zigbee الإدراكية دقة جيدة (90 بالمائة) ولكن عند نسبة SNR عالية (أكبر من أو تساوي 20 ديسيبل) [15]. 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).

5. الاستنتاجات

مراجع

1 - ناندي ، أ. عزوز ، خوارزميات EE للتعرف الآلي على إشارات الاتصال. IEEE Trans. كومون. 1998، 46، 431–436.

2. فوكان ، جي جي ؛ بورا ، تقدير معلمة PK للتصنيف الأعمى للتحولات الرقمية. عملية إشارة IET. 2016 ، 10 ، 758-769.

3 - عطاء ، أ. عبد الله ، SN Deinterleaving إشارات الرادار وخوارزميات تحديد PRF. IET Radar Sonar Navig. 2007 ، 1 ، 340–347.

4. جوك ، ج. ألب ، YK ؛ Arikan، O. طريقة جديدة لتحديد نوع معين من الباعث مع نتائج قياسات الرادار الحقيقية. IEEE Trans. المشاة. أمن الطب الشرعي. 2020 ، 15 ، 3335–3346.

5. Sa، K. لانج ، د. وانغ ، سي. باي ، واي.تقنيات محددة لتعريف الباعث لإنترنت الأشياء. IEEE Access 2020، 8، 1644–1652.

6. وو ، H. وانج ، دبليو. طريقة الكشف الأمني ​​التعاوني القائمة على نظرية الألعاب لأنظمة إنترنت الأشياء. IEEE Trans. المشاة. أمن الطب الشرعي. 2018 ، 13 ، 1432-1445.

7. باديلا ، ياء ؛ باديلا ، ص. Valenzuela-Valdés، J.؛ راميريز ، ياء ؛ Górriz، J. قياسات بصمة RF لتحديد الأجهزة في شبكات الاتصالات اللاسلكية بناءً على تقليل الميزات وتحويل الفضاء الجزئي. القياس 2014 ، 58 ، 468-475.

8. Bihl، TJ؛ باور ، كو ؛ تمبل ، اختيار ميزة MA لبصمات RF مع تحليل تمييزي متعدد واستخدام انبعاثات جهاز ZigBee. IEEE Trans. المشاة. أمن الطب الشرعي. 2016 ، 11 ، 1862-1874.

9. Xu، S. هوانغ ، ب. شو ، إل. Xu ، Z. تصنيف جهاز الإرسال اللاسلكي باستخدام طريقة جديدة لتحليل الميزات الضالة مع PCA. في وقائع مؤتمر MILCOM 2007- للاتصالات العسكرية IEEE ، أورلاندو ، فلوريدا ، الولايات المتحدة الأمريكية ، 29-31 أكتوبر 2007 ؛ ص 1 - 5.

10. جيا ، واي. ما ، ياء ؛ Gan، L. التحسين المشترك لتقليل الميزات وتصنيفها لتحديد الهوية الإشعاعية. عملية إشارة IEEE. بادئة رسالة. 2017 ، 24 ، 584-588.

11. دانيف ، ب. Capkun، S. تحديد عابر لعُقد أجهزة الاستشعار اللاسلكية. في وقائع المؤتمر الدولي لعام 2009 حول معالجة المعلومات في شبكات الاستشعار ، سان فرانسيسكو ، كاليفورنيا ، الولايات المتحدة الأمريكية ، 13-16 أبريل 2009 ؛ ص 25 - 36.

12. Kennedy، IO؛ سكانلون ، ص. مولاني ، FJ ؛ بودهيكوت ، مم ؛ نولان ، KE ؛ Rondeau ، بصمات جهاز الإرسال اللاسلكي TW: نهج مجال تردد ثابت للدولة. في وقائع مؤتمر IEEE 68 لتكنولوجيا المركبات لعام 2008 ، كالغاري ، AB ، كندا ، 21-24 سبتمبر 2008 ؛ ص 1 - 5.

13. يوسف ك. بوشار ، إل. هاي ، ك. سيلوفسكي ، ياء ؛ ثابا ، ب. Valk ، نهج تعلم الآلة السيرة الذاتية لتحديد هوية مرسل الترددات الراديوية. IEEE J. Radio Freq. تعريف. 2018 ، 2 ، 197-205.

14. جعفري ، ح. أوموتيري ، أو. أديسينا ، د. وو ، ح. Qian، L. أجهزة إنترنت الأشياء بصمات الأصابع باستخدام التعلم العميق. في وقائع مؤتمر MILCOM 2018-2018 IEEE Military Communications (MILCOM) ، لوس أنجلوس ، كاليفورنيا ، الولايات المتحدة الأمريكية ، 29-31 أكتوبر 2018 ؛ ص 1 - 9.

15. التاجر ، ك. Revay ، S. ستانتشيف ، جي ؛ نوسين ، ب. التعلم العميق لبصمات أجهزة التردد اللاسلكي في شبكات الاتصال المعرفي. IEEE J. Sel. قمة. عملية الإشارة. 2018 ، 12 ، 160–167.

16. راجندران ، إس. ميرت ، دبليو. جوستينيانو ، د. المقرضون ، الخامس ؛ Pollin، S. نماذج التعلم العميق لتصنيف الإشارات اللاسلكية باستخدام مستشعرات الطيف الموزعة منخفضة التكلفة. IEEE Trans. كوغن. كومون. نتو. 2018 ، 4 ، 433-445.

17. دينغ ، إل. وانغ ، س. وانغ ، ف. تشانغ ، دبليو تحديد الباعث المحدد عبر الشبكات العصبية التلافيفية. IEEE Commun. بادئة رسالة. 2018 ، 22 ، 2591-2594.

18. مسعود س. راي ، أ. أجروال ، أ. دوجا ، مينيسوتا ؛ أحمد ، م. كشف تشتيت انتباه السائقين باستخدام الشبكة العصبية التلافيفية. التعرف على الأنماط. بادئة رسالة. 2018 ، 139 ، 79-85.

19. بان ، واي. يانغ ، س. بينغ ، هـ. أشعل.؛ وانج ، دبليو. تحديد الباعث المحدد بناءً على الشبكات العميقة المتبقية. IEEE Access 2019، 7، 54425–54434.

20. Qian، Y .؛ تشي ، ياء ؛ كواي ، العاشر ؛ يشنق.؛ الشمس ، ح. Hong، S. تحديد هوية الباعث المحدد بناءً على التمثيل المتناثر متعدد المستويات في نظام التعرف التلقائي. IEEE Trans. المشاة. أمن الطب الشرعي. 2021 ، 16 ، 2872-2884.

21. دو ، م. هو العاشر. كاي ، العاشر ؛ Bi، D. البحث المتوازن للعمارة العصبية وتطبيقها في تحديد الباعث المحدد. IEEE Trans. عملية الإشارة. 2021 ، 69 ، 5051-5065.

22. Huang، G .؛ يوان ، واي. وانغ ، X. ؛ Huang، Z. تحديد نوع معين للباعث على أساس الخصائص الديناميكية غير الخطية. يستطيع. J. Electr. حاسوب. م. 2016 ، 39 ، 34-41.

23. Huang، G .؛ يوان ، واي. وانغ ، X. ؛ هوانغ ، ض. تحديد هوية مرسل الاتصالات باستخدام قياسات متعددة. سلكي. بيرس. كومون. 2017 ، 94 ، 1523-1542.

24. يوان، واي. هوانغ ، زد تي ؛ وو ، ح. وانج ، س. تحديد محدد للباعث يعتمد على ميزات توزيع الطاقة والتردد الزمني المستندة إلى تحويل هيلبرت-هوانغ. IET Commun. 2014 ، 8 ، 2404-2412.

25. Padilla، P.؛ باديلا ، ياء ؛ Valenzuela-Valdes، J. تحديد الترددات الراديوية للأجهزة اللاسلكية على أساس بصمات الترددات الراديوية. إلكترون. بادئة رسالة. 2013 ، 49 ، 1409-1410.

26. Hu ، A. الكشف المستند إلى التمهيد لبصمات أصابع التردد اللاسلكي لمرسل Wi-Fi. إلكترون. بادئة رسالة. 2010 ، 46 ، 1165-1167.

27. كاندور أ. كوكاباس ، أو. Koushanfar، F. أخذ البصمات الراديومترية القوية والمستقرة للأجهزة اللاسلكية. في وقائع ورشة عمل IEEE الدولية لعام 2009 حول الثقة والأمان الموجه للأجهزة ، سان فرانسيسكو ، كاليفورنيا ، الولايات المتحدة الأمريكية ، 27-29 يوليو 2009 ؛ ص 43-49.

28. Dudczyk، J.؛ Kawalec، A. خوارزمية تحديد القرار السريع لنمط مصدر الانبعاث في قاعدة البيانات. ثور. بول. أكاد. علوم وتكنولوجيا. علوم. 2015 ، 63 ، 385-389.

29. Kawalec، A. راباكي ، تي ؛ Wnuczek، S. دودكزيك ، ياء ؛ Owczarek، R. طريقة مختلطة تعتمد على بيانات Intrapulse والتعرف على الانبعاثات المشعة إلى مصادر الانبعاثات. في وقائع المؤتمر الدولي لعام 2006 حول الموجات الدقيقة ، الرادار للاتصالات اللاسلكية ، كراكوف ، بولندا ، 22-24 مايو 2006 ؛ ص 487 - 490.

30. ديمرز ، ف. St-Hilaire، M. تحديد راديومتري لأجهزة إرسال LTE. في وقائع مؤتمر الاتصالات العالمية IEEE 2013 (GLOBECOM) ، أتلانتا ، جورجيا ، الولايات المتحدة الأمريكية ، 9-13 ديسمبر 2013 ؛ ص 4116-4121.

31. Tan، K. يان ، دبليو. تشانغ ، إل. تانغ ، م. Zhang، Y. تحديد الباعث المحدد بناءً على الراديو المحدد بالبرمجيات ودمج القرار. IEEE Access 2021، 9، 86217 - 86229.

32. Jana، S. Kasera، SK حول الاكتشاف السريع والدقيق لنقاط الوصول اللاسلكية غير المصرح بها باستخدام الانحرافات على مدار الساعة. IEEE Trans. تجمهر. حاسوب. 2009 ، 9 ، 449-462.

33. Conning، M. Potgieter ، F. تحليل بيانات الرادار المقاسة لتحديد هوية المرسل المحدد. في وقائع مؤتمر IEEE Radar لعام 2010 ، واشنطن العاصمة ، الولايات المتحدة الأمريكية ، 10-14 مايو 2010 ؛ ص 35 - 38.

34. Polak، AC؛ تحديد جهاز Goeckel، DL اللاسلكي استنادًا إلى عيوب مذبذب التردد اللاسلكي. IEEE Trans. المشاة. أمن الطب الشرعي. 2015 ، 10 ، 2492-2501.

35. Polak، AC؛ Goeckel و DL RF لبصمات الأصابع للمستخدمين الذين يخفون هوياتهم بشكل نشط بتشويه اصطناعي. في وقائع مؤتمر 2011 لمؤتمر Asilomar الخامس والأربعين حول الإشارات والأنظمة وأجهزة الكمبيوتر (ASILOMAR) ، باسيفيك جروف ، كاليفورنيا ، الولايات المتحدة الأمريكية ، 6-9 نوفمبر 2011 ؛ ص 270 - 274.

36. Liu، MW؛ Doherty، JF تحديد هوية الباعث باستخدام تقدير الجهاز غير الخطي. في وقائع ندوة IEEE Sarnoff لعام 2008 ، برينستون ، نيوجيرسي ، الولايات المتحدة الأمريكية ، 28-30 أبريل 2008 ؛ ص 1 - 5.

37. Li، Y .؛ تشين ، العاشر ؛ لين ، واي. سريفاستافا ، ج. Liu، S. تحديد جهاز الإرسال اللاسلكي بناءً على عيوب الجهاز. IEEE Access 2020، 8، 59305–59314.

38. Dolatshahi، S. بولاك ، أ. Goeckel، DL تحديد مستخدمي اللاسلكي من خلال عيوب مضخم الطاقة. في وقائع مؤتمر 2010 لمؤتمر Asilomar الرابع والأربعين حول الإشارات والأنظمة والحواسيب ، باسيفيك جروف ، كاليفورنيا ، الولايات المتحدة الأمريكية ، 7-10 نوفمبر 2010 ؛ ص 1553-1557.

39. D'Agostino، S.؛ فوجليا ، جي ؛ Pistoia، D. تعريف محدد للباعث: تحليل بيانات إشارة الرادار الحقيقية. في وقائع مؤتمر الرادار الأوروبي لعام 2009 (EuRAD) ، روما ، إيطاليا ، 30 سبتمبر - 2 أكتوبر 2009 ؛ ص 242 - 245.

40. Guo، S. أبيض ، RE ؛ Low، M. دراسة مقارنة لتحديد هوية مرسل الرادار بناءً على إشارات عابرة. في وقائع مؤتمر IEEE Radar لعام 2018 (RadarConf18) ، أوكلاهوما سيتي ، أوكلاهوما ، الولايات المتحدة الأمريكية ، 23-27 أبريل 2018 ؛ ص 286 - 291.

41. Talbot، KI؛ دولي ، العلاقات العامة ؛ حياة ، MH تحديد هوية الباعث والتحقق منها. تكنول. القس 2003 ، 113 ، 113-133.

42- Dragomiretskiy، K.؛ Zosso ، D. طريقة التحلل المتغيرة. IEEE Trans. عملية الإشارة. 2013 ، 62 ، 531-544.

43. Chang، CI Orthogonal Subspace Projection (OSP) تمت إعادة النظر فيه: دراسة وتحليل شاملان. IEEE Trans. Geosci. أجهزة الاستشعار عن بعد .2005 ، 43 ، 502-518. ): ريتشلاند ، واشنطن ، الولايات المتحدة الأمريكية ، 2007.

45. Mayer، R.؛ Bucholtz ، F. ؛ Scribner ، D. اكتشاف الكائن باستخدام التبييض / إزالة التبييض لتحويل التواقيع المستهدفة في صور متعددة الأطياف ومتعددة الأطياف. Geosci. أجهزة الاستشعار عن بعد. IEEE Trans. 2003 ، 41 ، 1136-1142.

46. ​​Kessy، A. لوين ، أ. ستريمر ، ك.التبييض الأمثل والتزيين. أكون. ستات. 2018 ، 72 ، 309-314.

47. بيل، AJ؛ Sejnowski ، TJ "المكونات المستقلة" للمشاهد الطبيعية هي مرشحات حافة. فيس. الدقة. 1997 ، 37 ، 3327-3338.

48- سريفاستافا ن. هينتون ، جي ؛ Krizhevsky ، A. ؛ ساتسكيفر ، أنا ؛ Salakhutdinov ، R. Dropout: طريقة بسيطة لمنع الشبكات العصبية من التجهيز الزائد. J. ماخ. يتعلم. الدقة. 2014 ، 15 ، 1929-1958.

49. Förstner، W .؛ Moonen، B. مقياس مصفوفات التغاير. في الجيوديسيا - تحدي الألفية الثالثة ؛ سبرينغر: برلين / هايدلبرغ ، ألمانيا ، 2003 ؛ ص 299 - 309.

50. Kulis، B.؛ سوستيك ، ماساتشوستس ؛ Dhillon ، هو تعلم نواة منخفضة الرتبة باستخدام Bregman Matrix Divergences. J. ماخ. يتعلم. الدقة. 2009 ، 10 ، 341-376.

51. Herdin، M.؛ كزينك ، ن. Ozcelik ، H. Bonek، E. Correlation Matrix Distance ، مقياس مفيد لتقييم قنوات MIMO غير الثابتة. في وقائع مؤتمر IEEE الحادي والستون لتكنولوجيا المركبات لعام 2005 ، ستوكهولم ، السويد ، 30 مايو - 1 يونيو 2005 ؛ المجلد 1 ، ص 136 - 140.

52. Kuncheva، LI دراسة نظرية حول ست استراتيجيات اندماج المصنفات. IEEE Trans. نمط الشرج. ماخ. انتل. 2002 ، 24 ، 281-286.

53. Proakis، JG؛ صالحي ، م. ماكجرو هيل: نيويورك ، نيويورك ، الولايات المتحدة الأمريكية ، 2008.

54. Agilent Vector Signal Generator. 2021. (تم الوصول إليه في 26 نوفمبر 2021).

55. Viasat Enhanced Bandwidth Bandwidth Modem SATCOM. 2021. (تم الوصول إليه في 26 نوفمبر 2021).

56. Teledyne Paradise Datacom. 2021. (تم الوصول إليه في 26 نوفمبر 2021).

57. Kratos RTSIM. 2021. (تم الوصول إليه في 26 نوفمبر 2021).

58. Ettus USRP. 2021.

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