Резюме:Радиометричната идентификация е проблемът за приписване на сигнал на конкретен източник. В тази работа е разработен алгоритъм за радиометрична идентификация с помощта на трансформацията на избелване. Подходът се отличава от по-утвърдените методи по това, че работи директно върху необработените IQ данни и следователно е безхарактерен. Като такива, често използваните алгоритми за намаляване на размерността не се прилагат. Предпоставката на идеята е, че наборът от данни е „най-бял“, когато се проектира върху неговата избелваща матрица, отколкото върху всяка друга. На практика трансформираните данни никога не са строго бели, тъй като данните от обучението и тестовете се различават. Мярката на Förstner-Moonen, която количествено определя сходството на ковариационните матрици, се използва за установяване на степента на белота. Избелващата трансформация, която произвежда набор от данни с минималното разстояние на Förstner-Moonen до процес с бял шум, е източникът на сигнал. Източникът се определя от изхода на функцията за режим, работеща върху решенията на Класификатора на мнозинството. Използването на мярката Förstner-Moonen представя различна перспектива в сравнение с показателите за максимална вероятност и евклидово разстояние. Избелващата трансформация също е в контраст с по-новите подходи за дълбоко обучение, които все още зависят от вектори на характеристики с големи размери и продължителни фази на обучение. Показано е, че предложеният метод е по-прост за изпълнение, не изисква вектори на характеристики, изисква минимално обучение и поради своята неитеративна структура е по-бърз от съществуващите подходи.

Според съответните проучвания,цистанчее широко разпространена билка, известна като „чудотворната билка, която удължава живота“. Основният му компонент ецистанозид, който има различни ефекти катоантиоксидант, противовъзпалително, инасърчаване на имунната функция. Механизмът между цистанче и избелването на кожата се крие в антиоксидантния ефект нацистанчегликозиди. Меланинът в човешката кожа се произвежда от окислението на тирозин, катализирано оттирозиназа, а окислителната реакция изисква участието на кислород, така че свободните от кислород радикали в тялото се превръщат във важен фактор, влияещ върху производството на меланин. Cistanche съдържа цистанозид, който е антиоксидант и може да намали генерирането на свободни радикали в тялото, като по този начининхибиране на производството на меланин.

Кликнете върху Как да използвате Cistanche Tubulosa

За повече информация:

david.deng@wecistanche.com WhatApp:86 13632399501

1. Въведение 

Радиометричната идентификация е проблемът за приписване на сигнал към източника; често марка или модел. Идентификацията на източника се извършва чрез RF пръстови отпечатъци на устройства чрез търсене на подписи, които могат да възникнат от производствени толеранси, несъвършенства или нормални статистически вариации в производството. Има значителна работа в класификацията на сигналите и разпознаването на модулацията [1,2]. Радиометричната идентификация обаче не се вписва добре в нито една от двете категории. В много отношения радиометричната идентификация е по-сложен проблем, тъй като сигналите, произхождащи от различни източници, могат да имат сходни характеристики като модулация, битрейт, форми на импулсите и т.н. Този факт прави фините вариации на устройствата основния признак за радиометрична идентификация. Такива вариации обаче са малки, незабележими и трудни за моделиране. Защо радиометричната идентификация представлява интерес, има много причини. Военните се интересуват от тази способност от известно време като средство за идентифициране на приятелски от вражески радар [3,4]. Сателитната комуникация може да бъде изправена пред умишлено или непреднамерено заглушаване от фалшиви източници. Познаването на източника и марката на смущаващия може да помогне за идентифицирането на източника на нарушение. Радиометричната идентификация също е ценен инструмент за защита на безжичните устройства. Опитите за подправяне в безжични мрежи и IoT устройства могат да бъдат осуетени, ако източникът на сигнала може да бъде идентифициран и блокиран [5,6]. По-трудно е да се имитират характеристиките на устройството, които са вградени в сигналите, отколкото да се възпроизведе модулация или оформяне на импулса.

Радиометричната идентификация може да бъде формулирана в контекста на статистически класификатор. Класическият подход следва извличане на характеристики и намаляване на размерността чрез техники като PCA и накрая класификатор за множествен дискриминантен анализ [7,8]. В [9] Square Integral Bispectra (SIB) се използва за извличане на уникалните отклоняващи се характеристики на отделни предадени сигнали, последвано от PCA за извличане на нискоразмерен вектор на характеристиките. Беше наблюдавано, че характеристиките, запазени след намаляване на размерността, не са непременно оптимални за класификация.

Комбинираната оптимизация на намаляването на размерността и класификацията на пръстовите отпечатъци е предложена в [10]. Идеята е да се стимулира намаляването на размерността чрез минимизиране на класифицираната катионна грешка и максимизиране на взаимната информация между характеристиките с намалена размерност и етикета на класа едновременно. Характеристиките на радиочестотния отпечатък се извличат от статистиката на нормализираната моментна амплитуда, фаза и честота на сигнала, което води до вектори на характеристики с до 960 измерения. Проблемът с намаляването на размерността обаче остава. Извличането на характеристики за алгоритми за идентификация на предавател е разработено да работи или в преходни [11], или във фази на стабилно състояние [12]. Преходната фаза е аналогово състояние на сигнала, възникващо веднага след активирането на предавателя, докато фазата на стабилно състояние се характеризира с модулация.

По-новата работа по радиометрична идентификация е повлияна от възхода на инструментите за дълбоко обучение (DL). Примери за това са RF fingerprinting [13], IoT устройство fingerprinting [14], спектрално отчитане [15] и RF устройство идентификация в когнитивни мрежи [16]. Това, което все още е необходимо във всяка такава работа, е извличането на характерни вектори, последвано от отнемащо време намаляване на размерността. Векторите на характеристиките, извлечени в [10], например, имат 960 измерения преди намаляването на размерността. С други думи, основният проблем остава. Използването на DL често се постига чрез програмиране на готови инструменти или използване на различни процедури за конволюционни невронни мрежи (CNN), внедрени в Matlab. Например, компресираният биспектър се идентифицира като характеристика и след това се използва за обучение на трислоен CNN [17]. Това, което се различава, е броят на слоевете, крановете, филтрите, функциите за активиране и т.н. Друг пример в тази насока се появява в [18], където Keras API се използва с TensorFlow на бекенда, за да се разграничат разсеяните драйвери. В [15] DL се прилага за пръстови отпечатъци на радиочестотно устройство в когнитивните мрежи Zigbee, като се използва комплексният сигнал за грешка в базовата лента във времевия домейн като тренировъчни и тестови данни. Резултатите показват добра точност (≈90 процента), но при висок SNR (по-голям или равен на 20 dB). В [19] входните данни са предварително обработени като изображения в сивата скала на спектъра на Хилберт и постигат приемлива точност при умерени нива на SNR (средно 70 процента степен на точност за SNR от 15 dB). Изчерпателно сравнение на производителността е показано за различни DL алгоритми в [13], като се отчита средна точност от 98 процента, измерена за 12 предавателя.

Фактът, че ML работи с много по-малки набори от данни и изисква много по-малко време за обучение в сравнение с DL (часове обучение [15]), осигурява по-голяма гъвкавост за сигнализиране на промени в характеристиките, които се случват при различни обстоятелства на околната среда (прегряване, излишен ток и т.н.) , което може силно да повлияе на избраната характеристика за класификация. Това свойство на ML (управлявано от данни) позволява бързи актуализации на функциите и следователно води до по-точна класификация в дългосрочен план. В допълнение, намалената сложност в сравнение с DL позволява по-лесно хардуерно внедряване и бърза класификация в движение.

Идентификацията на специфичен излъчвател (SEI) е друга парадигма за радиометрична идентификация [20–22]. Подходът SEI се опитва да идентифицира уникалния предавател на сигнал, като използва само измервания на външни характеристики [22]. SEI се изпълнява на два етапа, (1) преходно състояние на сигнала и (2) стабилно състояние на сигнала. Преходният подход се прилага към конкретните сигнатури, вградени в сигнала, когато предавателят се включва или изключва [23,24]. Преходните подходи са по-трудни за прилагане поради недостъпността или преходния характер на данните, които често не са достъпни или запазени. Подходът на стабилно състояние се отнася до периода, в който преходните процеси са се стабилизирали. Наличните функции включват модулация и преамбюл [25,26], между другото. При техники, базирани на модулация, получените и целевите съзвездия се сравняват, като разликата създава RF отпечатък [27]. Алгоритъм за идентифициране на бързо решение се появява в [28]. Идентификацията се основава на сходството на сигнален вектор и неговото сравнение с шаблони, налични в база данни. Подходът е класифициран като пример за SEI, приложен за радарна идентификация. Алгоритъмът беше приложен към стотици записи на радарни сигнали, които идват от няколко различни вида радари. В някои случаи бяха изследвани копия на същия тип радар. При еднакво претегляне на всички функции се отчита 85 процента правилен процент на разпознаване за типовете радар. Смесен метод за радарна идентификация, базиран на електромагнитно излъчване и вътрешноимпулсен анализ, се появява в [29]. Предпоставката е, че електронните устройства придават електрически характеристики на предавания импулс. Моделът на сигнала е N неприпокриващи се тласъка от K предавателя. Използва се линеен дискриминантен анализ. За класифициране на неизвестния импулс се използват четири показателя за разстояние. Съобщава се, че три екземпляра от същия тип радар са успешно разпознати.

Радиометричната идентификация на комуникационните протоколи също представлява интерес. Идентификацията на източниците, които използват LTE протокола, е докладвана в [30,31]. Идентификацията се основава на уникални модулационни характеристики, показани от предавателите, в резултат на малки несъвършенства, въведени по време на производството на радиохардуер. Несъвършенствата на устройството са използвани като подпис за радиометрична идентификация, включително трептене на часовника [32], грешки на цифрово-аналоговите преобразуватели (DAC) [33], локален честотен синтезатор [34], нелинейност на усилвателя на мощност [35–37] . Несъвършенствата на усилвателя на мощност също се използват за идентифициране на източника [38]. За идентификация на излъчвателя се използват реални радарни сигнали [39].

Съвсем различно приложение за радиометрична идентификация е радарът. Въпреки че предавателите може да принадлежат към един и същи тип радар, те могат да показват фини разлики в предаваните им импулси. В [33] се използват 18 характеристики за идентифициране на три класа радари. Сравняват се пет пръстови отпечатъка за идентификация на радарни излъчватели въз основа на преходни процеси на радарния сигнал. Традиционните техники включват радиочестота (RF), амплитуда на импулса, ширина на импулса, преднамерен тип модулация на импулса или интервали на повторение на импулса. В [40] информацията за непреднамерена модулация на формата на вълната на излъчвателя се използва като радиочестотни пръстови отпечатъци, за да се свърже полученият сигнал и съответният му излъчвател. Непреднамерената импулсна модулация (UMoP) е метод, който използва вариации, дължащи се на производствени разлики в хардуера на предавателя, включително усилвателите на мощност UMoP е като пръстов отпечатък на излъчвател и може да идентифицира предаватели от същия модел [41]. Декомпозицията на вариационен режим до радарна идентификация е докладвана в [42]. Наборът от данни се състои от 47 излъчвателя. Някои от тези излъчватели са произведени от същия радар. Резултатите показват, че ефективната стойност на SNR трябва да бъде около 47 dB, за да се получи правилна вероятност за класификация, по-голяма от 0,9.

2. Рамка за радиометрична идентификация

Полученият сигнал първо се коригира за фазово отместване, отместване на честотата на осцилатора и грешки във времето на символа преди прилагането на избелващата трансформация. Трансформацията на избелване е ортогонална проекция, базирана на вариация на PCA и е свързана с ортогоналната подпространствена проекция [43]. Една матрица за трансформация на избелване на източник се изчислява от данните за обучение. Не е необходимо да знаете вида на модулацията, честотата, фазата или нещо друго за сигнала. Идентифицирането на неизвестния източник се основава на наблюдението, че даден набор от данни е „най-бял“, когато се проектира върху неговата избелваща матрица, отколкото върху всяка друга, следователно съответстващо избелване. Проекцията на неизвестните данни върху избелването трансформира и избелва данните само ако има съвпадение между избелващата матрица и данните. Дори когато данните съвпадат със своята избелваща трансформация, проектираните данни никога не са наистина бели. Мярка за "белота" се разработва чрез избиране на метрика на дивергенция за сравнение на ковариационни матрици. Тази мярка е сумата от логаритмите на квадрат на съвместните собствени стойности на референтната и тестовата ковариационни матрици; разстоянието Förstner-Moonen. Избелването е добре известно при откриването на сигнали и често се формулира като съвпадащ избелващ филтър. Целта е да декорелирате шумови проби на изхода на филтъра. 3D реализация на WMF се използва за проучвания на въздействието върху околната среда в хиперспектрални изображения [44]. Откриването на обект чрез използване на избелване/обезбеляване за трансформиране на целеви сигнатури в мултитемпорална хиперспектрала се появява в [45]. Примери за такива подходи за избелване се прилагат най-вече за откриване на сигнали и обекти и не са приложими за радиометрична идентификация, както е предложено тук.

2.1. Избелващата трансформация

Нека X ∈ Rp×n е матрицата на данните, състояща се от n измервания на p променливи с ковариационната матрица Σ. Статистическото избелване е линейна трансформация, която трансформира данните така, че ковариационната матрица на Y=WX е матрицата на идентичността. Матрицата на избелващата трансформация не е уникална. Всъщност [46] споменава петнадесет различни проекционни матрици, които избелват данните, като най-известните са PCA и ZCA избелването [47]. по-конкретно,

където U и Λ са матриците на собствените вектори и собствените стойности в разлагането на ковариационната матрица Σ=UΛU T. Избелващите трансформации произвеждат данни, свързани с декора, но с каква цел? По-важното е каква роля играе избелването в радиометричната идентификация? Това е мястото, където съвпадащата избелваща трансформация се отклонява от съществуващата употреба на PCA в радиометричната идентификация. PCA е най-известен с компресирането на данни чрез насочване на премахването на компонентите на Y с незначителна енергия. Характеристиките, които остават, не са непременно най-добрите за класификация. И все пак, почти всички базирани на PCA техники за радиометрична класификация използват характеристиките, които преживяват компресията в последваща дискриминираща функция за класифициране на данните. ZCA има добавеното свойство на нулева фаза, като отменя въртенето, причинено от PCA. Нито едно от двете не е приложимо тук. Създаването на некорелирани данни е стъпка на предварителна обработка, от която се извличат вектори на характеристики с по-ниска размерност. Намаляването на размерите не се прилага за IQ проби, тъй като има само две измерения, като начало, и вече са до голяма степен свързани с декора. PCA се използва и в дълбокото обучение чрез ускоряване на конвергенцията в конволюционните невронни мрежи [48].

2.2. Класификация по съответстващо избелване

Данните са организирани в N × M матрица X=[x1, x2, . . . , xM], xi ∈ RN×1, където M е броят на измерванията, а N е броят на променливите или измеренията. За данните за IQ, N=2 и M е броят на символите в записа. Нека Wi , i=1, 2, . . . , m са матриците за преобразуване на избелване за m източника на сигнали {c1, c2, . . . , см}. Зависимите от класа избелващи матрици се изчисляват офлайн от данните за обучение. Тъй като IQ данните се влияят от отместване на фазата и честотата, данните трябва да бъдат коригирани, преди да се изчислят избелващите матрици. Тестовите данни са разделени на блокове, използвани за генериране на статистика. Няма "правилна" дължина на блока. Зависи от скоростта на промяна на фазата, отместването на честотата или доплеровото изместване. В случай на нелинейно отместване на фазата, дължините на блоковете се избират достатъчно къси, за да осигурят почти стационарна фаза по време на оценката на фазата. Повече за това как да изберете дължината на блока за обръщане на честотното отместване се появява в Раздел 3.

За да се илюстрира тази точка, три многовариантни нормални популации са създадени и показани на Фигура 1а. Третият набор от данни (в черно) се използва като "неизвестен" източник и многократно се проектира върху Wi, i=1, 2, 3. След всяка проекция диаграмата на разсейване се изчертава и показва на Фигура 1 bd. Когато данните от група 3 са избелени от W1, Фигура 1b, главната ос на проектираните данни се появява под ъгъл спрямо главната ос на проекционната матрица. Това показва, че данните и избелващата матрица не съвпадат. Повтарящите се проекции дават Фигура 1b–d. Само на фигура 1d избелващата трансформация създава кръгова диаграма на разсейване. Проекцията, която произвежда най-малко корелирани данни, идентифицира марката. Това свойство показва, че източникът на неизвестните данни съответства на избелващата трансформация на група 3. Детекторът може да бъде реализиран като банка от паралелно съвпадащи филтри, показани на фигура 2.

2.3. Разработване на мярка за избелване

Има няколко проблема с обвързването на неизвестните данни с неговата избелваща матрица. Първо, компонентите на IQ на реалните данни вече са доста декорирани, така че избелването може да не доведе до значителна допълнителна декорелация. Второ, подпространството, дефинирано в (1), се създава офлайн от данните за обучение. Данните от теста обаче са различни, дори ако идват от същата популация като данните за обучението. Ако се използват данни, различни от набора за обучение, избелването на данните ще бъде приблизително. Основното свойство е, че ковариационната матрица на неизвестните данни ще прилича на матрицата на идентичността, ако се проектира върху нейното подпространство повече, отколкото върху което и да е друго. Трето, как да измерим "белотата". Това е проблем при съпоставянето на ковариационната матрица [49].

Има произволен брой показатели за измерване на разстоянията между две симетрични, положително определени ковариационни матрици. Те включват дивергенция на KL, евклидово разстояние, норма на квадрат на Фробениус, разстояние на Бхатачария, матрична дивергенция на Брегман и LogDet [50], между другото. В тази работа използваме метриката Förstner-Moonen [49] като мярка за сходство на две ковариационни матрици. Като отправна точка се изучават добре цитираната метрика на разстоянието на корелационната матрица (CMD) [51] и мерките на Kullback-Leibler. Няма едно определение за сходство, но три са монотонни с корелация и следователно са валидни мерки. Ние сме насложили CMD, KL и Förstner-Moonen графики за сравнение. Графиките се появяват по-късно на Фигура 3а. Както се очакваше, разстоянието по двойки се увеличава с увеличаване на корелацията, което означава, че ковариационната матрица на корелираните променливи е на по-далечни разстояния от диагонална ковариационна матрица. Трябва да се отбележи, че мярката KL практически съвпада с метриката на Förstner-Moonen, което оправдава използването й като индекс на сходство.

където λi(A, B), общите собствени стойности на A и B, са корените на |λA − B|=0. В контекста на избелващата трансформация, референтната ковариационна матрица е матрицата на идентичност A=I и B=cov(Yi) е ковариационната матрица на неизвестните данни, избелени от Wi. Следователно съвместните собствени стойности се редуцират просто до собствените стойности на измерената ковариационна матрица B на неизвестните данни.

Класификаторът, изграден върху (3), е класификатор за мнозинство или множество гласове [52], управляван от правила h1, h2, . . . , хм. Правилата са членски функции. Предвид измерванията Xi от неизвестен източник,

където p е броят на блоковете. Функцията на режима е числото, което се среща най-често в набора, т.е. hj(Xi) е броят пъти, когато Xi е гласувано да принадлежи към JC. Неизвестното измерване Xi се класифицира като класа, получаващ най-много гласове. Този процес е изобразен на фигура 2. Това е пример за "твърдо" гласуване. Алтернативата е "меко" гласуване, при което се запазва честотата на разпределението на класовете.

Изчислителната сложност на алгоритъма се състои от избелваща матрица, избелваща трансформация и разлагане на собствени стойности. Ако X ∈ Rd×M, където d е броят на променливите и M е броят на измерванията, сложността на избелващата трансформация е O(d2M плюс d3), избелващата трансформация е O(d2M) и собственото разлагане е O(d3) . С представяне на IQ сигнал, d=2 и е постоянно през цялото време. Следователно всяка от сложностите по-горе в крайна сметка намалява общата сложност до O(M). т.е. линейно с броя на измерванията.

3. Обръщане на отместване на фазата и честотата

Първото предизвикателство е повърхностите за радиометрична идентификация, преди алгоритъмът да бъде внедрен. Сигналите често се предоставят с некоригирани ротации на фазите. Има два вида ротации. Фиксираната ротация се причинява от постоянно фазово изместване на референтния носител. Променливата във времето ротация е причинена от честотното несъответствие на референтния носител. Несъответствието може да е свързано с хардуера или причинено от Доплер. Така или иначе, това е неизвестно количество. Честотното несъответствие, наречено честота на отместване fd, причинява съответна променяща се във времето фаза, която води до размазване на съзвездието. Това е различно от това фиксирано фазово изместване, което кара цялото съзвездие да се върти. Фигура 4 показва променящото се във времето фазово отместване при две нива на SNR. Както фиксираните, така и променящите се във времето ротации трябва да бъдат обърнати преди радиометрична идентификация.

3.1. Заден план

Корекцията на отместването на фазата и честотата преди идентифицирането на източника не винаги се разглежда в литературата за радиометрична идентификация [17]. Традиционният подход за възстановяване на фазата на носителя е методът на степенния закон [53]. Повишаването на сигнала до степен Mth създава тон при M пъти честотата на отместване, който може да се използва за дерогиране на констелацията. Този метод обаче работи само за отмествания с фиксирана фаза. Подходът, представен тук, извлича произволни фазови траектории чрез монтиране на модел към оценката на максималната вероятност на фазовите точки, измерени върху множество сегменти на сигнала. Фазовата траектория първо се оценява от сигнални сегменти, които са достатъчно къси, за да може фазата да се счита за неподвижна; по същество моментна снимка на фазата във времето. Наклонът на линията, съобразен с фазовите ъгли с помощта на най-малките квадрати, е пропорционален на честотата на отместване. В допълнение, методът на най-малките квадрати се справя с нелинейни фазови траектории, причинени от ефекта на отместването на честотата от втори ред. Това не е възможно с метода на степенния закон.

3.2. Сигнален модел

Дискретният модел за фазовото отместване е {θk=2π fd t, t=kTs, k=1, 2, . . . K}, където Ts е дължината на символа, а K е броят на символите в блока, използван за оценка на ротацията на фазата. Последователните символи се завъртат с 2π и се напасват в радиани от номиналните им позиции. Това движение образува дъга с течение на времето, като по този начин причинява ефект на размазване, показан на фигура 4. За да се коригира това въртене, трябва да се намери оценка на θk, ˆθk, която да се използва за възстановяване на fd и дерогиране на блока от символи. Максималното завъртане на символ над блок е T=KTs.

Оценката на честотата на отместване може да бъде постигната чрез първо оценяване на фазовата траектория. Оценката на θ(t) се извършва върху къси блокове с дължина T, за да се осигури стационарност на фазата, т.е. {θ(t) ≈ θk, t ∈ T}. Следователно има една фазова оценка на блок от данни. Величина fdT е частичната ротация на съзвездието над 2π за дължината на блока T. Тази величина трябва да се поддържа малка по две причини. Един по-малък fdT означава по-фина дискретизация на фазовата крива. Това е важно за улавяне на фазовата нелинейност чрез линейно моделиране по части. Второ, големият fdT избутва символите отвъд оригиналния им символен квадрант. Този ефект може да се види на фигура 4b, където символите в първия квадрант са преместени във втория квадрант. Какво представляват къси или дълги сегменти е обяснено в следващия раздел.

За повече информация: david.deng@wecistanche.com WhatApp:86 13632399501