4. Резултати

Цистанчеима функцията нанасърчаване на производството на колаген, което може да увеличи еластичността и блясъка на кожата ипомагат за възстановяване на увредените кожни клетки. Cistanche Phenylethanol гликозидиимат значителен потискащ ефект върхутирозиназаактивност, а ефектът върху тирозиназата е показан като конкурентно и обратимо инхибиране, което може да осигури научна основа за разработване и използване на избелващите съставки в Cistanche. Следователно цистанхата има ключова роля визбелване на кожата. То можеинхибират меланинапроизводство за намаляване на обезцветяването и матовостта; и насърчава производството на колаген за подобряване на еластичността и блясъка на кожата. Поради широкото признаване на тези ефекти на цистанче, много продукти за избелване на кожата започнаха да включват билкови съставки като цистанче, за да отговорят на потребителското търсене, като по този начин увеличават търговската стойност на цистанче впродукти за избелване на кожата. В обобщение, ролята на цистанхата в избелването на кожата е решаваща. Това еантиоксидантефект и ефект на производство на колаген може да намали обезцветяването и матовостта, да подобри еластичността и блясъка на кожата и по този начин да постигне избелващ ефект. Освен това широкото приложение на Cistanche в продуктите за избелване на кожата показва, че ролята му в търговската стойност не може да бъде подценявана.

Кликнете върху добавката Cistanche Tubulosa

За повече информация:

david.deng@wecistanche.com WhatApp:86 13632399501

Този раздел прилага предложената радиометрична идентификация с помощта на симулирани и реални данни. Първо, данните се коригират за честотата на отместване и се използват за обръщане на променящото се във времето отместване на фазата. Второ, предложеният алгоритъм, който се управлява от правило (6), се прилага, създавайки матрици на объркване.

4.1. Корекция на фазата на сигнала и отместването на честотата

Данните са симулирани за QPSK сигнал, предмет на отместване на честотата на локалния осцилатор. Таблица 1 показва параметрите на симулацията.

Фигура 5 показва процеса, чрез който моментните фазови стойности се събират и използват в стъпката за напасване на модела. Тази стъпка може да се обясни и като вземане на проби от фазовата крива. Фазите на символа на блок са хистограмирани, последвани от напасване на полином. Пикът на полинома е ˆθk за k-тия блок. Тази стъпка се повтаря върху множество блокове и е показана на фигура 5a–f. Оценените фази { ˆθk, k=1, 2, . . . , M} определят линейната фазова траектория, чийто наклон определя fd. Фигура 6 е напасването на метода на най-малките квадрати на фазовия модел към данните. Фигури 6a и b съответстват съответно на SNR=20 dB и 10 dB. Фигура 6c илюстрира, че нелинейна фазова траектория също може да бъде моделирана и проследена. Изчислените f ˆ d=0.0505 Hz и f ˆ d=0.0455 Hz при SNR=20 dB и 10 dB, съответно. Истинската честота на отместване е 0,05 Hz.

Символите се въртят с 2π fdT радиана по дължината на блок. Това завъртане трябва да се запази до малка част от квадранта, към който принадлежат символите. Например в QPSK всеки квадрант е π/2 радиана. Правилната дължина на блока се ръководи от модалността на фазовите хистограми. Унимодална фазова хистограма с ясно изразен пик показва, че фазовите вариации остават близки до номиналната стойност, Фигура 7а. За големи 2π fdT, поради голям fd или дълга дължина на блока T, хистограмата става мултимодална без ясно изразени пикове, Фигура 7b. Друг недостатък на големия fdT е 2π фазовата двусмисленост, при която символите се движат около кръга няколко периода.

4.2. Радиометрична идентификация

Сега прилагаме предложения метод за радиометрична идентификация към сигналите, генерирани от следните генератори на вълни или стандарти: Agilent [54], Viasat EBEM [55], Teledyne Paradise [56], KRATOS Real-Time Channel Simulator (RTsim) [57], и USRP [58]. Данните имат QPSK модулация, взета на 2,95 MHz за общо 35 милиона символа на модел. Фигури 8a и b показват сигнални констелации, които са засегнати от различни количества размазване. Фигура 8b е особено тежък случай поради големия fdT продукт, който кара символите да се въртят, потенциално кратни на 2π. След оценката на fdT и деротацията на символите, първоначалното съзвездие се възстановява на фигура 8c. Фигура 9 е близък план на шест съзвездия след премахване на всички фазови и честотни отмествания. Задачата сега е да припишем сигналите на отделни източници. Като се има предвид сходството на съзвездията в структурата и характеристиките, ясно е, че радиометричната идентификация е много по-предизвикателен проблем от конвенционалната класификация на сигнала въз основа на модулационна информация.

4.3. Матрици на объркване на класове

Обучението на класификатора включва изчисляване на 5 съвпадащи избелващи матрици, Wi, i=1, 2, . . . , 5. Данните се състоят от 35 милиона символа, взети от QPSK-модулирани сигнали, произхождащи от пет различни радиостанции. Наборът за обучение се състои от 5 × 105 символа, което е около 1,4 процента от общите данни. Класификаторът за мнозинство гласове се нуждае от схема за гласуване. Гласовете се генерират чрез разделяне на данните на 72 блока от 5 × 105 проби всеки. Всеки блок генерира един глас, който след това се табулира за цялата дължина на сигнала. Тестовите блокове се изтеглят от "неизвестен" източник, повредени от шум на Гаус и многократно проектирани върху избелващи матрици, съответстващи на всеки източник. Разстоянието Förstner-Moonen се използва за изчисляване на функцията на режима в (6), което води до съставянето на матриците на объркване.

Преди да създадете матриците на объркване, трябва да се проучи поведението на мярката за разстояние на Förstner-Moonen. Съгласно (3), тъй като процесът все повече се избелва, разстоянието Förstner-Moonen между избелената ковариационна матрица и матрицата на идентичността се стеснява. Теоретичното минимално разстояние е нула за бял шум. За да се тества това поведение, се създават две случайни променливи с регулируеми коефициенти на корелация и се поставят в матрица с две колони. Ковариацията на тази матрица се изчислява като функция на корелационните стойности и съответното разстояние Förstner-Moonen се изобразява. Резултатите са изобразени на фигура 3. Както показва фигура 3а, разстоянието е нарастваща функция на корелацията, отразявайки, че ковариационната матрица се отдалечава от тази на процеса на бял шум за увеличаване на корелацията. Това се очаква. Второто свойство на мярката на Förstner-Moonen е, че неизвестните данни са по-близки до процеса на бял шум, когато са избелени чрез неговата избелваща трансформация, отколкото всяко друго, следователно съответстващо избелване. За да се покаже това свойство, данните от Agilent се избелват от неговата избелваща матрица и след това от избелващата матрица на Viasat EBEM. Изчисленията на разстоянието се извършват върху 40 блока данни и са изобразени на фигура 3b. Това, което се откроява е, че разстоянието Förstner-Moonen за данните на Agilent е почти винаги по-малко от това, когато се използва избелващата матрица Viasat EBEM. Това поведение е очаквано, което означава, че се взема правилно решение всеки път, когато се случи. Това преброяване по същество е основата за попълване на матриците за объркване за всички източници.

Следвайки горните наблюдения, съответните матрици на объркване вече могат да бъдат изчислени и са показани в таблица 2. Числата показват процента на правилните гласове, подадени за всеки източник над 72 кадъра от тестовите данни. Имайте предвид, че класификаторът на режима в (6) търси множество гласове, за да избере победител. Това е трудна схема за гласуване. Например Paradise е получил само 77,1 процента от гласовете, но неизвестният сигнал все още е правилно класифициран като Paradise. Следователно таблица 2 показва 100 процента правилна класификация. Матриците на объркване могат да се използват и в схема за меко гласуване, като се запазят действителните проценти на гласовете.

След това изследваме въздействието на по-малките набори от данни и добавения шум над и отвъд това, което вече е в данните. Общият размер на извадката сега е 107, които са разделени на блокове от четвърт милион извадки, всяка от които се превежда на по-малко от 100 msec. Тази дължина генерира 40 блока, които се използват за получаване на статистики за класификация под формата на матрици на объркване. Таблица 3 показва резултатите @ SNR=15 dB добавен гауссов шум. Това е над и отвъд това, което вече е в данните. Всички източници са идентифицирани правилно с изключение на KRATOS RTSim, който е идентифициран като Teledyne Paradise. Дори тогава разликата от 2,5 процента е в рамките на статистическите вариации на серия. Процентните правилни класификационни числа за всеки източник показват голям спад в сравнение с Таблица 2, но схемата за мажоритарно гласуване все още взема правилното решение, макар и с намален марж. Например данните на Agilent са правилно свързани с Agilent само в 30 процента от времето, но това все още е по-високо от всички други. Таблици 4 и 5 повтарят процеса за SNR=5 dB и 0 dB. Въпреки че ставките и маржовете са по-ниски, схемата за мажоритарен вот все още избира правилния клас. Когато маржовете са ниски, статистическата променливост играе роля за правилното идентифициране на източника. Забележете, че големият марж на USRP в Таблица 2 му помага до голяма степен да поддържа правилна идентификация дори при 5 dB SNR в Таблица 4. За да покаже колко ужасна е ситуацията, Фигура 10 показва съзвездието в SNR=5 dB шум. Липсата на идентифициращи характеристики е очевидна навсякъде. Имайте предвид, че RTSim и Paradise са вързани. Тази трудност, разбира се, е отразена и в таблица 4, но правилната идентификация все още е възможна. Четири от пет източника са идентифицирани правилно, а петият е свързан. Таблица 5 е екстремният случай на SNR=0 dB. EBEM и Paradise все още са правилно идентифицирани.

4.4. Сравнения

Изчерпателно сравнение на SVM, CNN и D(eep)NN е докладвано за шест радиостанции в [13]. Правилните нива на класифициране са 44,8 процента (SVM), 82,4 процента (CNN) и 71,9 процента (DNN). Въпреки това, при липсата на приети еталони за радиометрична идентификация, които не съществуват, чисто числените сравнения не са убедителни. Вземат се предвид фактори като сложността на алгоритъма, скоростта на обработка, размера на данните за обучение и други допускания и сравнението е трудно. Дори изборът на радиостанции или протоколи не е обичаен. Отчетеният размер на извадката за обучение в [13] е 10 процента, докато тук е 1,4 процента. По-важното е, че не е докладвана стъпка за възстановяване на оператора. Като се приеме перфектно фазово и честотно подравняване на локалния осцилатор, не е извършено смекчаване на размазването на съзвездието от вида, докладван тук. Това е съществен пропуск. В системата също няма шум. Справянето с високата размерност е друг фактор. Избелващата трансформация е без характеристики, като по този начин се заобикаля намаляването на размерността, докато векторите на характеристиките, извлечени в [10], имат 960 измерения. Отпечатването на RF устройство в когнитивните мрежи Zigbee показва добра точност (≈90 процента), но при високо SNR (по-голямо или равно на 20 dB) [15]. 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).

5. Изводи

Препратки

1. Нанди, Аляска; Azzouz, EE Алгоритми за автоматично разпознаване на модулация на комуникационни сигнали. IEEE Trans. Общ. 1998, 46, 431–436.

2. Phukan, GJ; Bora, PK Оценка на параметри за сляпа класификация на цифрови модулации. IET сигнален процес. 2016, 10, 758–769.

3. Ata'a, AW; Abdullah, SN Разпръскване на радарни сигнали и алгоритми за PRF идентификация. IET Радар Сонар Навигация. 2007, 1, 340–347.

4. Гок, Г.; Алп, Ю.К.; Арикан, О. Нов метод за идентификация на специфичен излъчвател с резултати от реални радарни измервания. IEEE Trans. Инф. Криминалистика Secur. 2020, 15, 3335–3346.

5. Са, К.; Ланг, Д.; Wang, C.; Bai, Y. Специфични техники за идентифициране на излъчвател за Интернет на нещата. IEEE Access 2020, 8, 1644–1652.

6. Ву, Х.; Wang, W. Метод за съвместно откриване на сигурност, базиран на теория на игрите за системи за интернет на нещата. IEEE Trans. Инф. Криминалистика Secur. 2018, 13, 1432–1445.

7. Падила, Дж.; Падила, П.; Valenzuela-Valdés, J.; Ramírez, J.; Górriz, J. RF измервания на пръстови отпечатъци за идентифициране на устройства в безжични комуникационни мрежи въз основа на намаляване на характеристиките и трансформация на подпространство. Измерване 2014, 58, 468–475.

8. Bihl, TJ; Бауер, KW; Temple, MA Избор на функция за RF пръстови отпечатъци с множествен дискриминантен анализ и използване на емисии на ZigBee устройство. IEEE Trans. Инф. Криминалистика Secur. 2016, 11, 1862–1874.

9. Сю, С.; Хуанг, Б.; Xu, L.; Xu, Z. Класификация на радиопредаватели с помощта на нов метод за анализ на бездомни характеристики, комбиниран с PCA. В сборника на конференцията MILCOM 2007-IEEE Military Communications, Орландо, Флорида, САЩ, 29–31 октомври 2007 г.; стр. 1–5.

10. Джия, Й.; Ма, Дж.; Gan, L. Комбинирана оптимизация на намаляване на характеристиките и класификация за радиометрична идентификация. IEEE сигнален процес. Lett. 2017, 24, 584–588.

11. Данев, Б.; Capkun, S. Преходно базирана идентификация на безжични сензорни възли. В сборника на Международната конференция за обработка на информация в сензорни мрежи от 2009 г., Сан Франциско, Калифорния, САЩ, 13–16 април 2009 г.; стр. 25–36.

12. Кенеди, IO; Сканлон, П.; Mullany, FJ; Buddhikot, MM; Нолан, KE; Rondeau, TW Снемане на пръстови отпечатъци на радиопредавателя: подход на честотен домейн в стационарно състояние. В сборника на 2008 IEEE 68th Vehicular Technology Conference, Calgary, AB, Канада, 21–24 септември 2008 г.; стр. 1–5.

13. Юсеф, К.; Bouchard, L.; Хей, К.; Силовски, Дж.; Thapa, B.; Valk, CV Подход за машинно обучение за идентификация на радиочестотни предаватели. IEEE J. Радио честота Идентифицирайте. 2018, 2, 197–205.

14. Джафари, Х.; Омотере, О.; Адесина, Д.; Wu, H.; Qian, L. IoT устройства с пръстови отпечатъци с помощта на дълбоко обучение. В сборника на конференцията за военни комуникации на IEEE MILCOM 2018—2018 (MILCOM), Лос Анджелис, Калифорния, САЩ, 29–31 октомври 2018 г.; стр. 1–9.

15. Търговец, К.; Revay, S.; Станчев, Г.; Nousain, B. Задълбочено обучение за пръстови отпечатъци на радиочестотни устройства в когнитивни комуникационни мрежи. IEEE J. Sel. Връх. Сигнален процес. 2018, 12, 160–167.

16. Раджендран, С.; Meert, W.; Джустиниано, Д.; Кредитори, В.; Pollin, S. Модели за дълбоко обучение за класифициране на безжични сигнали с разпределени евтини спектрални сензори. IEEE Trans. Cogn. Общ. мрежа 2018, 4, 433–445.

17. Динг, Л.; Wang, S.; Wang, F.; Zhang, W. Идентификация на специфичен емитер чрез конволюционни невронни мрежи. IEEE Commun. Lett. 2018, 22, 2591–2594.

18. Масуд, С.; Рай, А.; Aggarwal, A.; Доджа, Минесота; Ахмад, М. Откриване на разсейване на водачи с помощта на конволюционна невронна мрежа. Разпознаване на образец. Lett. 2018, 139, 79–85.

19. Пан, Й.; Янг, С.; Peng, H.; Ли, Т.; Wang, W. Специфична идентификация на емитер, базирана на дълбоки остатъчни мрежи. IEEE Access 2019, 7, 54425–54434.

20. Qian, Y.; Qi, J.; Куай, X.; Хан, Г.; Sun, H.; Хонг, С. Идентификация на специфичен емитер, базирана на разредено представяне на много нива в система за автоматична идентификация. IEEE Trans. Инф. Криминалистика Secur. 2021, 16, 2872–2884.

21. Ду, М.; Той, X.; Cai, X.; Bi, D. Търсене на балансирана невронна архитектура и нейното приложение при идентифициране на специфичен емитер. IEEE Trans. Сигнален процес. 2021, 69, 5051–5065.

22. Хуанг, Г.; Юан, Й.; Уанг, X.; Huang, Z. Специфична идентификация на емитер, базирана на нелинейни динамични характеристики. Мога. J. Electr. Изчисл. инж. 2016, 39, 34–41.

23. Хуанг, Г.; Юан, Й.; Уанг, X.; Huang, Z. Специфична идентификация на излъчвател за комуникационен предавател, използващ множество измервания. Wirel. Човек Общ. 2017, 94, 1523–1542.

24. Юан, Й.; Хуанг, ZT; Wu, H.; Wang, X. Специфична идентификация на емитер въз основа на характеристики на разпределение на време-честота-енергия, базирани на трансформация на Hilbert-Huang. IET Commun. 2014, 8, 2404–2412.

25. Падила, П.; Падила, Дж.; Valenzuela-Valdes, J. Радиочестотна идентификация на безжични устройства въз основа на RF пръстови отпечатъци. Електрон. Lett. 2013, 49, 1409–1410.

26. Hu, A. Базирано на преамбюла откриване на RF пръстови отпечатъци на Wi-Fi предавател. Електрон. Lett. 2010, 46, 1165–1167.

27. Кандоре, А.; Кокабас, О.; Koushanfar, F. Здраво стабилно радиометрично отпечатване на пръстови отпечатъци за безжични устройства. В сборника от Международния семинар на IEEE за 2009 г. за хардуерно-ориентирана сигурност и доверие, Сан Франциско, Калифорния, САЩ, 27–29 юли 2009 г.; стр. 43–49.

28. Дудчик, Й.; Kawalec, A. Алгоритъм за бързо вземане на решения за идентифициране на модел на източник на емисии в базата данни. Бик. пол. акад. Sci.-Tech. Sci. 2015, 63, 385–389.

29. Кавалец, А.; Рапаки, Т.; Wnuczek, S.; Дудчик, Й.; Owczarek, R. Смесен метод, базиран на вътрешноимпулсни данни и разпознаване на излъчени емисии към емитерни източници. В сборника на Международната конференция за микровълни, радарни безжични комуникации през 2006 г., Краков, Полша, 22–24 май 2006 г.; стр. 487–490.

30. Демърс, Ф.; St-Hilaire, M. Радиометрична идентификация на LTE предаватели. В сборника от 2013 г. IEEE Global Communications Conference (GLOBECOM), Атланта, Джорджия, САЩ, 9–13 декември 2013 г.; стр. 4116–4121.

31. Тан, К.; Ян, В.; Джан, Л.; Танг, М.; Zhang, Y. Идентификация на специфичен излъчвател, базирана на софтуерно дефинирано радио и синтез на решения. IEEE Access 2021, 9, 86217–86229.

32. Яна, С.; Kasera, SK Относно бързото и точно откриване на неоторизирани безжични точки за достъп чрез изкривяване на часовника. IEEE Trans. моб. Изчисл. 2009, 9, 449–462.

33. Конинг, М.; Potgieter, F. Анализ на измерени радарни данни за идентифициране на специфичен излъчвател. В сборника на радарната конференция IEEE 2010, Вашингтон, САЩ, 10–14 май 2010 г.; стр. 35–38.

34. Полак, AC; Goeckel, DL Идентификация на безжично устройство въз основа на несъвършенства на RF осцилатор. IEEE Trans. Инф. Криминалистика Secur. 2015, 10, 2492–2501.

35. Полак, AC; Goeckel, DL RF пръстови отпечатъци на потребители, които активно маскират самоличността си с изкуствено изкривяване. В сборника от протокола за 2011 г. на Четиридесет и петата конференция на Асиломар за сигнали, системи и компютри (ASILOMAR), Пасифик Гроув, Калифорния, САЩ, 6–9 ноември 2011 г.; стр. 270–274.

36. Лю, MW; Doherty, JF Специфична идентификация на емитер с помощта на оценка на нелинейно устройство. В сборника от 2008 г. IEEE Sarnoff Symposium, Принстън, Ню Джърси, САЩ, 28–30 април 2008 г.; стр. 1–5.

37. Ли, Й.; Чен, X.; Лин, Й.; Сривастава, Г.; Liu, S. Идентификация на безжичен предавател въз основа на несъвършенства на устройството. IEEE Access 2020, 8, 59305–59314.

38. Долатшахи, С.; Полак, А.; Goeckel, DL Идентифициране на безжични потребители чрез несъвършенства на усилвателя на мощността. В сборника от протокола от конференцията за 2010 г. на четиридесет и четвъртата конференция в Асиломар за сигнали, системи и компютри, Пасифик Гроув, Калифорния, САЩ, 7–10 ноември 2010 г.; стр. 1553–1557.

39. Д'Агостино, С.; Foglia, G.; Pistoia, D. Специфична идентификация на емитер: Анализ на данни от реални радарни сигнали. В сборника на Европейската радарна конференция 2009 (EuRAD), Рим, Италия, 30 септември – 2 октомври 2009 г.; стр. 242–245.

40. Гуо, С.; Бяло, RE; Low, M. Сравнително изследване на идентификацията на радарни излъчватели въз основа на преходни процеси на сигнала. В сборника на радарната конференция IEEE 2018 (RadarConf18), Оклахома Сити, OK, САЩ, 23–27 април 2018 г.; стр. 286–291.

41. Talbot, KI; Дюли, PR; Hyatt, MH Идентификация и проверка на специфичен излъчвател. техн. Rev. 2003, 113, 113–133.

42. Драгомирецки, К.; Zosso, D. Декомпозиция на вариационен режим. IEEE Trans. Сигнален процес. 2013, 62, 531–544.

43. Chang, CI Преглед на ортогоналната подпространствена проекция (OSP): цялостно проучване и анализ. IEEE Trans. Geosci. Дистанционни сензори 2005, 43, 502–518. ): Ричленд, Вашингтон, САЩ, 2007 г.

45. Майер, Р.; Bucholtz, F.; Scribner, D. Откриване на обект чрез използване на избелване/обезбеляване за трансформиране на целеви подписи в мултитемпорални хиперспектрални и мултиспектрални изображения. Geosci. Дистанционен сензор IEEE Trans. 2003, 41, 1136–1142.

46. ​​Кеси, А.; Lewin, A.; Strimmer, K. Оптимално избелване и декориране. Am. Статистика. 2018, 72, 309–314.

47. Бел, AJ; Sejnowski, TJ „Независимите компоненти“ на естествените сцени са филтри по ръбовете. Vis. Рез. 1997, 37, 3327–3338.

48. Сривастава, Н.; Хинтън, Г.; Крижевски, А.; Суцкевер, И.; Salakhutdinov, R. Dropout: Лесен начин за предотвратяване на пренастройването на невронните мрежи. J. Mach. Уча. Рез. 2014, 15, 1929–1958.

49. Förstner, W.; Moonen, B. Метрика за ковариационни матрици. В Геодезия - предизвикателството на 3-то хилядолетие; Springer: Берлин/Хайделберг, Германия, 2003 г.; стр. 299–309.

50. Кулис, Б.; Сустик, MA; Dhillon, IS Обучение на ядрото от нисък ранг с дивергенции на матрицата на Брегман. J. Mach. Уча. Рез. 2009, 10, 341–376.

51. Хердин, М.; Czink, N.; Ozcelik, H.; Бонек, Е. Разстояние на корелационната матрица, значима мярка за оценка на нестационарни MIMO канали. В сборника от 2005 г. IEEE 61-вата конференция за автомобилни технологии, Стокхолм, Швеция, 30 май–1 юни 2005 г.; Том 1, стр. 136–140.

52. Кунчева, Л. И. Теоретично изследване върху шест стратегии за сливане на класификатори. IEEE Trans. модел анален. Мах. Intell. 2002, 24, 281–286.

53. Проакис, JG; Салехи, М. Цифрови комуникации; McGraw-Hill: Ню Йорк, Ню Йорк, САЩ, 2008 г.

54. Векторен генератор на сигнали Agilent. 2021. (достъп на 26 ноември 2021 г.).

55. Viasat SATCOM модем с подобрена честотна лента. 2021. (достъп на 26 ноември 2021 г.).

56. Teledyne Paradise Datacom. 2021. (достъп на 26 ноември 2021 г.).

57. Кратос RTSIM. 2021. (достъп на 26 ноември 2021 г.).

58. Ettus USRP. 2021 г.

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