Signaalide radiomeetriline identifitseerimine valgendava teisenduse järgi, 2. osa
Apr 13, 2023
4. Tulemused
Cistancheomab funktsioonisoodustades kollageeni tootmist, mis võib suurendada naha elastsust ja läiget ningaitab parandada kahjustatud naharakke. Cistanche fenüületanooli glükosiididomavad olulist allareguleerivat mõjutürosinaasaktiivsus ning mõju türosinaasile on konkureeriv ja pöörduv inhibeerimine, mis võib anda teadusliku aluse Cistanche valgendavate koostisosade väljatöötamiseks ja kasutamiseks. Seetõttu on cistanche'il võtmerollnaha valgendamine. See võibinhibeerib melaniinitootmine värvimuutuse ja tuhmumise vähendamiseks; ja soodustavad kollageeni tootmist, et parandada naha elastsust ja sära. Tänu cistanche'i nende mõjude laialdasele tunnustamisele on paljud nahka valgendavad tooted hakanud lisama taimseid koostisosi, nagu Cistanche, et rahuldada tarbijate nõudlust, suurendades seeläbi Cistanche'i kaubanduslikku väärtust.nahka valgendavad tooted. Kokkuvõttes on tsistanši roll naha valgendamisel ülioluline. Selleantioksüdantefekt ja kollageeni tootvad toimed võivad vähendada värvimuutust ja tuhmust, parandada naha elastsust ja läiget ning saavutada seeläbi valgendava efekti. Samuti näitab Cistanche laialdane kasutamine nahka valgendavates toodetes, et selle rolli kaubanduslikus väärtuses ei saa alahinnata.

Klõpsake valikul Cistanche Tubulosa Supplement
Lisateabe saamiseks:
david.deng@wecistanche.com WhatApp:86 13632399501
Selles jaotises rakendatakse kavandatud radiomeetrilist identifitseerimist, kasutades simuleeritud ja tegelikke andmeid. Esiteks korrigeeritakse andmeid nihkesageduse suhtes ja neid kasutatakse ajas muutuva faasinihke ümberpööramiseks. Teiseks rakendatakse väljapakutud algoritmi, mida juhib reegel (6), tekitades segadusmaatrikse.

4.1. Signaali faasi ja nihkesageduse korrigeerimine
Andmeid simuleeritakse QPSK signaali jaoks, mis on allutatud kohaliku ostsillaatori sagedusnihkele. Tabelis 1 on näidatud simulatsiooni parameetrid.

Joonisel 5 on kujutatud hetkeliste faasiväärtuste kogumise ja mudeli sobitamise etapis kasutamise protsessi. Seda sammu võib seletada ka faasikõvera valimi võtmisega. Ploki sümbolifaasid histogrammitakse, millele järgneb polünoomi sobitamine. Polünoomi tipp on k-nda ploki jaoks ˆθk. Seda sammu korratakse mitmes plokis ja see on näidatud joonistel 5a–f. Hinnangulised faasid { ˆθk, k=1, 2, . . . , M} määravad lineaarse faasitrajektoori, mille kalle määrab fd. Joonis 6 on faasimudeli vähimruutude sobivus andmetega. Joonised 6a ja b vastavad SNR-ile vastavalt=20 dB ja 10 dB. Joonis 6c illustreerib, et ka mittelineaarset faasitrajektoori saab modelleerida ja jälgida. Hinnanguline f ˆ d=0.0505 Hz ja f ˆ d=0.0455 Hz vastavalt SNR=20 dB ja 10 dB korral. Tõeline nihkesagedus on 0,05 Hz.


Sümbolid pöörlevad ploki pikkuses 2π fdT radiaani võrra. See pöörlemine peab jääma väikesele osale kvadrandist, kuhu sümbolid kuuluvad. Näiteks QPSK-s on iga kvadrant π/2 radiaani. Õige ploki pikkus juhindub faasihistogrammide modaalsusest. Selge tipuga unimodaalne faasihistogramm näitab, et faasimuutused jäävad nimiväärtuse lähedale, joonis 7a. Suure 2π fdT korral, kas suure fd või pika ploki pikkuse T tõttu, muutub histogramm multimodaalseks ilma selgete piikideta, joonis 7b. Teiseks suure fdT puuduseks on 2π faasi ebaselgus, kus sümbolid liiguvad ringi ümber mitu perioodi.

4.2. Radiomeetriline identifitseerimine
Nüüd rakendame pakutud radiomeetrilist identifitseerimismeetodit signaalidele, mida genereerivad järgmised lainekuju generaatorid või standardid: Agilent [54], Viasat EBEM [55], Teledyne Paradise [56], KRATOS Real-Time Channel Simulator (RTsim) [57], ja USRP [58]. Andmetel on QPSK modulatsioon, mis on võetud sagedusel 2,95 MHz, kokku 35 miljoni sümboli jaoks mudeli kohta. Joonistel fig 8a ja b on kujutatud signaalide konstellatsioone, mida mõjutavad erineval määral määrdumised. Joonis fig 8b on eriti tõsine juhtum, kuna suur fdT toode põhjustab sümbolite pöörlemise potentsiaalselt 2π kordajatena. Pärast fdT hindamist ja sümbolite deroteerimist taastatakse algne tähtkuju joonisel 8c. Joonis 9 on kuue tähtkuju lähivõte pärast kõigi faasi- ja sagedusnihkete eemaldamist. Nüüd on ülesanne omistada signaalid üksikutele allikatele. Arvestades tähtkujude struktuuri ja omaduste sarnasust, on selge, et radiomeetriline identifitseerimine on palju keerulisem probleem kui tavaline signaalide klassifitseerimine, mis põhineb modulatsiooniteabel.


4.3. Klassi segaduse maatriksid
Klassifikaatori treenimine hõlmab 5 sobitatud valgendusmaatriksi Wi, i=1, 2, . . . , 5. Andmed koosnevad 35 miljonist sümbolist, mis on võetud viiest erinevast raadiost pärinevatest QPSK-moduleeritud signaalidest. Treeningkomplekt koosneb 5 × 105 sümbolist, mis on umbes 1,4 protsenti koguandmetest. Enamushääle klassifikaator vajab hääletusskeemi. Hääled genereeritakse andmete jagamisel 72 plokki, millest igaühes on 5 × 105 näidist. Iga plokk genereerib ühe hääle, mis seejärel tabelitakse kogu signaali pikkuse ulatuses. Testiplokid on võetud "tundmatust" allikast, mis on rikutud Gaussi müraga ja projitseeritakse korduvalt igale allikale vastavatele valgendusmaatriksitele. Förstner-Mooneni kaugust kasutatakse režiimi funktsiooni arvutamiseks punktis (6), mis viib segadusmaatriksite koostamiseni.
Enne segadusmaatriksite loomist tuleb uurida Förstner-Mooni kaugusmõõturi käitumist. Vastavalt (3) väheneb protsessi üha valgemaks muutudes valgendatud kovariatsioonimaatriksi ja identsusmaatriksi vaheline Förstneri-Mooni kaugus. Valge müra teoreetiline minimaalne kaugus on null. Selle käitumise testimiseks luuakse kaks reguleeritava korrelatsioonikoefitsiendiga juhuslikku muutujat, mis asetatakse kaheveerulisesse maatriksisse. Selle maatriksi kovariatsioon arvutatakse korrelatsiooniväärtuste funktsioonina ja joonistatakse vastav Förstner-Mooni kaugus. Tulemused on toodud joonisel 3. Nagu jooniselt 3a on näha, on kaugus korrelatsiooni kasvav funktsioon, mis peegeldab seda, et kovariatsioonimaatriks eemaldub valge müra protsessi maatriksist korrelatsiooni suurendamiseks. Seda oodatakse. Förstner-Mooneni mõõtmise teine omadus on see, et tundmatud andmed on valge müra protsessile lähemal valgendamisel kui ükski teine, seega sobitatud valgendamine. Selle omaduse näitamiseks valgendatakse Agilenti andmed valgendusmaatriksiga ja seejärel Viasat EBEM-i valgendusmaatriksiga. Kaugusarvutused tehakse üle 40 andmeploki ja kantakse joonisele 3b. Silma torkab see, et Agilenti andmete Förstner-Mooneni kaugus on peaaegu alati väiksem kui Viasati EBEM-i valgendusmaatriksi kasutamisel. Selline käitumine on ootuspärane, mis tähendab, et iga kord, kui see juhtub, tehakse õige otsus. See arv on sisuliselt kõigi allikate segaduste maatriksite täitmise aluseks.

Ülaltoodud tähelepanekuid järgides saab nüüd arvutada vastavad segadusmaatriksid ja need on näidatud tabelis 2. Numbrid näitavad iga allika kohta antud õigete häälte protsenti 72 testiandmete kaadril. Pange tähele, et (6) režiimi klassifikaator otsib võitja valimiseks palju hääli. See on raske hääletusskeem. Näiteks Paradiis on saanud vaid 77,1 protsenti häältest, kuid tundmatu signaal liigitatakse endiselt õigesti Paradiisiks. Seetõttu näitab tabel 2 100 protsenti õiget klassifikatsiooni. Segadusmaatriksit saab kasutada ka pehme hääletusskeemi puhul, säilitades tegelikud häälteprotsendid.
Järgmisena uurime väiksemate andmekogumite ja lisatud müra mõju, mis ületab juba andmetes sisalduvat. Valimi kogumaht on nüüd 107, mis on jagatud veerand miljonist proovist koosnevateks plokkideks, millest igaüks on alla 100 msek. See pikkus genereerib 40 plokki, mida kasutatakse klassifikatsioonistatistika saamiseks segadusmaatriksite kujul. Tabel 3 näitab tulemusi @ SNR=15 dB lisatud Gaussi müra. See ületab juba andmetes sisalduvat. Kõik allikad on õigesti tuvastatud, välja arvatud KRATOS RTSim, mis on identifitseeritud kui Teledyne Paradise. Isegi siis jääb 2,5-protsendiline erinevus jooksu statistiliste variatsioonide piiresse. Protsentuaalsed õiged klassifikatsiooninumbrid iga allika kohta näitavad suurt langust võrreldes tabeliga 2, kuid enamushääletusskeem teeb siiski õige otsuse, ehkki väiksema marginaaliga. Näiteks seostatakse Agilenti andmeid õigesti Agilentiga ainult 30 protsenti ajast, kuid see on siiski suurem kui teistel. Tabelites 4 ja 5 korratakse protsessi SNR=5 dB ja 0 dB korral. Kuigi määrad ja marginaalid on madalamad, valib enamushääletuse skeem ikkagi õige klassi. Kui marginaalid on väikesed, mängib statistiline varieeruvus allika õigel tuvastamisel rolli. Pange tähele, et USRP suur varu tabelis 2 aitab tal suurel määral säilitada õiget identifitseerimist isegi 5 dB SNR juures tabelis 4. Et näidata, kui kohutav olukord on, joonisel 10 on näidatud SNR=5 dB müra konstellatsioon. Identifitseerivate tunnuste puudumine on ilmne läbivalt. Pange tähele, et RTSim ja Paradise on omavahel seotud. See raskus kajastub loomulikult ka tabelis 4, kuid õige tuvastamine on siiski võimalik. Viiest allikast neli on õigesti tuvastatud ja viies on võrdsed. Tabel 5 on SNR=0 dB äärmuslik juhtum. EBEM ja Paradise on endiselt õigesti tuvastatud.



4.4. Võrdlused
SVM-i, CNN-i ja D(eep)NN-i põhjalik võrdlus on esitatud kuue raadio kohta [13]. Õiged klassifikatsioonimäärad on 44,8 protsenti (SVM), 82,4 protsenti (CNN) ja 71,9 protsenti (DNN). Kuid radiomeetrilise identifitseerimise aktsepteeritud etalonide puudumisel, mida pole olemas, ei ole puhtad numbrilised võrdlused veenvad. Arvestatakse selliseid tegureid nagu algoritmi keerukus, töötlemiskiirus, treeningandmete suurus ja muud eeldused ning võrdlemine on keeruline. Isegi raadiote või protokollide valik pole tavaline. Väljaandes [13] teatatud koolitusvalimi suurus on 10 protsenti, siin aga 1,4 protsenti. Veelgi olulisem on see, et operaatori taastamisetapist ei teatatud. Eeldades täiuslikku faasi ja sageduse joondust kohalikus ostsillaatoris, ei ole siin kirjeldatud tähtkuju määrimist leevendatud. See on märkimisväärne väljajätmine. Samuti pole süsteemis müra. Teine tegur on suure mõõtmega tegelemine. Valgendav teisendus on tunnusteta, jättes seega mööda mõõtmete vähendamisest, samas kui punktis [10] eraldatud tunnusvektoritel on 960 dimensiooni. RF-seadmete sõrmejäljed kognitiivsetes Zigbee võrkudes näitavad head täpsust (≈90 protsenti), kuid kõrge SNR-i korral (suurem kui 20 dB või sellega võrdne) [15]. 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).
5. Kokkuvõtted

Viited
1. Nandi, AK; Azzouz, EE Sidesignaalide automaatse modulatsiooni tuvastamise algoritmid. IEEE Trans. Commun. 1998, 46, 431–436.
2. Phukan, GJ; Bora, PK Digitaalsete modulatsioonide pimeklassifikatsiooni parameetrite hindamine. IET signaaliprotsess. 2016, 10, 758–769.
3. Ata'a, AW; Abdullah, SN Radarisignaalide ja PRF-tuvastusalgoritmide deinterleaving. IET Radar Sonar Navig. 2007, 1, 340–347.
4. Gok, G.; Alp, YK; Arikan, O. Uus meetod spetsiifiliste emitterite tuvastamiseks tegelike radarimõõtmiste tulemustega. IEEE Trans. Info Kohtuekspertiisi turvalisus. 2020, 15, 3335–3346.
5. Sa, K.; Lang, D.; Wang, C.; Bai, Y. Spetsiifilised emitterite tuvastamise tehnikad asjade Interneti jaoks. IEEE Access 2020, 8, 1644–1652.
6. Wu, H.; Wang, W. Asjade Interneti süsteemide mänguteoorial põhinev koostööturbe tuvastamise meetod. IEEE Trans. Info Kohtuekspertiisi turvalisus. 2018, 13, 1432–1445.
7. Padilla, J.; Padilla, P.; Valenzuela-Valdés, J.; Ramírez, J.; Górriz, J. RF-sõrmejälje mõõtmised seadmete tuvastamiseks traadita sidevõrkudes funktsioonide vähendamise ja alamruumi teisendamise põhjal. Mõõtmine 2014, 58, 468–475.
8. Bihl, TJ; Bauer, KW; Temple, MA funktsioonide valik RF-sõrmejälgede võtmiseks koos mitme diskrimineeriva analüüsiga ja ZigBee seadme emissioonide kasutamisega. IEEE Trans. Info Kohtuekspertiisi turvalisus. 2016, 11, 1862–1874.
9. Xu, S.; Huang, B.; Xu, L.; Xu, Z. Raadiosaatjate klassifitseerimine, kasutades uut hajuvate omaduste analüüsi meetodit kombineerituna PCA-ga. In Proceedings of MILCOM 2007-IEEE Military Communications Conference, Orlando, FL, USA, 29.–31. oktoober 2007; lk 1–5.
10. Jia, Y.; Ma, J.; Gan, L. Radiomeetrilise identifitseerimise funktsioonide vähendamise ja klassifikatsiooni kombineeritud optimeerimine. IEEE signaaliprotsess. Lett. 2017, 24, 584–588.
11. Danev, B.; Capkun, S. Juhtmeta andurite sõlmede mööduv identifitseerimine. 13.–16. aprillil 2009, San Francisco, CA, USA, 2009. aasta rahvusvahelise konverentsi teabetöötluse andurivõrkudes toimetistes; lk 25–36.
12. Kennedy, IO; Scanlon, P.; Mullany, FJ; Buddhikot, MM; Nolan, KE; Rondeau, TW raadiosaatja sõrmejälgede võtmine: püsioleku sagedusdomeeni lähenemisviis. In Proceedings of the 2008 IEEE 68th Vehicular Technology Conference, Calgary, AB, Kanada, 21.–24. september 2008; lk 1–5.
13. Youssef, K.; Bouchard, L.; Haig, K.; Silovski, J.; Thapa, B.; Valk, CV masinõppe lähenemine raadiosagedussaatja tuvastamisele. IEEE J. Raadiosagedus. Tuvastage. 2018, 2, 197–205.
14. Jafari, H.; Omotere, O.; Adesina, D.; Wu, H.; Qian, L. IoT-seadmete sõrmejälgede võtmine süvaõppe abil. In Proceedings of the MILCOM 2018–2018 IEEE Military Communications Conference (MILCOM), Los Angeles, CA, USA, 29.–31. oktoober 2018; lk 1–9.
15. Kaupmees, K.; Revay, S.; Stantšev, G.; Nousain, B. Süvaõpe RF-seadmete sõrmejälgede võtmiseks kognitiivsetes sidevõrkudes. IEEE J. Sel. Üles. Signaaliprotsess. 2018, 12, 160–167.
16. Rajendran, S.; Meert, W.; Giustiniano, D.; Laenutajad, V.; Pollin, S. Traadita signaalide klassifitseerimise süvaõppe mudelid hajutatud odava spektrianduriga. IEEE Trans. Cogn. Commun. Võrk 2018, 4, 433–445.
17. Ding, L.; Wang, S.; Wang, F.; Zhang, W. Spetsiifilise emitteri tuvastamine konvolutsiooniliste närvivõrkude kaudu. IEEE Commun. Lett. 2018, 22, 2591–2594.
18. Masood, S.; Rai, A.; Aggarwal, A.; Doja, MN; Ahmad, M. Juhtide tähelepanu hajumise tuvastamine konvolutsioonilise närvivõrgu abil. Mustri äratundmine. Lett. 2018, 139, 79–85.
19. Pan, Y.; Yang, S.; Peng, H.; Li, T.; Wang, W. Spetsiifiline emitteri tuvastamine sügavatel jääkvõrkudel. IEEE Access 2019, 7, 54425–54434.
20. Qian, Y.; Qi, J.; Kuai, X.; Han, G.; Sun, H.; Hong, S. Spetsiifiline emitteri identifitseerimine, mis põhineb mitmetasandilisel hõredal kujutamisel automaatses identifitseerimissüsteemis. IEEE Trans. Info Kohtuekspertiisi turvalisus. 2021, 16, 2872–2884.
21. Du, M.; Tema, X.; Cai, X.; Bi, D. Tasakaalustatud närviarhitektuuri otsing ja selle rakendamine spetsiifilises emitteri tuvastamises. IEEE Trans. Signaaliprotsess. 2021, 69, 5051–5065.
22. Huang, G.; Yuan, Y.; Wang, X.; Huang, Z. Spetsiifilise emitteri identifitseerimine mittelineaarsete dünaamiliste omaduste põhjal. Saab. J. Electr. Arvuta. Eng. 2016, 39, 34–41.
23. Huang, G.; Yuan, Y.; Wang, X.; Huang, Z. Sidesaatja spetsiifiline emitteri identifitseerimine, kasutades mitut mõõtmist. Traat. Isik Commun. 2017, 94, 1523–1542.
24. Yuan, Y.; Huang, ZT; Wu, H.; Wang, X. Spetsiifilise emitteri identifitseerimine, mis põhineb Hilbert-Huangi teisendusel põhinevatel aja-sagedus-energia jaotusfunktsioonidel. IET komm. 2014, 8, 2404–2412.
25. Padilla, P.; Padilla, J.; Valenzuela-Valdes, J. Traadita seadmete raadiosagedustuvastus raadiosagedusliku sõrmejälgede põhjal. elektron. Lett. 2013, 49, 1409–1410.
26. Hu, A. Wi-Fi saatja RF-sõrmejälgede preambulipõhine tuvastamine. elektron. Lett. 2010, 46, 1165–1167.
27. Candore, A.; Kocabas, O.; Koushanfar, F. Tugev stabiilne radiomeetriline sõrmejälgede võtmine juhtmeta seadmetele. 2009. aasta IEEE rahvusvahelise riistvarale orienteeritud turvalisuse ja usalduse seminari toimingutes, San Francisco, CA, USA, 27.–29. juuli 2009; lk 43–49.
28. Dudczyk, J.; Kawalec, A. Kiire otsusega identifitseerimisalgoritm emissiooniallika mustri andmebaasis. Bull. Pol. Acad. Sci.-Tech. Sci. 2015, 63, 385–389.
29. Kawalec, A.; Rapacki, T.; Wnuczek, S.; Dudczyk, J.; Owczarek, R. Segameetod, mis põhineb impulssisisestel andmetel ja kiirgava emissiooni tuvastamisel. In Proceedings of the 2006 International Conference on Microwaves, Radar Wireless Communications, Krakov, Poola, 22.–24. mai 2006; lk 487–490.
30. Demers, F.; St-Hilaire, M. LTE saatjate radiomeetriline identifitseerimine. In Proceedings of the 2013 IEEE Global Communications Conference (GLOBECOM), Atlanta, GA, USA, 9.–13. detsember 2013; lk 4116–4121.
31. Tan, K.; Yan, W.; Zhang, L.; Tang, M.; Zhang, Y. Spetsiifiline emitteri identifitseerimine, mis põhineb tarkvara määratletud raadiol ja otsuste liitmisel. IEEE Access 2021, 9, 86217–86229.
32. Jana, S.; Kasera, SK Volitamata traadita pääsupunktide kiire ja täpne tuvastamine kella kallutamise abil. IEEE Trans. Mob. Arvuta. 2009, 9, 449–462.
33. Conning, M.; Potgieter, F. Mõõdetud radariandmete analüüs spetsiifilise emitteri tuvastamiseks. 2010. aasta IEEE radarikonverentsi toimetistes, Washington, DC, USA, 10.–14. mai 2010; lk 35–38.
34. Polak, AC; Goeckel, DL Juhtmevaba seadme identifitseerimine RF-ostsillaatori puuduste põhjal. IEEE Trans. Info Kohtuekspertiisi turvalisus. 2015, 10, 2492–2501.
35. Polak, AC; Goeckel, DL RF-sõrmejäljed kasutajatelt, kes varjavad aktiivselt oma identiteeti kunstliku moonutusega. In Proceedings of the 2011 Conference Record of the Forty Fifth Asilomar Conference on Signals, Systems and Computers (ASILOMAR), Pacific Grove, CA, USA, 6.–9. november 2011; lk 270–274.
36. Liu, MW; Doherty, JF Spetsiifilise emitteri tuvastamine mittelineaarse seadme hinnangu abil. 2008. aasta IEEE Sarnoffi sümpoosioni toimetistes, Princeton, NJ, USA, 28.–30. aprill 2008; lk 1–5.
37. Li, Y.; Chen, X.; Lin, Y.; Srivastava, G.; Liu, S. Juhtmeta saatja tuvastamine seadme puuduste põhjal. IEEE Access 2020, 8, 59305–59314.
38. Dolatshahi, S.; Polak, A.; Goeckel, DL Traadita ühenduse kasutajate tuvastamine võimsusvõimendi puuduste kaudu. In Proceedings of the 2010 Conference Record of the Forty Fourth Asilomar Conference on Signals, Systems and Computers, Pacific Grove, CA, USA, 7.–10. november 2010; lk 1553–1557.
39. D'Agostino, S.; Foglia, G.; Pistoia, D. Spetsiifiline emitteri identifitseerimine: tegelike radarisignaalide andmete analüüs. 2009. aasta Euroopa radarikonverentsi (EuRAD) toimetistes, Rooma, Itaalia, 30. september–2. oktoober 2009; lk 242–245.
40. Guo, S.; Valge, RE; Low, M. Radari emitteri tuvastamise võrdlusuuring, mis põhineb signaali siirdeil. Proceedings of the 2018 IEEE Radar Conference (RadarConf18), Oklahoma City, OK, USA, 23.–27. aprill 2018; lk 286–291.
41. Talbot, KI; Duley, PR; Hyatt, MH Spetsiifilise emitteri tuvastamine ja kontrollimine. Technol. Rev 2003, 113, 113–133.
42. Dragomiretskiy, K.; Zosso, D. Variatsiooniline lagunemine. IEEE Trans. Signaaliprotsess. 2013, 62, 531–544.
43. Chang, CI Orthogonal Subspace Projection (OSP) uuesti läbi vaadatud: põhjalik uuring ja analüüs. IEEE Trans. Geosci. Remote Sens. 2005, 43, 502–518. ): Richland, WA, USA, 2007.
45. Mayer, R.; Bucholtz, F.; Scribner, D. Objekti tuvastamine valgendamise/valgendamise abil sihtmärgi allkirjade teisendamiseks multitemporaalsetes hüper- ja multispektraalsetes kujutistes. Geosci. Kaugandurid IEEE Trans. 2003, 41, 1136–1142.
46. Kessy, A.; Lewin, A.; Strimmer, K. Optimaalne valgendamine ja kaunistamine. Olen. Stat. 2018, 72, 309–314.
47. Bell, AJ; Sejnowski, TJ Looduslike stseenide "iseseisvad komponendid" on servafiltrid. Vis. Res. 1997, 37, 3327–3338.
48. Srivastava, N.; Hinton, G.; Križevski, A.; Sutskever, I.; Salakhutdinov, R. Dropout: Lihtne viis närvivõrkude ülepaigutamise vältimiseks. J. Mach. Õppige. Res. 2014, 15, 1929–1958.
49. Förstner, W.; Moonen, B. Kovariatsioonimaatriksite mõõdik. Geodeesias – 3. aastatuhande väljakutse; Springer: Berliin/Heidelberg, Saksamaa, 2003; lk 299–309.
51. Kulis, B.; Sustik, MA; Dhillon, IS madala tasemega tuumaõpe koos Bregmani maatriksi erinevustega. J. Mach. Õppige. Res. 2009, 10, 341–376.
51. Herdin, M.; Czink, N.; Ozcelik, H.; Bonek, E. Korrelatsioonimaatriksi kaugus, tähendusrikas meede mittestatsionaarsete MIMO kanalite hindamiseks. 2005. aasta IEEE 61. sõidukitehnoloogia konverentsi ettekannetes, Stockholm, Rootsi, 30. mai–1. juuni 2005; 1. köide, lk 136–140.
52. Kuncheva, LI Teoreetiline uuring kuue klassifikaatori fusioonistrateegia kohta. IEEE Trans. Muster Anal. Mach. Intell. 2002, 24, 281–286.
53. Proakis, JG; Salehi, M. Digitaalne side; McGraw-Hill: New York, NY, USA, 2008.
54. Agilent vektorsignaali generaator. 2021. (vaadatud 26. novembril 2021).
55. Viasati tõhustatud ribalaiusega SATCOM-modem. 2021. (vaadatud 26. novembril 2021).
56. Teledyne Paradise Datacom. 2021. (vaadatud 26. novembril 2021).
57. Kratos RTSIM. 2021. (vaadatud 26. novembril 2021).
58. Ettus USRP. 2021. aasta.
Lisateabe saamiseks: david.deng@wecistanche.com WhatApp:86 13632399501






