4. Ergebnisse

Cistanchehat die Funktion vonFörderung der Kollagenproduktion, was die Elastizität und den Glanz der Haut erhöhen kann undhelfen, beschädigte Hautzellen zu reparieren. Cistanche Phenylethanolglycosidehaben eine deutlich herabregulierende Wirkung aufTyrosinaseAktivität, und die Wirkung auf Tyrosinase ist nachweislich eine kompetitive und reversible Hemmung, was eine wissenschaftliche Grundlage für die Entwicklung und Verwendung der aufhellenden Inhaltsstoffe in Cistanche liefern kann. Daher spielt Cistanche eine Schlüsselrolle dabeiHautaufhellung. Es kannhemmen MelaninProduktion zur Reduzierung von Verfärbungen und Mattheit; und fördern die Kollagenproduktion, um die Elastizität und Ausstrahlung der Haut zu verbessern. Aufgrund der weitverbreiteten Anerkennung dieser Wirkung von Cistanche haben viele Hautaufhellungsprodukte damit begonnen, pflanzliche Inhaltsstoffe wie Cistanche zuzusetzen, um der Nachfrage der Verbraucher gerecht zu werden, wodurch der kommerzielle Wert von Cistanche gesteigert wirdProdukte zur Hautaufhellung. Zusammenfassend ist die Rolle von Cistanche bei der Hautaufhellung von entscheidender Bedeutung. Es istAntioxidansDie Kollagen-produzierende Wirkung kann Verfärbungen und Mattheit reduzieren, die Elastizität und den Glanz der Haut verbessern und so einen aufhellenden Effekt erzielen. Auch die weit verbreitete Anwendung von Cistanche in Hautaufhellungsprodukten zeigt, dass seine Rolle im kommerziellen Wert nicht zu unterschätzen ist.

Klicken Sie auf Cistanche Tubulosa Supplement

Für mehr Information:

david.deng@wecistanche.com WhatApp:86 13632399501

In diesem Abschnitt wird die vorgeschlagene radiometrische Identifizierung unter Verwendung simulierter und realer Daten implementiert. Zunächst werden die Daten hinsichtlich der Offset-Frequenz korrigiert und zum Umkehren des zeitlich veränderlichen Phasenoffsets verwendet. Zweitens wird der vorgeschlagene Algorithmus, der durch Regel (6) geregelt wird, implementiert und erzeugt Verwirrungsmatrizen.

4.1. Signalphasen- und Offset-Frequenzkorrektur

Die Daten werden für ein QPSK-Signal simuliert, das einem lokalen Oszillatorfrequenzversatz unterliegt. Tabelle 1 zeigt die Simulationsparameter.

Abbildung 5 zeigt den Prozess, durch den momentane Phasenwerte erfasst und im Modellanpassungsschritt verwendet werden. Dieser Schritt kann auch als Abtastung des Phasenverlaufs erklärt werden. Die Symbolphasen pro Block werden histogrammiert, gefolgt von der Anpassung eines Polynoms. Die Spitze des Polynoms ist ˆθk für den k-ten Block. Dieser Schritt wird über mehrere Blöcke wiederholt und ist in Abbildung 5a–f dargestellt. Die geschätzten Phasen { ˆθk, k=1, 2, . . . , M} definieren die lineare Phasentrajektorie, deren Steigung fd bestimmt. Abbildung 6 zeigt die Kleinste-Quadrate-Anpassung des Phasenmodells an die Daten. Die Abbildungen 6a und b entsprechen einem SNR von=20 dB bzw. 10 dB. Abbildung 6c zeigt, dass auch eine nichtlineare Phasentrajektorie modelliert und verfolgt werden kann. Die geschätzten Werte f ˆ d=0.0505 Hz und f ˆ d=0.0455 Hz bei SNR=20 dB bzw. 10 dB. Die wahre Offset-Frequenz beträgt 0,05 Hz.

Symbole rotieren um 2π fdT im Bogenmaß über die Länge eines Blocks. Diese Rotation muss auf einen kleinen Bruchteil des Quadranten beschränkt werden, zu dem die Symbole gehören. Bei QPSK beträgt beispielsweise jeder Quadrant π/2 im Bogenmaß. Die richtige Blocklänge richtet sich nach der Modalität der Phasenhistogramme. Ein unimodales Phasenhistogramm mit einem deutlichen Peak zeigt an, dass die Phasenschwankungen nahe am Nennwert bleiben, Abbildung 7a. Für große 2π fdT, entweder aufgrund eines großen fd oder einer langen Blocklänge T, wird das Histogramm multimodal und weist keine deutlichen Spitzen auf, Abbildung 7b. Ein weiterer Nachteil großer fdT ist die 2π-Phasenmehrdeutigkeit, bei der sich Symbole über mehrere Perioden um den Kreis bewegen.

4.2. Radiometrische Identifizierung

Wir wenden nun die vorgeschlagene radiometrische Identifikationsmethode auf die Signale an, die von den folgenden Wellenformgeneratoren oder Standards erzeugt werden: Agilent [54], Viasat EBEM [55], Teledyne Paradise [56], KRATOS Real-Time Channel Simulator (RTsim) [57], und USRP [58]. Die Daten wurden mit QPSK-Modulation mit 2,95 MHz abgetastet, was insgesamt 35 Millionen Symbolen pro Modell entspricht. Die Abbildungen 8a und b zeigen Signalkonstellationen, die von unterschiedlich starkem Smearing betroffen sind. Abbildung 8b ist ein besonders schwerwiegender Fall, da das große fdT-Produkt dazu führt, dass Symbole möglicherweise um ein Vielfaches von 2π rotieren. Nach der Schätzung von fdT und der Derotation von Symbolen wird die ursprüngliche Konstellation in Abbildung 8c wiederhergestellt. Abbildung 9 ist eine Nahaufnahme von sechs Konstellationen, nachdem alle Phasen- und Frequenzversätze entfernt wurden. Die Aufgabe besteht nun darin, die Signale einzelnen Quellen zuzuordnen. Angesichts der Ähnlichkeit der Konstellationen in Struktur und Merkmalen ist klar, dass die radiometrische Identifizierung ein weitaus anspruchsvolleres Problem darstellt als die herkömmliche Signalklassifizierung auf Basis von Modulationsinformationen.

4.3. Klassenverwirrungsmatrizen

Das Training des Klassifikators umfasst die Berechnung von 5 passenden Aufhellungsmatrizen, Wi, i=1, 2, . . . , 5. Die Daten bestehen aus 35 Millionen Symbolen, die aus QPSK-modulierten Signalen stammen, die von fünf verschiedenen Funkgeräten stammen. Der Trainingssatz besteht aus 5 × 105 Symbolen, was etwa 1,4 Prozent der Gesamtdaten entspricht. Der Mehrheitsvotum-Klassifikator benötigt ein Abstimmungsschema. Stimmen werden generiert, indem die Daten in 72 Blöcke mit jeweils 5 × 105 Stichproben aufgeteilt werden. Jeder Block generiert eine Stimme, die dann über die gesamte Signallänge tabellarisch aufgeführt wird. Die Testblöcke werden aus einer „unbekannten“ Quelle entnommen, durch Gaußsches Rauschen verfälscht und wiederholt auf Aufhellungsmatrizen projiziert, die jeder Quelle entsprechen. Der Förstner-Moonen-Abstand wird zur Berechnung der Modusfunktion in (6) verwendet, was zur Erstellung der Verwirrungsmatrizen führt.

Vor der Erstellung der Verwirrungsmatrizen muss das Verhalten des Förstner-Moonen-Distanzmaßes untersucht werden. Gemäß (3) wird mit zunehmender Aufhellung des Prozesses der Förstner-Moonen-Abstand zwischen der aufgehellten Kovarianzmatrix und der Identitätsmatrix kleiner. Der theoretische Mindestabstand für weißes Rauschen beträgt Null. Um dieses Verhalten zu testen, werden zwei Zufallsvariablen mit einstellbaren Korrelationskoeffizienten erstellt und in eine zweispaltige Matrix eingefügt. Die Kovarianz dieser Matrix wird als Funktion von Korrelationswerten berechnet und der entsprechende Förstner-Moonen-Abstand aufgetragen. Die Ergebnisse sind in Abbildung 3 dargestellt. Wie Abbildung 3a zeigt, ist der Abstand eine zunehmende Funktion der Korrelation, was widerspiegelt, dass sich die Kovarianzmatrix von der eines Prozesses mit weißem Rauschen zur zunehmenden Korrelation entfernt. Dies wird erwartet. Die zweite Eigenschaft des Förstner-Moonen-Maßes besteht darin, dass die unbekannten Daten näher an einem Prozess mit weißem Rauschen liegen, wenn sie durch seine Aufhellungstransformation aufgehellt werden, als bei jedem anderen, also angepassten Aufhellungsprozess. Um diese Eigenschaft zu zeigen, werden die Daten von Agilent mit der Whitening-Matrix und dann mit der Whitening-Matrix von Viasat EBEM aufgehellt. Entfernungsberechnungen werden über 40 Datenblöcke durchgeführt und in Abbildung 3b dargestellt. Auffällig ist, dass der Förstner-Moonen-Abstand für die Agilent-Daten fast immer geringer ist als der bei Verwendung der Viasat EBEM-Bleaching-Matrix. Dieses Verhalten wird erwartet, was bedeutet, dass jedes Mal eine richtige Entscheidung getroffen wird. Diese Zählung ist im Wesentlichen die Grundlage für die Befüllung der Verwirrungsmatrizen über alle Quellen.

Nach den obigen Beobachtungen können nun die entsprechenden Verwirrungsmatrizen berechnet werden und sind in Tabelle 2 aufgeführt. Die Zahlen geben den Prozentsatz der richtigen Stimmen an, die für jede Quelle über 72 Frames der Testdaten abgegeben wurden. Beachten Sie, dass der Modusklassifikator in (6) nach mehreren Stimmen sucht, um einen Gewinner auszuwählen. Es ist ein hartes Wahlsystem. Paradise hat beispielsweise nur 77,1 Prozent der Stimmen erhalten, das unbekannte Signal wird aber dennoch korrekt als Paradise klassifiziert. Daher zeigt Tabelle 2 eine 100-prozentig korrekte Klassifizierung. Verwirrungsmatrizen können auch in einem Soft-Voting-Schema verwendet werden, indem die tatsächlichen Stimmenprozentsätze beibehalten werden.

Als Nächstes untersuchen wir die Auswirkungen kleinerer Datensätze und zusätzlicher Störungen, die über das hinausgehen, was bereits in den Daten enthalten ist. Die Gesamtstichprobengröße beträgt jetzt 107, die in Blöcke von einer Viertelmillion Stichproben unterteilt sind, was jeweils weniger als 100 ms entspricht. Diese Länge generiert 40 Blöcke, die zum Erhalten von Klassifizierungsstatistiken in Form von Verwirrungsmatrizen verwendet werden. Tabelle 3 zeigt die Ergebnisse bei SNR=15 dB hinzugefügtem Gauß-Rauschen. Dies geht über das hinaus, was bereits in den Daten enthalten ist. Alle Quellen werden korrekt identifiziert, mit Ausnahme von KRATOS RTSim, das als Teledyne Paradise identifiziert wird. Selbst dann liegt die Differenz von 2,5 Prozent durchaus innerhalb der statistischen Schwankungen des Laufs. Die prozentualen korrekten Klassifizierungszahlen für jede Quelle zeigen einen starken Rückgang im Vergleich zu Tabelle 2, aber das Mehrheitsentscheidungssystem trifft immer noch die richtige Entscheidung, wenn auch mit einer geringeren Marge. Agilent-Daten werden beispielsweise nur in 30 Prozent der Fälle korrekt mit Agilent verknüpft, aber das ist immer noch mehr als bei allen anderen. In den Tabellen 4 und 5 wird der Vorgang für SNR=5 dB und 0 dB wiederholt. Auch wenn die Sätze und Margen niedriger sind, wählt das Mehrheitswahlsystem immer noch die richtige Klasse aus. Bei geringen Margen spielt die statistische Variabilität eine Rolle bei der korrekten Quellenidentifizierung. Beachten Sie, dass der große Spielraum von USRP in Tabelle 2 dazu beiträgt, dass die korrekte Identifizierung auch bei 5 dB SNR in Tabelle 4 weitgehend erhalten bleibt. Um zu zeigen, wie schlimm die Situation ist, zeigt Abbildung 10 die Konstellation im SNR=5 dB Rauschen. Der Mangel an Erkennungsmerkmalen ist durchgehend erkennbar. Beachten Sie, dass RTSim und Paradise gleichauf sind. Diese Schwierigkeit spiegelt sich natürlich auch in Tabelle 4 wider, eine korrekte Identifizierung ist jedoch dennoch möglich. Vier von fünf Quellen sind korrekt identifiziert und die fünfte ist gleichberechtigt. Tabelle 5 zeigt den Extremfall von SNR=0 dB. EBEM und Paradise werden immer noch korrekt identifiziert.

4.4. Vergleiche

Ein umfassender Vergleich von SVM, CNN und D(eep)NN wird für sechs Radios in [13] berichtet. Die korrekten Klassifizierungsraten liegen bei 44,8 Prozent (SVM), 82,4 Prozent (CNN) und 71,9 Prozent (DNN). Da es jedoch keine anerkannten Richtwerte für die radiometrische Identifizierung gibt, sind rein numerische Vergleiche nicht aussagekräftig. Faktoren wie die Komplexität des Algorithmus, die Verarbeitungsgeschwindigkeit, die Größe der Trainingsdaten und andere Annahmen werden berücksichtigt, und der Vergleich ist schwierig. Selbst die Wahl der Funkgeräte oder Protokolle ist nicht üblich. Die angegebene Trainingsstichprobengröße in [13] beträgt 10 Prozent, während sie hier 1,4 Prozent beträgt. Noch wichtiger ist, dass kein Schritt zur Wiederherstellung des Trägers gemeldet wurde. Durch die Annahme einer perfekten Phasen- und Frequenzausrichtung am lokalen Oszillator wurde keine Abhilfe für Konstellationsverschmierungen der hier beschriebenen Art durchgeführt. Dies ist ein erhebliches Versäumnis. Es gibt auch keine Geräusche im System. Der Umgang mit hoher Dimensionalität ist ein weiterer Faktor. Die Aufhellungstransformation ist merkmalslos und umgeht somit die Dimensionsreduktion, wohingegen die in [10] extrahierten Merkmalsvektoren 960 Dimensionen haben. Der Fingerabdruck von HF-Geräten in den kognitiven Zigbee-Netzwerken zeigt eine gute Genauigkeit (≈90 Prozent), aber ein hohes SNR (größer oder gleich 20 dB) [15]. In [19] werden die Eingabedaten als Hilbert-Spektrum-Graustufenbilder vorverarbeitet und erreichen eine akzeptable Genauigkeit bei moderaten SNR-Werten (durchschnittliche Genauigkeitsrate von 70 Prozent für SNR von 15 dB).

5. Schlussfolgerungen

Verweise

1. Nandi, AK; Azzouz, EE Algorithmen zur automatischen Modulationserkennung von Kommunikationssignalen. IEEE Trans. Komm. 1998, 46, 431–436.

2. Phukan, GJ; Bora, PK Parameterschätzung zur blinden Klassifizierung digitaler Modulationen. IET-Signalprozess. 2016, 10, 758–769.

3. Ata'a, AW; Abdullah, SN Deinterleaving von Radarsignalen und PRF-Identifikationsalgorithmen. IET-Radar-Sonar-Navigation. 2007, 1, 340–347.

4. Gok, G.; Alp, YK; Arikan, O. Eine neue Methode zur spezifischen Emitteridentifizierung mit Ergebnissen realer Radarmessungen. IEEE Trans. Inf. Forensik sicher. 2020, 15, 3335–3346.

5. Sa, K.; Lang, D.; Wang, C.; Bai, Y. Spezifische Emitter-Identifikationstechniken für das Internet der Dinge. IEEE Access 2020, 8, 1644–1652.

6. Wu, H.; Wang, W. Eine auf Spieltheorie basierende kollaborative Sicherheitserkennungsmethode für Internet-of-Things-Systeme. IEEE Trans. Inf. Forensik sicher. 2018, 13, 1432–1445.

7. Padilla, J.; Padilla, P.; Valenzuela-Valdés, J.; Ramírez, J.; Górriz, J. HF-Fingerabdruckmessungen zur Identifizierung von Geräten in drahtlosen Kommunikationsnetzwerken basierend auf Merkmalsreduzierung und Subraumtransformation. Messung 2014, 58, 468–475.

8. Bihl, TJ; Bauer, KW; Temple, MA, Funktionsauswahl für RF-Fingerprinting mit Mehrfachdiskriminanzanalyse und Verwendung von ZigBee-Geräteemissionen. IEEE Trans. Inf. Forensik sicher. 2016, 11, 1862–1874.

9. Xu, S.; Huang, B.; Xu, L.; Xu, Z. Klassifizierung von Funksendern mithilfe einer neuen Methode der Streumerkmalsanalyse in Kombination mit PCA. In Proceedings of the MILCOM 2007-IEEE Military Communications Conference, Orlando, FL, USA, 29.–31. Oktober 2007; S. 1–5.

10. Jia, Y.; Ma, J.; Gan, L. Kombinierte Optimierung der Merkmalsreduktion und -klassifizierung für die radiometrische Identifizierung. IEEE-Signalprozess. Lette. 2017, 24, 584–588.

11. Danev, B.; Capkun, S. Transientenbasierte Identifizierung drahtloser Sensorknoten. In Proceedings of the 2009 International Conference on Information Processing in Sensor Networks, San Francisco, CA, USA, 13.–16. April 2009; S. 25–36.

12. Kennedy, IO; Scanlon, P.; Mullany, FJ; Buddhikot, MM; Nolan, KE; Rondeau, TW Fingerabdrücke von Funksendern: Ein stationärer Frequenzbereichsansatz. In Proceedings of the 2008 IEEE 68th Vehicular Technology Conference, Calgary, AB, Kanada, 21.–24. September 2008; S. 1–5.

13. Youssef, K.; Bouchard, L.; Haigh, K.; Silovsky, J.; Thapa, B.; Valk, CV Ansatz des maschinellen Lernens zur Identifizierung von HF-Sendern. IEEE J. Funkfrequenz. Identifizieren. 2018, 2, 197–205.

14. Jafari, H.; Omotere, O.; Adesina, D.; Wu, H.; Qian, L. Fingerabdrücke von IoT-Geräten mithilfe von Deep Learning. In Proceedings of the MILCOM 2018–2018 IEEE Military Communications Conference (MILCOM), Los Angeles, CA, USA, 29.–31. Oktober 2018; S. 1–9.

15. Kaufmann, K.; Revay, S.; Stantchev, G.; Nousain, B. Deep Learning für RF-Geräte-Fingerprinting in kognitiven Kommunikationsnetzwerken. IEEE J. Sel. Spitze. Signalprozess. 2018, 12, 160–167.

16. Rajendran, S.; Meert, W.; Giustiniano, D.; Kreditgeber, V.; Pollin, S. Deep-Learning-Modelle für die Klassifizierung drahtloser Signale mit verteilten kostengünstigen Spektrumsensoren. IEEE Trans. Cogn. Komm. Netw. 2018, 4, 433–445.

17. Ding, L.; Wang, S.; Wang, F.; Zhang, W. Spezifische Emitteridentifizierung über Faltungs-Neuronale Netze. IEEE-Komm. Lette. 2018, 22, 2591–2594.

18. Masood, S.; Rai, A.; Aggarwal, A.; Doja, MN; Ahmad, M. Erkennen der Ablenkung von Fahrern mithilfe eines Faltungs-Neuronalen Netzwerks. Mustererkennung. Lette. 2018, 139, 79–85.

19. Pan, Y.; Yang, S.; Peng, H.; Zündete.; Wang, W. Spezifische Emitteridentifizierung basierend auf tiefen Restnetzwerken. IEEE Access 2019, 7, 54425–54434.

20. Qian, Y.; Qi, J.; Kuai, X.; Han, G.; Sun, H.; Hong, S. Spezifische Emitteridentifizierung basierend auf einer mehrstufigen spärlichen Darstellung im automatischen Identifikationssystem. IEEE Trans. Inf. Forensik sicher. 2021, 16, 2872–2884.

21. Du, M.; Er, X.; Cai, X.; Bi, D. Suche nach ausgewogener neuronaler Architektur und ihre Anwendung bei der Identifizierung spezifischer Emitter. IEEE Trans. Signalprozess. 2021, 69, 5051–5065.

22. Huang, G.; Yuan, Y.; Wang, X.; Huang, Z. Spezifische Emitteridentifizierung basierend auf nichtlinearen dynamischen Eigenschaften. Dürfen. J. Elektr. Berechnen. Ing. 2016, 39, 34–41.

23. Huang, G.; Yuan, Y.; Wang, X.; Huang, Z. Spezifische Senderidentifizierung für Kommunikationssender mithilfe von Mehrfachmessungen. Wirel. Pers. Komm. 2017, 94, 1523–1542.

24. Yuan, Y.; Huang, ZT; Wu, H.; Wang, X. Spezifische Emitteridentifizierung basierend auf Hilbert-Huang-Transformations-basierten Zeit-Frequenz-Energie-Verteilungsmerkmalen. IET-Komm. 2014, 8, 2404–2412.

25. Padilla, P.; Padilla, J.; Valenzuela-Valdes, J. Hochfrequenzidentifizierung von drahtlosen Geräten basierend auf RF-Fingerprinting. Elektron. Lette. 2013, 49, 1409–1410.

26. Hu, A. Präambelbasierte Erkennung von RF-Fingerabdrücken von Wi-Fi-Sendern. Elektron. Lette. 2010, 46, 1165–1167.

27. Candore, A.; Kocabas, O.; Koushanfar, F. Robuster, stabiler radiometrischer Fingerabdruck für drahtlose Geräte. In Proceedings of the 2009 IEEE International Workshop on Hardware-Oriented Security and Trust, San Francisco, CA, USA, 27.–29. Juli 2009; S. 43–49.

28. Dudczyk, J.; Kawalec, A. Algorithmus zur schnellen Identifizierung des Emissionsquellenmusters in der Datenbank. Stier. Pol. Acad. Wissenschaftlich-technisch. Wissenschaft. 2015, 63, 385–389.

29. Kawalec, A.; Rapacki, T.; Wnuczek, S.; Dudczyk, J.; Owczarek, R. Gemischte Methode basierend auf Intrapulsdaten und der Erkennung von Strahlungsemission zu Emitterquellen. In Proceedings of the 2006 International Conference on Microwaves, Radar Wireless Communications, Krakau, Polen, 22.–24. Mai 2006; S. 487–490.

30. Demers, F.; St-Hilaire, M. Radiometrische Identifizierung von LTE-Sendern. In Proceedings of the 2013 IEEE Global Communications Conference (GLOBECOM), Atlanta, GA, USA, 9.–13. Dezember 2013; S. 4116–4121.

31. Tan, K.; Yan, W.; Zhang, L.; Tang, M.; Zhang, Y. Spezifische Emitteridentifizierung basierend auf softwaredefinierter Funk- und Entscheidungsfusion. IEEE Access 2021, 9, 86217–86229.

32. Jana, S.; Kasera, SK Über die schnelle und genaue Erkennung nicht autorisierter drahtloser Zugangspunkte mithilfe von Taktabweichungen. IEEE Trans. Mob. Berechnen. 2009, 9, 449–462.

33. Conning, M.; Potgieter, F. Analyse gemessener Radardaten zur spezifischen Emittentenidentifizierung. In Proceedings of the 2010 IEEE Radar Conference, Washington, DC, USA, 10.–14. Mai 2010; S. 35–38.

34. Polak, AC; Goeckel, DL Drahtlose Geräteidentifikation basierend auf Fehlern des HF-Oszillators. IEEE Trans. Inf. Forensik sicher. 2015, 10, 2492–2501.

35. Polak, AC; Goeckel, DL RF-Fingerprinting von Benutzern, die ihre Identität aktiv durch künstliche Verzerrung verschleiern. 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; S. 270–274.

36. Liu, MW; Doherty, JF Spezifische Emitteridentifizierung mithilfe nichtlinearer Geräteschätzung. In Proceedings of the 2008 IEEE Sarnoff Symposium, Princeton, NJ, USA, 28.–30. April 2008; S. 1–5.

37. Li, Y.; Chen, X.; Lin, Y.; Srivastava, G.; Liu, S. Drahtlose Senderidentifikation basierend auf Gerätemängeln. IEEE Access 2020, 8, 59305–59314.

38. Dolatshahi, S.; Polak, A.; Goeckel, DL Identifizierung von drahtlosen Benutzern anhand von Leistungsverstärkermängeln. 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; S. 1553–1557.

39. D'Agostino, S.; Foglia, G.; Pistoia, D. Spezifische Emitteridentifizierung: Analyse realer Radarsignaldaten. In Proceedings of the 2009 European Radar Conference (EuRAD), Rom, Italien, 30. September–2. Oktober 2009; S. 242–245.

40. Guo, S.; Weiß, RE; Low, M. Eine Vergleichsstudie zur Identifizierung von Radarsendern basierend auf Signaltransienten. In Proceedings of the 2018 IEEE Radar Conference (RadarConf18), Oklahoma City, OK, USA, 23.–27. April 2018; S. 286–291.

41. Talbot, KI; Duley, PR; Hyatt, MH Spezifische Emittentenidentifizierung und -verifizierung. Technol. Rev. 2003, 113, 113–133.

42. Dragomiretskiy, K.; Zosso, D. Variationsmoduszerlegung. IEEE Trans. Signalprozess. 2013, 62, 531–544.

43. Chang, CI Orthogonal Subspace Projection (OSP) revisited: Eine umfassende Studie und Analyse. IEEE Trans. Geosci. Remote Sens. 2005, 43, 502–518. ): Richland, WA, USA, 2007.

45. Mayer, R.; Bucholtz, F.; Scribner, D. Objekterkennung durch Verwendung von Whitening/Dewhitening zur Transformation von Zielsignaturen in multitemporale hyperspektrale und multispektrale Bilder. Geosci. Remote Sens. IEEE Trans. 2003, 41, 1136–1142.

46. ​​Kessy, A.; Lewin, A.; Strimmer, K. Optimale Aufhellung und Dekorrelation. Bin. Stat. 2018, 72, 309–314.

47. Bell, AJ; Sejnowski, TJ Die „unabhängigen Komponenten“ natürlicher Szenen sind Kantenfilter. Vis. Res. 1997, 37, 3327–3338.

48. Srivastava, N.; Hinton, G.; Krizhevsky, A.; Sutskever, I.; Salakhutdinov, R. Dropout: Eine einfache Möglichkeit, eine Überanpassung neuronaler Netze zu verhindern. J. Mach. Lernen. Res. 2014, 15, 1929–1958.

49. Förstner, W.; Moonen, B. Eine Metrik für Kovarianzmatrizen. In Geodäsie – Die Herausforderung des 3. Jahrtausends; Springer: Berlin/Heidelberg, Deutschland, 2003; S. 299–309.

50. Kulis, B.; Sustik, MA; Dhillon, IS Low-Rank-Kernel-Lernen mit Bregman-Matrix-Divergenzen. J. Mach. Lernen. Res. 2009, 10, 341–376.

51. Herdin, M.; Czink, N.; Ozcelik, H.; Bonek, E. Korrelationsmatrixabstand, ein aussagekräftiges Maß zur Bewertung instationärer MIMO-Kanäle. In Proceedings of the 2005 IEEE 61st Vehicular Technology Conference, Stockholm, Schweden, 30. Mai–1. Juni 2005; Band 1, S. 136–140.

52. Kuncheva, LI Eine theoretische Studie zu sechs Klassifikatorfusionsstrategien. IEEE Trans. Muster Anal. Mach. Intel. 2002, 24, 281–286.

53. Proakis, JG; Salehi, M. Digitale Kommunikation; McGraw-Hill: New York, NY, USA, 2008.

54. Agilent Vektorsignalgenerator. 2021. (abgerufen am 26. November 2021).

55. Viasat SATCOM-Modem mit erweiterter Bandbreiteneffizienz. 2021. (abgerufen am 26. November 2021).

56. Teledyne Paradise Datacom. 2021. (abgerufen am 26. November 2021).

57. Kratos RTSIM. 2021. (abgerufen am 26. November 2021).

58. Ettus USRP. 2021.

Für weitere Informationen: david.deng@wecistanche.com WhatApp:86 13632399501