4. Sonuçlar

Cistancheişlevi vardırkollajen üretimini teşvik etmekcildin elastikiyetini ve parlaklığını artırabilen vehasarlı cilt hücrelerinin onarılmasına yardımcı olur. Cistanche Feniletanol Glikozitlerüzerinde önemli bir aşağı düzenleyici etkiye sahiptir.tirozinazaktivite ve tirozinaz üzerindeki etkinin, Cistanche'deki beyazlatıcı bileşenlerin geliştirilmesi ve kullanılması için bilimsel bir temel sağlayabilen rekabetçi ve geri dönüşümlü inhibisyon olduğu gösterilmiştir. Bu nedenle, cistanche önemli bir role sahiptir.cilt beyazlatmak. Bu olabilirmelanini inhibe etmekrenk atmasını ve matlığı azaltmak için üretim; ve cilt elastikiyetini ve parlaklığını artırmak için kollajen üretimini teşvik eder. Cistanche'nin bu etkilerinin yaygın olarak tanınması nedeniyle, birçok cilt beyazlatıcı ürün, tüketici talebini karşılamak için Cistanche gibi bitkisel içerikleri aşılamaya başlamış ve böylece Cistanche'nin ticari değeri artmıştır.cilt beyazlatma ürünleri. Özetle cilt beyazlatmada kistin rolü çok önemlidir. Onunantioksidanetkisi ve kollajen üreten etki, renk solmasını ve donukluğu azaltabilir, cilt elastikiyetini ve parlaklığını artırabilir ve böylece beyazlatma etkisi elde edebilir. Ayrıca, cilt beyazlatma ürünlerinde Cistanche'nin geniş uygulaması, ticari değerdeki rolünün küçümsenemeyeceğini göstermektedir.

Cistanche Tubulosa Eki'ne tıklayın

Daha fazla bilgi için:

david.deng@wecistanche.com WhatsApp:86 13632399501

Bu bölüm, simüle edilmiş ve gerçek verileri kullanarak önerilen radyometrik tanımlamayı uygular. İlk olarak, veriler ofset frekansı için düzeltilir ve zamanla değişen faz ofsetini tersine çevirmek için kullanılır. İkinci olarak, kural (6) tarafından yönetilen önerilen algoritma karışıklık matrisleri üreterek uygulanır.

4.1. Sinyal Faz ve Ofset Frekans Düzeltmesi

Veriler, yerel osilatör frekans kaymasına tabi bir QPSK sinyali için simüle edilir. Tablo 1 simülasyon parametrelerini göstermektedir.

Şekil 5, anlık faz değerlerinin toplandığı ve model uydurma adımında kullanıldığı süreci göstermektedir. Bu adım, faz eğrisinin örneklenmesi olarak da açıklanabilir. Blok başına sembol fazları histogramlanır ve ardından bir polinom sığdırılır. Polinomun zirvesi k'inci blok için ˆθk'dir. Bu adım birden çok blok üzerinde tekrarlanır ve Şekil 5a-f'de gösterilir. Tahmini aşamalar { ˆθk, k=1, 2, . . . , M}, eğimi fd'yi belirleyen doğrusal faz yörüngesini tanımlar. Şekil 6, faz modelinin verilere en küçük kareler uyumudur. Şekil 6a ve b, sırasıyla SNR=20 dB ve 10 dB'ye karşılık gelir. Şekil 6c, doğrusal olmayan bir faz yörüngesinin de modellenebileceğini ve izlenebileceğini göstermektedir. Sırasıyla SNR=20 dB ve 10 dB'de tahmini f ˆ d=0.0505 Hz ve f ˆ d=0.0455 Hz. Gerçek ofset frekansı 0,05 Hz'dir.

Semboller, bir bloğun uzunluğu boyunca 2π fdT radyan kadar döner. Bu dönüş, sembollerin ait olduğu çeyreğin küçük bir bölümünde tutulmalıdır. Örneğin, QPSK'de her çeyrek daire π/2 radyandır. Uygun blok uzunluğu, faz histogramlarının modalitesi tarafından yönlendirilir. Belirgin bir zirveye sahip tek modlu bir faz histogramı, faz değişimlerinin nominal değere yakın kaldığını gösterir, Şekil 7a. Büyük fd veya uzun blok uzunluğu T nedeniyle büyük 2π fdT için histogram, belirgin tepe noktaları olmadan çok modlu hale gelir, Şekil 7b. Büyük fdT'nin bir başka dezavantajı, sembollerin daire etrafında birden çok periyot boyunca hareket ettiği 2π faz belirsizliğidir.

4.2. radyometrik tanımlama

Şimdi önerilen radyometrik tanımlama yöntemini aşağıdaki dalga biçimi üreteçleri veya standartları tarafından üretilen sinyallere uyguluyoruz: Agilent [54], Viasat EBEM [55], Teledyne Paradise [56], KRATOS Real-Time Channel Simulator (RTsim) [57], ve USRP [58]. Veriler, model başına toplam 35 milyon sembol için 2,95 MHz'de örneklenmiş QPSK modülasyonuna sahiptir. Şekil 8a ve b, değişen miktarlarda lekelenmeden etkilenen sinyal takımyıldızlarını göstermektedir. Şekil 8b, sembollerin potansiyel olarak 2π'nin katları arasında dönmesine neden olan büyük fdT çarpımı nedeniyle özellikle ciddi bir durumdur. fdT'nin tahmini ve sembollerin derotasyonunun ardından, orijinal takımyıldızı Şekil 8c'de geri yüklenir. Şekil 9, tüm faz ve frekans ofsetleri çıkarıldıktan sonra altı takımyıldızın yakından görünümüdür. Şimdi görev, sinyalleri bireysel kaynaklara atfetmektir. Takımyıldızların yapı ve özelliklerdeki benzerliği göz önüne alındığında, radyometrik tanımlamanın, modülasyon bilgisine dayalı geleneksel sinyal sınıflandırmasından çok daha zorlu bir problem olduğu açıktır.

4.3. Sınıf Karışıklık Matrisleri

Sınıflandırıcıyı eğitmek, 5 eşleşen beyazlatma matrisinin, Wi, i=1, 2, hesaplanmasını içerir. . . , 5. Veriler, beş farklı radyodan gelen QPSK modülasyonlu sinyallerden alınan 35 milyon sembolden oluşmaktadır. Eğitim seti, toplam verinin yaklaşık yüzde 1,4'üne denk gelen 5×105 sembolden oluşuyor. Çoğunluk Oyu sınıflandırıcısının bir oylama planına ihtiyacı vardır. Veriler, her biri 5 × 105 örnekten oluşan 72 bloğa bölünerek oylar oluşturulur. Her blok, daha sonra tüm sinyal uzunluğu boyunca tablo haline getirilen bir oy üretir. Test blokları, "bilinmeyen" bir kaynaktan alınır, Gauss gürültüsüyle bozulur ve her bir kaynağa karşılık gelen beyazlatma matrislerine tekrar tekrar yansıtılır. Förstner-Moonen mesafesi, karışıklık matrislerinin derlenmesine yol açan (6)'daki mod fonksiyonunu hesaplamak için kullanılır.

Karışıklık matrislerini oluşturmadan önce, Förstner-Moonen mesafe ölçüsünün davranışı incelenmelidir. (3)'e göre, süreç giderek beyazlaştıkça, beyazlatılmış kovaryans matrisi ile birim matris arasındaki Förstner-Moonen mesafesi daralır. Beyaz gürültü için teorik minimum mesafe sıfırdır. Bu davranışı test etmek için, ayarlanabilir korelasyon katsayılarına sahip iki rasgele değişken oluşturulur ve iki sütunlu bir matrise yerleştirilir. Bu matrisin kovaryansı, korelasyon değerlerinin bir fonksiyonu olarak hesaplanır ve karşılık gelen Förstner-Moonen mesafesi çizilir. Sonuçlar Şekil 3'te gösterilmektedir. Şekil 3a'nın gösterdiği gibi, mesafe korelasyonun artan bir fonksiyonudur ve kovaryans matrisinin artan korelasyon için beyaz gürültü sürecinden uzaklaştığını yansıtır. Bu bekleniyor. Förstner-Moonen ölçümünün ikinci özelliği, bilinmeyen verinin, beyazlaştırma dönüşümüyle beyazlatıldığında, diğer herhangi bir veriden, dolayısıyla uyumlu beyazlaştırmadan beyaz gürültü sürecine daha yakın olmasıdır. Bu özelliği göstermek için, Agilent'ten gelen veriler beyazlatma matrisi ve ardından Viasat EBEM'in beyazlatma matrisi ile beyazlatılır. Mesafe hesaplamaları 40 veri bloğu üzerinden yapılır ve Şekil 3b'de çizilir. Öne çıkan, Agilent verileri için Förstner-Moonen mesafesinin, Viasat EBEM beyazlatma matrisi kullanıldığında neredeyse her zaman bundan daha az olmasıdır. Bu davranış beklenir, yani her gerçekleştiğinde doğru bir karar verilir. Bu sayım, esas olarak, tüm kaynaklar üzerinde karışıklık matrislerini doldurmanın temelidir.

Yukarıdaki gözlemlerin ardından, karşılık gelen karışıklık matrisleri artık hesaplanabilir ve Tablo 2'de gösterilmektedir. Sayılar, test verilerinin 72 karesi üzerinden her bir kaynak için kullanılan doğru oyların yüzdesini gösterir. (6)'daki mod sınıflandırıcının bir kazanan seçmek için çok sayıda oy aradığını unutmayın. Zor bir oylama planı. Örneğin, Cennet oyların yalnızca yüzde 77,1'ini aldı ancak bilinmeyen sinyal hala doğru bir şekilde Cennet olarak sınıflandırılıyor. Bu nedenle, Tablo 2 yüzde 100 doğru sınıflandırmayı göstermektedir. Karışıklık matrisleri, gerçek oy yüzdelerini koruyarak yumuşak oylama şemasında da kullanılabilir.

Daha sonra, daha küçük veri kümelerinin etkisini araştırıyoruz ve zaten verilerde bulunanın ötesinde gürültü ekledik. Toplam örnek boyutu artık 107'dir ve her biri 100 msn'den az olan çeyrek milyon örnekten oluşan bloklara bölünmüştür. Bu uzunluk, karışıklık matrisleri biçiminde sınıflandırma istatistiklerini elde etmek için kullanılan 40 blok üretir. Tablo 3, SNR=15 dB eklenmiş Gauss gürültüsündeki sonuçları göstermektedir. Bu, halihazırda verilerde olanın çok ötesindedir. Teledyne Paradise olarak tanımlanan KRATOS RTSim dışında tüm kaynaklar doğru bir şekilde tanımlanmıştır. O zaman bile, yüzde 2,5'lik fark, koşunun istatistiksel varyasyonlarının oldukça içinde. Her kaynak için yüzde doğru sınıflandırma sayıları, Tablo 2'ye kıyasla büyük bir düşüş gösteriyor, ancak çoğunluk oylama şeması, azaltılmış bir marjla da olsa, yine de doğru kararı veriyor. Örneğin, Agilent verileri zamanın yalnızca yüzde 30'unda Agilent ile doğru şekilde ilişkilendirilir, ancak bu yine de diğerlerinden daha yüksektir. Tablo 4 ve 5, SNR=5 dB ve 0 dB için işlemi tekrar eder. Oranlar ve marjlar daha düşük olsa da, çoğunluk oylama sistemi yine de doğru sınıfı seçer. Kenar boşlukları düşük olduğunda, doğru kaynak tanımlamasında istatistiksel değişkenlik rol oynar. Tablo 2'deki geniş USRP marjının, Tablo 4'teki 5 dB SNR'de bile doğru tanımlamayı büyük ölçüde sürdürmesine yardımcı olduğuna dikkat edin. Durumun ne kadar vahim olduğunu göstermek için, Şekil 10, SNR=5 dB gürültü cinsinden takımyıldızı göstermektedir. Tanımlayıcı özelliklerin eksikliği baştan sona belirgindir. RTSim ve Paradise'ın bağlı olduğuna dikkat edin. Bu zorluk elbette Tablo 4'e de yansıtılmıştır, ancak doğru tanımlama hala mümkündür. Beş kaynaktan dördü doğru olarak tanımlanmış ve beşincisi bağlanmıştır. Tablo 5, SNR=0 dB'nin uç durumudur. EBEM ve Paradise hala doğru bir şekilde tanımlanıyor.

4.4. Karşılaştırmalar

[13]'te altı radyo için SVM, CNN ve D(eep)NN'nin kapsamlı bir karşılaştırması rapor edilmiştir. Doğru sınıflandırma oranları yüzde 44,8 (SVM), yüzde 82,4 (CNN) ve yüzde 71,9'dur (DNN). Bununla birlikte, mevcut olmayan radyometrik tanımlama için kabul edilmiş kriterler olmadığında, saf sayısal karşılaştırmalar kesin değildir. Algoritmanın karmaşıklığı, işlem hızı, eğitim verisi boyutu ve diğer varsayımlar gibi faktörler dikkate alınır ve karşılaştırma zordur. Radyo veya protokol seçimi bile yaygın değildir. [13]'te bildirilen eğitim örneklem büyüklüğü yüzde 10 iken burada yüzde 1,4'tür. Daha da önemlisi, hiçbir taşıyıcı kurtarma adımı bildirilmedi. Yerel osilatörde mükemmel faz ve frekans hizalaması varsayılarak, burada bildirilen türde takımyıldız lekelenmesi için hiçbir azaltma gerçekleştirilmemiştir. Bu önemli bir ihmaldir. Ayrıca sistemde ses yok. Yüksek boyutlulukla uğraşmak başka bir faktördür. Beyazlatma dönüşümü özelliksizdir, dolayısıyla boyut azaltmayı atlar, halbuki [10]'da çıkarılan özellik vektörleri 960 boyuta sahiptir. Bilişsel Zigbee ağlarında RF cihazı parmak izi, iyi doğruluk (≈ yüzde 90) ancak yüksek SNR'de (20 dB'den büyük veya eşit) [15] gösterir. [19]'da, girdi verileri Hilbert spektrumu gri tonlamalı görüntüler olarak önceden işlenir ve orta SNR seviyeleri altında kabul edilebilir doğruluk elde edilir (15 dB SNR için ortalama yüzde 70 doğruluk oranı).

5. Sonuçlar

Referanslar

1. Nandi, AK; Azzouz, İletişim sinyallerinin otomatik modülasyon tanıması için EE Algoritmaları. IEEE Trans. komün. 1998, 46, 431–436.

2. Phukan, GJ; Bora, PK Dijital modülasyonların kör sınıflandırması için parametre kestirimi. IET Sinyal Süreci. 2016, 10, 758–769.

3. Ata'a, AW; Abdullah, SN Radar sinyallerinin serpiştirilmesinin kaldırılması ve PRF tanımlama algoritmaları. IET Radar Sonar Navig. 2007, 1, 340–347.

4. Gök, G.; Alp, YK; Arıkan, O. Gerçek Radar Ölçümlerinde Sonuçlarla Spesifik Yayıcı Tanımlaması için Yeni Bir Yöntem. IEEE Trans. bilgi Adli Tıp Güvenli. 2020, 15, 3335–3346.

5. Sa, K.; Lang, D.; Wang, C.; Bai, Y. Nesnelerin İnterneti için Spesifik Verici Tanımlama Teknikleri. IEEE Erişimi 2020, 8, 1644–1652.

6. Wu, H.; Wang, W. Nesnelerin İnterneti Sistemleri için Oyun Teorisine Dayalı İşbirlikçi Güvenlik Tespit Yöntemi. IEEE Trans. bilgi Adli Tıp Güvenli. 2018, 13, 1432–1445.

7. Padilla, J.; Padilla, P.; Valenzuela-Valdés, J.; Ramírez, J.; Górriz, J. Özellik azaltma ve alt uzay dönüşümüne dayalı olarak kablosuz iletişim ağlarındaki cihazları tanımlamak için RF parmak izi ölçümleri. Ölçüm 2014, 58, 468–475.

8. Bihl, TJ; Bauer, KW; Temple, MA Çoklu Diskriminant Analizli ve ZigBee Cihaz Emisyonlarını Kullanan RF Parmak İzi İçin Özellik Seçimi. IEEE Trans. bilgi Adli Tıp Güvenli. 2016, 11, 1862–1874.

9. Xu, S.; Huang, B.; Xu, L.; Xu, Z. PCA ile Birleştirilmiş Yeni Bir Başıboş Özellik Analizi Yöntemi Kullanarak Radyo Verici Sınıflandırması. MILCOM Bildiriler Kitabında 2007-IEEE Askeri İletişim Konferansı, Orlando, FL, ABD, 29–31 Ekim 2007; s. 1–5.

10. Jia, Y.; Ma, J.; Gan, L. Radyometrik Tanımlama için Özellik Azaltma ve Sınıflandırmanın Kombine Optimizasyonu. IEEE Sinyal İşlemi. Letonya 2017, 24, 584–588.

11. Danev, B.; Çapkun, S. Kablosuz sensör düğümlerinin geçici tabanlı tanımlanması. 2009 Uluslararası Sensör Ağlarında Bilgi İşleme Konferansı Bildiri Kitabında, San Francisco, CA, ABD, 13–16 Nisan 2009; 25–36.

12. Kennedy, IO; Scanlon, P.; Mullany, FJ; Buddhikot, MM; Nolan, KE; Rondeau, TW Radyo Vericisi Parmak İzi: Kararlı Hal Frekans Etki Alanı Yaklaşımı. 2008 IEEE 68. Araç Teknolojisi Konferansı Bildirilerinde, Calgary, AB, Kanada, 21–24 Eylül 2008; s. 1–5.

13. Yusuf, K.; Bouchard, L.; Haigh, K.; Silovsky, J.; Thapa, B.; Valk, RF Verici Tanımlamasına CV Makine Öğrenimi Yaklaşımı. IEEE J. Radyo Frekansı Tanımlamak. 2018, 2, 197–205.

14. Caferi, H.; Omotere, O.; Adesine, D.; Wu, H.; Qian, L. IoT Cihazlarında Derin Öğrenmeyi Kullanarak Parmak İzi Alma. MILCOM 2018—2018 IEEE Askeri İletişim Konferansı (MILCOM), Los Angeles, CA, ABD, 29–31 Ekim 2018 Tutanakları'nda; s. 1–9.

15. Tüccar, K.; Revay, S.; Stantchev, G.; Nousain, B. Bilişsel İletişim Ağlarında RF Cihazı Parmak İzi için Derin Öğrenme. IEEE J. Sel. Tepe. Sinyal İşlemi. 2018, 12, 160–167.

16. Rajendran, S.; Meert, W.; Giustiniano, D.; Borç Verenler, V.; Pollin, S. Dağıtılmış düşük maliyetli spektrum sensörleri ile kablosuz sinyal sınıflandırması için derin öğrenme modelleri. IEEE Trans. Biliş. komün. Ağ 2018, 4, 433–445.

17. Ding, L.; Wang, S.; Wang, F.; Zhang, W. Konvolüsyonel Sinir Ağları Yoluyla Spesifik Yayıcı Tanımlaması. IEEE Komün. Letonya 2018, 22, 2591–2594.

18. Mesud, S.; Rai, A.; Aggarwal, A.; Doja, MN; Ahmad, M. Konvolüsyonel nöral ağ kullanarak sürücülerin dikkat dağınıklığının tespit edilmesi. Desen Tanıma. Letonya 2018, 139, 79–85.

19. Pan, Y.; Yang, S.; Peng, H.; Aydınlatılmış.; Wang, W. Derin Artık Ağlara Dayalı Spesifik Yayıcı Tanımlaması. IEEE Erişimi 2019, 7, 54425–54434.

20. Qian, Y.; Qi, J.; Kuai, X.; Asmak.; Güneş, H.; Hong, S. Otomatik Tanımlama Sisteminde Çok Seviyeli Seyrek Temsile Dayalı Spesifik Verici Tanımlaması. IEEE Trans. bilgi Adli Tıp Güvenli. 2021, 16, 2872–2884.

21. Du, M.; O, X.; Cai, X.; Bi, D. Dengeli Sinir Mimarisi Araması ve Spesifik Emitör Tanımlamasında Uygulaması. IEEE Trans. Sinyal İşlemi. 2021, 69, 5051–5065.

22. Huang, G.; Yuan, Y.; Wang, X.; Huang, Z. Doğrusal Olmayan Dinamik Özelliklere Dayalı Spesifik Verici Tanımlaması. Olabilmek. J. Elektr. bilgisayar. Müh. 2016, 39, 34–41.

23. Huang, G.; Yuan, Y.; Wang, X.; Huang, Z. Çoklu ölçümler kullanan iletişim vericisi için özel emitör tanımlaması. Tel. Pers. komün. 2017, 94, 1523–1542.

24. Yuan, Y.; Huang, ZT; Wu, H.; Wang, X. Hilbert-Huang dönüşümüne dayalı zaman-frekans-enerji dağıtım özelliklerine dayalı özel emitör tanımlaması. İET Komün. 2014, 8, 2404–2412.

25. Padilla, P.; Padilla, J.; Valenzuela-Valdes, J. RF parmak izine dayalı kablosuz cihazların radyo frekansı tanımlaması. Elektron. Letonya 2013, 49, 1409–1410.

26. Hu, A. Wi-Fi vericisi RF parmak izlerinin giriş tabanlı tespiti. Elektron. Letonya 2010, 46, 1165–1167.

27. Candore, A.; Kocabaş, O.; Koushanfar, F. Kablosuz cihazlar için sağlam kararlı radyometrik parmak izi. 2009 IEEE Uluslararası Donanım Odaklı Güvenlik ve Güven Çalıştayı Tutanakları'nda, San Francisco, CA, ABD, 27–29 Temmuz 2009; 43–49.

28. Dudczyk, J.; Kawalec, A. Veri tabanındaki emisyon kaynağı modelinin hızlı karar tanımlama algoritması. Boğa. Pol. Acad. Bilim-Teknoloji bilim 2015, 63, 385–389.

29. Kawalec, A.; Rapacki, T.; Wnuczek, S.; Dudczyk, J.; Owczarek, R. Darbe İçi Verilere Dayalı Karma Yöntem ve Verici Kaynaklarına Yayılan Emisyon Tanıma. 2006 Uluslararası Mikrodalga Konferansı Tutanakları'nda, Radar Wireless Communications, Krakow, Polonya, 22–24 Mayıs 2006; sayfa 487–490.

30. Demerler, F.; St-Hilaire, M. LTE vericilerinin radyometrik tanımlaması. 2013 IEEE Küresel İletişim Konferansı (GLOBECOM) Bildiriler Kitabında, Atlanta, GA, ABD, 9–13 Aralık 2013; sayfa 4116–4121.

31. Tan, K.; Yan, W.; Zhang, L.; Tang, M.; Zhang, Y. Yazılım Tanımlı Radyo ve Karar Füzyonuna Dayalı Spesifik Yayıcı Tanımlaması. IEEE Erişimi 2021, 9, 86217–86229.

32. Jana, S.; Kasera, SK Saat sapmalarını kullanarak yetkisiz kablosuz erişim noktalarının hızlı ve doğru bir şekilde algılanması hakkında. IEEE Trans. mafya bilgisayar. 2009, 9, 449–462.

33. Conning, M.; Potgieter, F. Spesifik yayıcı tanımlaması için ölçülen radar verilerinin analizi. 2010 IEEE Radar Konferansı Bildiriler Kitabında, Washington, DC, ABD, 10–14 Mayıs 2010; sayfa 35–38.

34. Polak, AC; Goeckel, DL RF osilatör kusurlarına dayalı kablosuz cihaz tanımlama. IEEE Trans. bilgi Adli Tıp Güvenli. 2015, 10, 2492–2501.

35. Polak, AC; Goeckel, DL Yapay bozulma ile kimliklerini aktif olarak maskeleyen kullanıcıların RF parmak izi. Sinyaller, Sistemler ve Bilgisayarlar Üzerine Kırk Beşinci Asilomar Konferansı'nın (ASILOMAR) 2011 Konferans Kaydı Bildirilerinde, Pacific Grove, CA, ABD, 6–9 Kasım 2011; sayfa 270–274.

36. Liu, MW; Doherty, JF Doğrusal olmayan aygıt kestirimi kullanılarak belirli yayıcı tanımlaması. 2008 IEEE Sarnoff Sempozyumu Bildiriler Kitabı'nda, Princeton, NJ, ABD, 28–30 Nisan 2008; s. 1–5.

37. Li, Y.; Chen, X.; Lin, Y.; Srivastava, G.; Liu, S. Cihaz kusurlarına dayalı kablosuz verici tanımlaması. IEEE Erişimi 2020, 8, 59305–59314.

38. Dolatshahi, S.; Polak, A.; Goeckel, DL Güç amplifikatörü kusurları aracılığıyla kablosuz kullanıcıların tanımlanması. Sinyaller, Sistemler ve Bilgisayarlar Üzerine Kırk Dördüncü Asilomar Konferansı 2010 Konferans Kaydı Bildirilerinde, Pacific Grove, CA, ABD, 7–10 Kasım 2010; sayfa 1553–1557.

39. D'Agostino, S.; Foglia, G.; Pistoia, D. Spesifik yayıcı tanımlaması: Gerçek radar sinyali verileri üzerinde analiz. 2009 Avrupa Radar Konferansı Tutanakları (EuRAD), Roma, İtalya, 30 Eylül–2 Ekim 2009; sayfa 242–245.

40. Guo, S.; Beyaz, RE; Düşük, M. Geçici sinyallere dayalı radar yayıcı tanımlamasına ilişkin bir karşılaştırma çalışması. 2018 IEEE Radar Konferansı Tutanakları'nda (RadarConf18), Oklahoma City, OK, ABD, 23–27 Nisan 2018; sayfa 286–291.

41. Talbot, KI; Duley, Halkla İlişkiler; Hyatt, MH Spesifik yayıcı tanımlama ve doğrulama. Teknoloji Rev. 2003, 113, 113–133.

42. Dragomiretskiy, K.; Zosso, D. Değişken mod ayrışımı. IEEE Trans. Sinyal İşlemi. 2013, 62, 531–544.

43. Chang, CI Ortogonal Altuzay Projeksiyonu (OSP) yeniden gözden geçirildi: Kapsamlı bir çalışma ve analiz. IEEE Trans. Geosci. Uzak Algılama 2005, 43, 502–518. ): Richland, WA, ABD, 2007.

45. Mayer, R.; Bucholtz, F.; Scribner, D. Multitemporal hiperspektral ve multispektral görüntülerde hedef imzaları dönüştürmek için beyazlatma/beyazlığı gidererek nesne algılama. Geosci. Uzak Algılama IEEE Trans. 2003, 41, 1136–1142.

46. ​​Kessy, A.; Lewin, A.; Strimmer, K. Optimal Beyazlatma ve İlişki Bozma. Am. İstatistik 2018, 72, 309–314.

47. Bell, AJ; Sejnowski, TJ Doğal sahnelerin "bağımsız bileşenleri" kenar filtreleridir. Vis. Res. 1997, 37, 3327–3338.

48. Srivastava, N.; Hinton, G.; Krizhevsky, A.; Sutskever, I.; Salakhutdinov, R. Dropout: Sinir ağlarının aşırı uyumunu önlemenin basit bir yolu. J. Mach. Öğrenmek. Res. 2014, 15, 1929–1958.

49. Förstner, W.; Moonen, B. Kovaryans matrisleri için bir metrik. Jeodezide - 3. Binyılın Meydan Okuması; Springer: Berlin/Heidelberg, Almanya, 2003; sayfa 299–309.

50. Kulis, B.; Sustik, MA; Dhillon, Bregman Matrix Diverjansları ile Düşük Dereceli Çekirdek Öğrenme IS. J. Mach. Öğrenmek. Res. 2009, 10, 341–376.

51. Herdin, M.; Czink, N.; Özçelik, H.; Bonek, E. Korelasyon Matrisi Mesafesi, Durağan Olmayan MIMO Kanallarının Değerlendirilmesi İçin Anlamlı Bir Ölçü. 2005 IEEE 61. Araç Teknolojisi Konferansı Tutanakları'nda, Stockholm, İsveç, 30 Mayıs–1 Haziran 2005; 1. Cilt, s. 136–140.

52. Kuncheva, LI Altı sınıflandırıcı füzyon stratejisi üzerine teorik bir çalışma. IEEE Trans. Desen Anal. Mak. İstihbarat 2002, 24, 281–286.

53. Proakis, JG; Salehi, M. Dijital İletişim; McGraw-Hill: New York, NY, ABD, 2008.

54. Çevik Vektör Sinyal Üreteci. 2021. (26 Kasım 2021'de erişildi).

55. Viasat Geliştirilmiş Bant Genişliği Verimli SATCOM Modem. 2021. (26 Kasım 2021'de erişildi).

56. Teledyne Paradise Datacom. 2021. (26 Kasım 2021'de erişildi).

57. Kratos RTSİM. 2021. (26 Kasım 2021'de erişildi).

58. Ettus USRP. 2021.

Daha fazla bilgi için: david.deng@wecistanche.com WhatApp:86 13632399501