Abstraktne:Radiomeetriline tuvastamine on signaali omistamise probleem konkreetsele allikale. Selles töös töötatakse valgendamise teisenduse abil välja radiomeetriline identifitseerimisalgoritm. Lähenemisviis paistab väljakujunenud meetoditest silma selle poolest, et see töötab otse IQ toorandmetel ja on seetõttu funktsioonitu. Seetõttu ei kehti tavaliselt kasutatavad mõõtmete vähendamise algoritmid. Idee eeldus on, et andmekogum on valgendavale maatriksile projitseerituna "kõige valgem" kui mis tahes muule. Praktikas ei ole teisendatud andmed kunagi rangelt valged, kuna koolituse ja testi andmed on erinevad. Valgeduse astme määramiseks kasutatakse Förstner-Mooneni mõõdikut, mis kvantifitseerib kovariatsioonimaatriksite sarnasuse. Lähtesignaaliks on valgendusteisendus, mis loob andmestiku minimaalse Förstner-Mooni kaugusega valge müra protsessist. Allikas määratakse enamuse häälte klassifikaatori otsuste alusel kasutatava režiimifunktsiooni väljundiga. Förstneri-Mooni mõõdu kasutamine annab teistsuguse vaatenurga võrreldes maksimaalse tõenäosuse ja eukleidilise kauguse mõõdikuga. Valgendamise teisendus on vastandatud ka uuematele süvaõppe lähenemisviisidele, mis sõltuvad endiselt suurte mõõtmete ja pikkade treeningfaasidega funktsioonivektoritest. On näidatud, et pakutud meetodit on lihtsam rakendada, see ei vaja tunnusvektorit, vajab minimaalset koolitust ja on oma mitteiteratiivse struktuuri tõttu kiirem kui olemasolevad lähenemisviisid.

Asjakohaste uuringute kohaseltcistancheon tavaline ravimtaim, mida tuntakse kui "imerohi, mis pikendab eluiga". Selle põhikomponent ontsistanosiid, millel on erinevad mõjud naguantioksüdant, põletikuvastanejaimmuunfunktsiooni edendamine. Tsistanche ja naha valgendamise vaheline mehhanism seisneb selle antioksüdantses toimescistancheglükosiidid. Inimese nahas sisalduv melaniini toodetakse türosiini oksüdeerumisel, mida katalüüsibtürosinaas, ja oksüdatsioonireaktsioon nõuab hapniku osalemist, seega muutuvad keha hapnikuvabad radikaalid oluliseks melaniini tootmist mõjutavaks teguriks. Tistanche sisaldab tsistanosiidi, mis on antioksüdant ja võib vähendada vabade radikaalide teket organismis, seegamelaniini tootmise pärssimine.

Klõpsake nuppu Kuidas kasutada Cistanche Tubulosa

Lisateabe saamiseks:

david.deng@wecistanche.com WhatApp:86 13632399501

1. Sissejuhatus 

Radiomeetriline tuvastamine on signaali allikale omistamise probleem; sageli kaubamärk või mudel. Allika tuvastamine toimub seadmete RF-sõrmejälgede võtmisega, otsides allkirju, mis võivad tuleneda tootmistolerantsidest, puudustest või tootmise tavalistest statistilistest erinevustest. Signaalide klassifitseerimise ja modulatsiooni tuvastamise alal on tehtud märkimisväärne töö [1,2]. Radiomeetriline identifitseerimine ei sobi siiski kenasti kummassegi kahte kategooriasse. Radiomeetriline tuvastamine on paljuski keerulisem probleem, kuna erinevatest allikatest pärinevatel signaalidel võivad olla sarnased omadused, nagu modulatsioon, bitikiirus, impulsi kuju jne. See asjaolu muudab seadme peened variatsioonid radiomeetrilise tuvastamise peamiseks tunnuseks. Sellised variatsioonid on aga väikesed, märkamatud ja raskesti modelleeritavad. Miks radiomeetriline tuvastamine huvi pakub, on palju küsimusi. Sõjavägi on sellest võimest juba mõnda aega huvi tundnud kui vahendit sõbralike ja vaenulike radarite tuvastamiseks [3,4]. Satelliitsides võib tekkida tahtlik või tahtmatu segamine petturitest allikatest. Häiriva allika ja kaubamärgi teadmine võib aidata tuvastada rikkuvat allikat. Radiomeetriline tuvastamine on ka väärtuslik tööriist traadita seadmete turvalisuse tagamiseks. Traadita võrkudes ja asjade Interneti-seadmetes toimuvaid pettuskatseid saab takistada, kui signaali allikas on tuvastatav ja blokeeritud [5, 6]. Signaalidesse sisseehitatud seadme omadusi on keerulisem jäljendada kui modulatsiooni või impulsi kujundamist.

Radiomeetrilist identifitseerimist saab sõnastada statistilise klassifikaatori kontekstis. Klassikaline lähenemine järgib tunnuste eraldamist ja mõõtmete vähendamist selliste tehnikate abil nagu PCA ja lõpuks mitme diskrimineeriva analüüsi klassifikaator [7, 8]. Artiklis [9] kasutatakse üksikute edastatud signaalide ainulaadsete hajuvate tunnuste eraldamiseks Square Integral Bispectra (SIB), millele järgneb PCA, et eraldada madalamõõtmeline tunnusvektorid. On täheldatud, et pärast mõõtmete vähendamist säilinud tunnused ei pruugi klassifitseerimiseks optimaalsed olla.

[10] pakub välja mõõtmete vähendamise ja sõrmejälgede klassifitseerimise kombineeritud optimeerimise. Idee on juhtida mõõtmete vähendamist, minimeerides klassifitseerimisviga ja maksimeerides samaaegselt vähendatud mõõtmetega tunnuste ja klassi märgistuse vahelist vastastikust teavet. RF-sõrmejälje funktsioonid eraldatakse signaali normaliseeritud hetkeamplituudi, faasi ja sageduse statistikast, mille tulemuseks on kuni 960 mõõtmega tunnusvektorid. Mõõtmete vähendamise probleem jääb siiski alles. Saatja identifitseerimisalgoritmide funktsioonide eraldamine on välja töötatud nii, et see toimiks kas siirdefaasis [11] või püsifaasis [12]. Siirdefaas on signaali analoogolek, mis tekib kohe pärast saatja aktiveerimist, samas kui püsifaasi faasi iseloomustab modulatsioon.

Hiljutisemat tööd radiomeetrilise tuvastamise alal on mõjutanud sügava õppimise (DL) tööriistade tõus. Näited on RF-sõrmejälgede võtmine [13], asjade Interneti-seadmete sõrmejälgede võtmine [14], spektrituvastus [15] ja RF-seadmete tuvastamine kognitiivsetes võrkudes [16]. Kõigis sellistes töödes on endiselt vaja tunnusvektorite eraldamist, millele järgneb aeganõudev mõõtmete vähendamine. Näiteks punktis [10] eraldatud tunnusvektoritel on enne mõõtmete vähendamist 960 dimensiooni. Teisisõnu, põhiprobleem jääb alles. DL-i kasutamine saavutatakse sageli valmistööriistade programmeerimise või mitmesuguste Matlabis rakendatud konvolutsiooniliste närvivõrkude (CNN) rutiinide kasutamisega. Näiteks tuvastatakse tihendatud bispekter funktsioonina ja seejärel kasutatakse seda kolmekihilise CNN-i koolitamiseks [17]. Erinev on kihtide arv, koputused, filtrid, aktiveerimisfunktsioonid jne. Veel üks näide selle kohta on esitatud artiklis [18], kus Kerase API-t kasutatakse koos TensorFlow'ga taustaprogrammis, et eristada segaseid draivereid. Dokumendis [15] on DL rakendatud RF-seadmete sõrmejälgede võtmiseks kognitiivsetes Zigbee võrkudes, kasutades treening- ja testiandmetena aja-domeeni kompleksi põhiriba veasignaali. Tulemused näitavad head täpsust (≈90 protsenti), kuid kõrgel SNR-il (suurem kui 20 dB või sellega võrdne). Artiklis [19] on sisendandmed eeltöödeldud Hilberti spektri hallskaala kujutistena ja need saavutavad vastuvõetava täpsuse mõõduka SNR-taseme korral (keskmine 70-protsendiline täpsus SNR-i puhul 15 dB). Erinevate DL-algoritmide põhjalik jõudluse võrdlus on esitatud dokumendis [13], mis annab 12 saatja puhul mõõdetud keskmiseks täpsuseks 98%.

Asjaolu, et ML töötab palju väiksematel andmekogumitel ja nõuab palju vähem treeningaega võrreldes DL-ga (treeningtunnid [15]), annab mitmekülgsemalt signaali omaduste muutustest, mis toimuvad erinevates keskkonnatingimustes (ülekuumenemine, liigne vool jne). , mis võib tugevalt mõjutada klassifikatsiooni valitud funktsiooni. See ML-i (andmepõhise) omadus võimaldab funktsioonide kiiret värskendamist ja tulemuseks on pikas perspektiivis täpsem klassifitseerimine. Lisaks võimaldab väiksem keerukus võrreldes DL-ga lihtsamat riistvara juurutamist ja kiiret lennu ajal klassifitseerimist.

Spetsiifiline emitteri identifitseerimine (SEI) on teine ​​​​radiomeetrilise tuvastamise paradigma [20–22]. SEI lähenemisviis püüab tuvastada signaali ainulaadset saatjat, kasutades ainult väliseid tunnuste mõõtmisi [22]. SEI-d rakendatakse kahes etapis: (1) signaali mööduv olek ja (2) püsiseisund. Transientne lähenemine kehtib signaali sisseehitatud konkreetsete signatuuride puhul, kui saatja võimsus üles või alla käib [23, 24]. Mööduvaid lähenemisviise on raskem rakendada andmete kättesaamatuse või mööduva olemuse tõttu, mis pole sageli juurdepääsetavad ega salvestatud. Püsiseisundi lähenemisviis viitab perioodile, mil siirded on stabiliseerunud. Saadaolevate funktsioonide hulka kuuluvad muu hulgas modulatsioon ja preambul [25,26]. Modulatsioonipõhistes tehnikates võrreldakse vastuvõetud ja sihtmärkkonstellatsioone, kus erinevus loob raadiosagedusliku sõrmejälje [27]. Kiire otsuse tuvastamise algoritm ilmub [28]. Identifitseerimine põhineb signaalivektori sarnasusel ja selle võrdlemisel andmebaasis saadaolevate mustritega. See lähenemine on klassifitseeritud radari tuvastamisel kasutatava SEI näitena. Algoritmi rakendati sadadele radarisignaalide kirjetele, mis pärinesid mitut erinevat tüüpi radaritest. Mõnel juhul uuriti sama tüüpi radari koopiaid. Kaaludes kõiki funktsioone võrdselt, on radaritüüpide tuvastusmäär 85 protsenti. [29] ilmub elektromagnetkiirgusel ja impulsisisesel analüüsil põhinev radari tuvastamise segameetod. Eelduseks on see, et elektroonilised seadmed annavad edastatavale impulsile elektrilised omadused. Signaalimudeliks on N mittekattuvat tõuget K saatjatelt. Kasutatakse lineaarset diskrimineerimisanalüüsi. Tundmatu impulsi klassifitseerimiseks kasutatakse nelja kauguse mõõdikut. Teatavasti tuvastatakse edukalt kolm sama tüüpi radari koopiat.

Samuti pakub huvi sideprotokollide radiomeetriline tuvastamine. LTE-protokolli kasutavate allikate tuvastamine on esitatud artiklis [30, 31]. Tuvastamine põhineb saatjate unikaalsetel modulatsiooniomadustel, mis tulenevad raadioriistvara valmistamisel tekkinud väikestest puudustest. Radiomeetrilise tuvastamise allkirjana on kasutatud seadme puudusi, sealhulgas kella värinat [32], digitaal-analoogmuundurite (DAC) tõrkeid [33], lokaalset sagedussüntesaatorit [34], võimsusvõimendi mittelineaarsust [35–37]. . Võimsusvõimendi puudusi kasutatakse ka allika tuvastamiseks [38]. Emitteri tuvastamiseks kasutatakse tõelisi radarisignaale [39].

Täiesti erinev rakendus radiomeetriliseks tuvastamiseks on radar. Kuigi saatjad võivad kuuluda sama tüüpi radaritesse, võivad nende edastatavad impulsid erineda. Artiklis [33] kasutatakse kolme radariklassi tuvastamiseks 18 tunnust. Võrreldakse viit radarisignaali transientidel põhinevat radari emitteri tuvastamise sõrmejälge. Traditsioonilised tehnikad hõlmavad raadiosagedust (RF), impulsi amplituudi, impulsi laiust, tahtlikku impulsi modulatsiooni tüüpi või impulsi korduste intervalle. [40]-s kasutatakse emitteri lainekuju tahtmatut modulatsiooniteavet RF-sõrmejälgedena, et siduda vastuvõetud signaal ja sellele vastav emitter. Tahtmatu impulssmodulatsioon (UMoP) on meetod, mis kasutab ära saatja riistvara, sealhulgas võimsusvõimendite valmistamise erinevustest tulenevaid variatsioone. UMoP on nagu emitteri sõrmejälg ja suudab tuvastada sama mudeli saatjaid [41]. Variatsiooniline režiim Jagunemine radari tuvastamiseks on esitatud dokumendis [42]. Andmekogum koosneb 47 emitterist. Mõned neist emitteritest olid sama radari toodang. Tulemused näitavad, et efektiivne SNR väärtus peaks olema umbes 47 dB, et saada õige klassifitseerimise tõenäosus, mis on suurem kui 0,9.

2. Radiomeetrilise identifitseerimise raamistik

Enne valgendava teisenduse rakendamist korrigeeritakse vastuvõetud signaali esmalt faasinihke, ostsillaatori sageduse nihke ja sümboli ajastuse vigade suhtes. Valgendav teisendus on ortogonaalne projektsioon, mis põhineb PCA variatsioonil ja on seotud ortogonaalse alamruumi projektsiooniga [43]. Treeningandmete põhjal hinnatakse üks valgendava teisendusmaatriks allika kohta. Signaali kohta pole vaja teada modulatsiooni tüüpi, sagedust, faasi ega midagi muud. Tundmatu allika tuvastamine põhineb tähelepanekul, et andmekogum on valgendavale maatriksile projitseerituna "kõige valgem" kui mis tahes muule, seega sobitatud valgendamisele. Tundmatute andmete projekteerimine valgendamisele muudab ja valgendab andmed ainult siis, kui valgendusmaatriksi ja andmete vahel on vastavus. Isegi kui andmed vastavad valgendava teisendusega, ei ole prognoositavad andmed kunagi tõeliselt valged. "Valgesuse" mõõdik töötatakse välja, valides kovariatsioonimaatriksite võrdlemiseks lahknevuse mõõdiku. See mõõt on võrdlus- ja testkovariatsioonimaatriksite ühiste omaväärtuste ruudulogaritmide summa; Förstner-Mooneni distants. Valgendamine on signaali tuvastamisel hästi tuntud ja seda kasutatakse sageli valgendamise sobitatud filtrina. Eesmärk on müranäidiste dekoreerimine filtri väljundis. WMF-i 3D-rakendust kasutatakse hüperspektraalsete kujutiste keskkonnamõjude uurimiseks [44]. Objekti tuvastamine valgendamise / valgendamise abil sihtmärgi allkirjade muutmiseks multitemporaalses hüperspektris ilmub artiklis [45]. Selliste valgendamisviiside näited kehtivad enamasti signaali ja objektide tuvastamise kohta ega ole siinkohal välja pakutud radiomeetrilise tuvastamise jaoks asjakohased.

2.1. Valgendav transformatsioon

Olgu X ∈ Rp×n andmemaatriks, mis koosneb p muutuja n mõõtmisest kovariatsioonimaatriksiga Σ. Statistiline valgendamine on lineaarne teisendus, mis teisendab andmed nii, et Y=WX kovariatsioonimaatriks on identiteedimaatriks. Valgendav teisendusmaatriks ei ole ainulaadne. Tegelikult mainib [46] viisteist erinevat projektsioonimaatriksit, mis valgendavad andmeid, millest silmapaistvamad on PCA ja ZCA valgendamine [47]. Täpsemalt

kus U ja Λ on omavektorite ja omaväärtuste maatriksid kovariatsioonimaatriksi Σ=UΛU T dekomponeerimisel. Valgendavad teisendused toodavad dekoratsiooniga seotud andmeid, kuid milleks? Veelgi olulisem on see, millist rolli mängib valgendamine radiomeetrilises tuvastamises? See on koht, kus sobitatud valgendusteisendus erineb praegusest PCA kasutamisest radiomeetrilises tuvastamises. PCA on kõige paremini tuntud andmete tihendamise poolest, suunates Y komponentide eemaldamist ebaolulise energiaga. Allesjäänud omadused ei pruugi olla klassifitseerimiseks parimad. Kuid peaaegu kõik PCA-põhised radiomeetrilised klassifitseerimismeetodid kasutavad andmete klassifitseerimiseks funktsioone, mis säilivad tihendamisel järgnevas eristusfunktsioonis. ZCA-le on lisatud nullfaasi omadus, tühistades PCA põhjustatud pöörlemise. Kumbki neist kahest ei kehti siin. Korreleerimata andmete loomine on eeltöötlusetapp, millest eraldatakse madalama mõõtmega funktsioonivektorid. Mõõtmete vähendamine ei kehti IQ proovide kohta, kuna alguses on ainult kaks mõõdet ja need on juba suuresti seotud dekoratsiooniga. PCA-d on kasutatud ka süvaõppes, kiirendades konvolutsiooniliste närvivõrkude konvergentsi [48].

2.2. Klassifikatsioon sobitatud valgendamise järgi

Andmed on korraldatud N × M maatriksis X=[x1, x2, . . . , xM], xi ∈ RN×1 kus M on mõõtmiste arv ja N on muutujate või mõõtmete arv. IQ andmete puhul on N=2 ja M kirjes olevate sümbolite arv. Olgu Wi , i=1, 2, . . . , m on valgendamise teisendusmaatriksid m lähtesignaali jaoks {c1, c2, . . . , cm}. Klassist sõltuvad valgendusmaatriksid arvutatakse treeningandmete põhjal võrguühenduseta. Kuna IQ andmeid mõjutavad faasi- ja sagedusnihked, tuleb andmeid enne valgendusmaatriksite arvutamist korrigeerida. Testiandmed jagatakse statistika genereerimiseks kasutatavateks plokkideks. Puudub "õige" ploki pikkus. See sõltub faasi muutumise kiirusest, sageduse nihkest või Doppleri nihkest. Mittelineaarse faasinihke korral valitakse ploki pikkused piisavalt lühikesed, et kindlustada faasi hindamise ajal statsionaarse faasi lähedal. Lisateavet sageduse nihke ümberpööramise ploki pikkuse valimise kohta leiate jaotisest 3.

Selle punkti illustreerimiseks luuakse kolm mitme muutujaga normaalset populatsiooni, mis on näidatud joonisel 1a. 3. andmekogumit (mustalt) kasutatakse "tundmatu" allikana ja see projitseeritakse korduvalt Wi, i=1, 2, 3-le. Pärast iga projektsiooni joonistatakse hajuvusdiagramm ja seda näidatakse joonisel 1 bd. Kui 3. rühma andmed valgendatakse W1-ga, joonis 1b, kuvatakse projitseeritud andmete peatelg projektsioonimaatriksi peatelje suhtes nurga all. See näitab, et andmed ja valgendusmaatriks ei ühti. Korduvad projektsioonid annavad joonised 1b–d. Alles joonisel fig 1d annab valgendamise teisendus ümmarguse hajuvusdiagrammi. Projektsioon, mis toodab kõige vähem korrelatsiooniandmeid, identifitseerib kaubamärgi. See omadus näitab, et tundmatute andmete allikas ühtib 3. rühma valgendava teisendusega. Detektorit saab rakendada joonisel 2 näidatud paralleelselt sobitatud filtrite pangana.

2.3. Valgendusmeetme väljatöötamine

Tundmatute andmete valgendava maatriksiga sidumisel on mitmeid probleeme. Esiteks on tegelike andmete IQ komponendid juba üsna dekorreleeritud, nii et valgendamine ei pruugi tuua olulist täiendavat dekorrelatsiooni. Teiseks luuakse punktis (1) määratletud alamruum treeningandmetest võrguühenduseta. Testiandmed on aga erinevad isegi siis, kui need pärinevad treeningandmetega samast populatsioonist. Kui kasutatakse treeningkomplektist erinevaid andmeid, on andmete valgendamine ligikaudne. Peamine omadus on see, et tundmatute andmete kovariatsioonimaatriks sarnaneb identiteedimaatriksiga, kui see projitseeritakse selle alamruumi rohkem kui mis tahes muusse. Kolmandaks, kuidas mõõta "valgedust". See on probleem kovariatsioonimaatriksi sobitamisel [49].

Kahe sümmeetrilise positiivse kindla kovariatsioonimaatriksi vaheliste kauguste mõõtmiseks on suvaline arv mõõdikuid. Nende hulka kuuluvad muu hulgas KL lahknemine, Eukleidiline kaugus, ruudus Frobeniuse norm, Bhattacharyya kaugus, Bregmani maatriksi lahknemine ja LogDet [50]. Selles töös kasutame kahe kovariatsioonimaatriksi sarnasusmõõtjana Förstner-Mooni meetrikat [49]. Lähtepunktina uuritakse hästi tsiteeritud korrelatsioonimaatriksi kauguse (CMD) mõõdikut [51] ja Kullback-Leibleri mõõdikuid. Sarnasuse määratlus puudub, kuid kolm on korrelatsiooniga monotoonsed ja seega kehtivad mõõdikud. Võrdluseks oleme üksteise peale asetanud CMD, KL ja Förstner-Mooneni süžeed. Graafikud kuvatakse hiljem joonisel 3a. Ootuspäraselt suureneb paaridevaheline kaugus korrelatsiooni suurenedes, mis tähendab, et korrelatsioonimuutujate kovariatsioonimaatriks on diagonaalsest kovariatsioonimaatriksist kaugemal. Tähelepanuväärne on, et KL-i mõõt kattub praktiliselt Förstneri-Mooni mõõdikuga, mis õigustab selle kasutamist sarnasusindeksina.

kus λi(A, B), A ja B ühised omaväärtused, on |λA − B| juured=0. Valgendava teisenduse kontekstis on võrdluskovariatsioonimaatriks identsusmaatriks A=I ja B=cov(Yi) on Wi-ga valgendatud tundmatute andmete kovariatsioonimaatriks. Seetõttu taanduvad ühised omaväärtused lihtsalt tundmatute andmete mõõdetud kovariatsioonimaatriksi B omaväärtusteks.

Klassifikaator, mis põhineb (3) on enamuse või paljususe häälte klassifikaator [52], mida reguleerivad reeglid h1, h2, . . . , hm. Reeglid on liikmelisuse funktsioonid. Arvestades Xi tundmatu allika mõõtmisi,

kus p on plokkide arv. Režiimifunktsioon on arv, mis esineb komplektis kõige sagedamini, st hj(Xi) on arv, mitu korda Xi hääletatakse JC-sse kuuluma. Tundmatu mõõt Xi liigitatakse enim hääli saanud klassiks. Seda protsessi on kujutatud joonisel 2. See on "kõva" hääletamise näide. Alternatiiviks on "pehme" hääletamine, kus klassidesse määramise sagedus säilib.

Algoritmi arvutuslik keerukus koosneb valgendavast maatriksist, valgendavast teisendusest ja omaväärtuse lagunemisest. Kui X ∈ Rd×M, kus d on muutujate arv ja M on mõõtmiste arv, on valgendamise teisenduse keerukus O(d2M pluss d3), valgendamise teisendus on O(d2M) ja omajagunemine on O(d3) . IQ signaali esitusega d=2 ja see on kogu ulatuses konstantne. Seetõttu vähendab iga ülaltoodud keerukus lõppkokkuvõttes üldist keerukust O(M)-ni. st lineaarne mõõtmiste arvuga.

3. Faasi ja sageduse nihke ümberpööramine

Esimene väljakutse on radiomeetrilised identifitseerimispinnad enne algoritmi rakendamist. Signaalid tehakse sageli kättesaadavaks korrigeerimata faasipöördega. Pöörlemisi on kahte tüüpi. Fikseeritud pöörlemise põhjustab tugikandja konstantne faasinihe. Ajaliselt muutuv pöörlemine on põhjustatud tugikandja sageduse mittevastavusest. Mittevastavus võib olla seotud riistvaraga või Doppleri põhjustatud. Mõlemal juhul on see teadmata kogus. Sageduse mittevastavus, mida nimetatakse nihkesageduseks fd, põhjustab vastava ajas muutuva faasi, mille tulemuseks on konstellatsiooni määrdumine. See erineb fikseeritud faasinihkest, mis põhjustab kogu tähtkuju pöörlemise. Joonis 4 näitab ajas muutuvat faasinihet kahe SNR taseme all. Enne radiomeetrilist identifitseerimist tuleb ümber pöörata nii fikseeritud kui ka ajaliselt muutuvad pöörded.

3.1. Taust

Radiomeetrilise identifitseerimise kirjanduses ei ole alati käsitletud faasi- ja sagedusnihke korrigeerimist enne allika tuvastamist [17]. Traditsiooniline lähenemine kandefaasi taastamisele on võimsusseaduse meetod [53]. Signaali tõstmine võimsusele M. loob tooni M-kordse nihkesageduse juures, mida saab kasutada konstellatsioonist kõrvalekaldumiseks. Kuid see meetod töötab ainult fikseeritud faasi nihkete puhul. Siin esitatud lähenemisviis eraldab suvalised faasitrajektoorid, sobitades mudeli mitme signaalisegmendi faasipunktide maksimaalse tõenäosuse hinnanguga. Faasitrajektoori hinnatakse esmalt signaali segmentide põhjal, mis on piisavalt lühikesed, et faasi saaks lugeda paigalseisvaks; sisuliselt faasipilt ajas. Vähimruutude abil faasinurkadele sobitatud joone kalle on võrdeline nihkesagedusega. Lisaks käsitleb vähimruutude sobivuse meetod mittelineaarseid faasitrajektoore, mis on põhjustatud teist järku nihkesageduse efektist. Võimuseaduse meetodiga pole see võimalik.

3.2. Signaali mudel

Faasinihke diskreetne mudel on {θk=2π fd t, t=kTs, k=1, 2, . . . K} kus Ts on sümboli pikkus ja K on sümbolite arv plokis, mida kasutatakse faasipöörde hindamiseks. Järjestikused sümbolid pöörlevad 2π võrra ja sobivad radiaaniga oma nimiasenditest eemale. See liikumine moodustab aja jooksul kaare, põhjustades seega joonisel 4 näidatud määrdumisefekti. Selle pöörlemise korrigeerimiseks tuleb leida θk, ˆθk hinnang ja kasutada seda fd taastamiseks ja sümboliploki kõrvalekaldumiseks. Maksimaalne sümboli pööramine üle ploki on T=KTs.

Nihkesageduse hinnangu saab saavutada, hinnates esmalt faasitrajektoori. θ(t) hindamine viiakse läbi lühikeste plokkide kaudu pikkusega T, et tagada faasi paigalseis, st {θ(t) ≈ θk, t ∈ T}. Seetõttu on iga andmeploki kohta üks faasihinnang. Suurus fdT on tähtkuju murdosaline pöörlemine üle 2π ploki pikkuse T korral. Seda suurust tuleb hoida väikesena kahel põhjusel. Üks väiksem fdT tähendab faasikõvera peenemat diskreetimist. See on oluline faasi mittelineaarsuse jäädvustamiseks tükipõhise lineaarse modelleerimise teel. Kaks suurt fdT-d suruvad sümbolid nende algsest sümbolikvadrandist kaugemale. Seda efekti on näha joonisel 4b, kus esimeses kvadrandis olevad sümbolid on lükatud teise kvadrandi. Mis moodustavad lühikesed või pikad lõigud, on selgitatud järgmises jaotises.

Lisateabe saamiseks: david.deng@wecistanche.com WhatApp:86 13632399501