Radiometrisk identifikation af signaler ved matchet blegningstransform del 2
Apr 13, 2023
4. Resultater
Cistanchehar funktionen affremme af kollagenproduktionen, som kan øge hudens elasticitet og glans oghjælpe med at reparere beskadigede hudceller. Cistanche Phenylethanol Glycosiderhave en væsentlig nedregulerende effekt påtyrosinaseaktivitet, og effekten på tyrosinase er vist at være konkurrencedygtig og reversibel hæmning, hvilket kan give et videnskabeligt grundlag for at udvikle og udnytte blegeingredienserne i Cistanche. Derfor har cistanche en nøglerolle ihudblegning. Det kanhæmmer melaninproduktion for at reducere misfarvning og sløvhed; og fremme kollagenproduktionen for at forbedre hudens elasticitet og udstråling. På grund af den udbredte anerkendelse af disse virkninger af cistanche, er mange hudblegningsprodukter begyndt at tilføre urteingredienser såsom Cistanche for at imødekomme forbrugernes efterspørgsel og dermed øge den kommercielle værdi af Cistanche ihudblegningsprodukter. Sammenfattende er cistanches rolle i hudblegning afgørende. Densantioxidanteffekt og kollagenproducerende effekt kan reducere misfarvning og mathed, forbedre hudens elasticitet og glans og dermed opnå en blegende effekt. Den brede anvendelse af Cistanche i hudblegningsprodukter viser også, at dens rolle i kommerciel værdi ikke kan undervurderes.

Klik på Cistanche Tubulosa Supplement
For mere info:
david.deng@wecistanche.com WhatApp:86 13632399501
Dette afsnit implementerer den foreslåede radiometriske identifikation ved hjælp af simulerede og reelle data. Først korrigeres data for offsetfrekvens og bruges til at vende den tidsvarierende faseoffset. For det andet implementeres den foreslåede algoritme, der er styret af regel (6), og producerer forvirringsmatricer.

4.1. Signalfase- og offsetfrekvenskorrektion
Data simuleres for et QPSK-signal, der er underlagt lokaloscillatorfrekvensforskydning. Tabel 1 viser simuleringsparametrene.

Figur 5 viser den proces, hvorved øjeblikkelige faseværdier samles og anvendes i modeltilpasningstrinnet. Dette trin kan også forklares som prøvetagning af fasekurven. Symbolfaserne pr. blok er histogram efterfulgt af tilpasning af et polynomium. Toppen af polynomiet er ˆθk for den k'te blok. Dette trin gentages over flere blokke og er vist i figur 5a–f. De estimerede faser { ˆθk, k=1, 2, . . . , M} definerer den lineære fasebane, hvis hældning bestemmer fd. Figur 6 er den mindste kvadraters tilpasning af fasemodellen til dataene. Figur 6a og b svarer til henholdsvis SNR=20 dB og 10 dB. Figur 6c illustrerer, at en ikke-lineær fasebane også kan modelleres og spores. Den estimerede fˆ d=0.0505 Hz og fˆ d=0.0455 Hz ved henholdsvis SNR=20 dB og 10 dB. Den sande offset-frekvens er 0,05 Hz.


Symboler roterer med 2π fdT radianer over længden af en blok. Denne rotation skal holdes til en lille brøkdel af den kvadrant, som symbolerne tilhører. For eksempel i QPSK er hver kvadrant π/2 radianer. Den korrekte bloklængde styres af modaliteten af fasehistogrammer. Et unimodal fasehistogram med en tydelig top indikerer, at fasevariationer forbliver tæt på den nominelle værdi, figur 7a. For stor 2π fdT, enten på grund af stor fd eller lang bloklængde T, bliver histogrammet multimodalt uden distinkte toppe, figur 7b. En anden ulempe ved stor fdT er 2π-fasetvetydigheden, hvor symboler bevæger sig rundt i cirklen flere perioder.

4.2. Radiometrisk identifikation
Vi anvender nu den foreslåede radiometriske identifikationsmetode på de signaler, der genereres af følgende bølgeformsgeneratorer eller standarder: Agilent [54], Viasat EBEM [55], Teledyne Paradise [56], KRATOS Real-Time Channel Simulator (RTsim) [57], og USRP [58]. Dataene har QPSK-modulation samplet ved 2,95 MHz for i alt 35 millioner symboler pr. model. Figur 8a og b viser signalkonstellationer, der er påvirket af varierende mængder af udtværing. Figur 8b er et særligt alvorligt tilfælde på grund af det store fdT-produkt, der får symboler til at rotere potentielt multipla af 2π. Efter estimering af fdT og derotation af symboler, gendannes den oprindelige konstellation i figur 8c. Figur 9 er et nærbillede af seks konstellationer, efter at alle fase- og frekvensforskydninger er blevet fjernet. Opgaven er nu at henføre signalerne til individuelle kilder. I betragtning af ligheden mellem konstellationerne i struktur og funktioner er det klart, at radiometrisk identifikation er et meget mere udfordrende problem end konventionel signalklassificering baseret på modulationsinformation.


4.3. Klasseforvirringsmatricer
Træning af klassificereren involverer beregning af 5 matchede hvidtematricer, Wi, i=1, 2, . . . , 5. Dataene består af 35 millioner symboler taget fra QPSK-modulerede signaler, der stammer fra fem forskellige radioer. Træningssættet består af 5 × 105 symboler, hvilket er omkring 1,4 procent af de samlede data. Majority Vote-klassificereren har brug for en afstemningsordning. Stemmer genereres ved at opdele dataene i 72 blokke med hver 5 × 105 prøver. Hver blok genererer én stemme, som derefter tabelleres over hele signallængden. Testblokkene er trukket fra en "ukendt" kilde, ødelagt af Gaussisk støj, og gentagne gange projiceret på blegningsmatricer svarende til hver kilde. Förstner-Moonen-afstanden bruges til at beregne tilstandsfunktionen i (6), der fører til kompileringen af forvirringsmatricerne.
Før du opretter forvirringsmatricerne, skal adfærden af Förstner-Moonen afstandsmålingen undersøges. Ifølge (3) bliver Forstner-Moonen-afstanden mellem den hvide kovariansmatrix og identitetsmatrixen indsnævret, efterhånden som processen bliver mere og mere hvid. Den teoretiske minimumsafstand er nul for hvid støj. For at teste for denne adfærd oprettes to tilfældige variable med justerbare korrelationskoefficienter og placeres i en to-kolonne matrix. Kovariansen af denne matrix beregnes som en funktion af korrelationsværdier, og den tilsvarende Förstner-Moonen-afstand er plottet. Resultaterne er plottet i figur 3. Som figur 3a viser, er afstanden en stigende funktion af korrelation, hvilket afspejler, at kovariansmatrixen bevæger sig væk fra en hvid støjproces for at øge korrelationen. Dette forventes. Den anden egenskab ved Förstner-Moonen-målet er, at de ukendte data er tættere på en hvid støj-proces, når de bliver hvide af dens blegningstransformation end nogen anden, og derfor matchet blegning. For at vise denne egenskab hvidgøres dataene fra Agilent af dens blegningsmatrix og derefter af blegningsmatrixen af Viasat EBEM. Afstandsberegninger udføres over 40 datablokke og plottes i figur 3b. Det, der skiller sig ud, er, at Förstner-Moonen-afstanden for Agilent-dataene næsten altid er mindre end, når Viasat EBEM-blegningsmatrixen bruges. Denne adfærd forventes, hvilket betyder, at der træffes en korrekt beslutning, hver gang det sker. Denne optælling er i det væsentlige grundlaget for at udfylde forvirringsmatricerne over alle kilder.

Efter ovenstående observationer kan de tilsvarende forvirringsmatricer nu beregnes og er vist i tabel 2. Tallene angiver procentdelen af korrekte stemmer afgivet for hver kilde over 72 frames af testdataene. Bemærk, at tilstandsklassificereren i (6) leder efter en flerhed af stemmerne for at vælge en vinder. Det er en hård stemmeordning. For eksempel har Paradise kun modtaget 77,1 procent af stemmerne, men det ukendte signal er stadig korrekt klassificeret som Paradise. Derfor angiver tabel 2 100 procent korrekt klassificering. Forvirringsmatricer kan også bruges i et blødt stemmesystem ved at beholde de faktiske stemmeprocenter.
Dernæst undersøger vi virkningen af mindre datasæt og tilføjet støj ud over, hvad der allerede er i dataene. Den samlede stikprøvestørrelse er nu 107, som er opdelt i blokke på en kvart million prøver, der hver oversættes til mindre end 100 msek. Denne længde genererer 40 blokke, der bruges til at få klassifikationsstatistikker i form af forvirringsmatricer. Tabel 3 viser resultaterne @ SNR=15 dB tilføjet Gaussisk støj. Dette er ud over, hvad der allerede er i dataene. Alle kilder er identificeret korrekt undtagen KRATOS RTSim, som er identificeret som Teledyne Paradise. Selv da er forskellen på 2,5 procent godt inden for kørslens statistiske variationer. De procentvise korrekte klassifikationstal for hver kilde viser et stort fald i forhold til tabel 2, men flertalsafstemningsordningen træffer stadig den korrekte beslutning, dog med en reduceret margin. For eksempel er Agilent-data kun korrekt forbundet med Agilent 30 procent af tiden, men det er stadig højere end nogen andre. Tabel 4 og 5 gentager processen for SNR=5 dB og 0 dB. Selvom satserne og marginalerne er lavere, vælger flertalsordningen stadig den rigtige klasse. Når marginerne er lave, spiller statistisk variabilitet en rolle i at foretage korrekt kildeidentifikation. Bemærk, at den store margin af USRP i tabel 2 hjælper det stort set med at opretholde korrekt identifikation selv ved 5 dB SNR i tabel 4. For at vise hvor alvorlig situationen er, viser figur 10 konstellationen i SNR=5 dB-støj. Manglen på identificerende funktioner er tydelig hele vejen igennem. Bemærk, at RTSim og Paradise er uafhængige. Denne vanskelighed er naturligvis også afspejlet i tabel 4, men korrekt identifikation er stadig mulig. Fire ud af fem kilder er korrekt identificeret, og den femte er uafgjort. Tabel 5 er det ekstreme tilfælde af SNR=0 dB. EBEM og Paradise er stadig korrekt identificeret.



4.4. Sammenligninger
En omfattende sammenligning af SVM, CNN og D(eep)NN er rapporteret for seks radioer i [13]. De korrekte klassifikationssatser er 44,8 procent (SVM), 82,4 procent (CNN) og 71,9 procent (DNN). Men i mangel af accepterede benchmarks for radiometrisk identifikation, som ikke eksisterer, er rene numeriske sammenligninger ikke afgørende. Faktorer som kompleksiteten af algoritmen, behandlingshastighed, træningsdatastørrelse og andre antagelser tages i betragtning, og sammenligningen er vanskelig. Selv valget af radioer eller protokoller er ikke almindeligt. Den rapporterede træningsstikprøvestørrelse i [13] er 10 procent, mens den er 1,4 procent her. Endnu vigtigere er det, at der ikke blev rapporteret noget transportørgendannelsestrin. Ved at antage perfekt fase- og frekvensjustering ved den lokale oscillator, er der ikke udført nogen afbødning for konstellationsudtværing af den art, der er rapporteret her. Dette er en væsentlig udeladelse. Der er heller ingen støj i systemet. At håndtere høj dimensionalitet er en anden faktor. Whitening-transformationen er uden karakteristika og omgår således dimensionalitetsreduktionen, mens feature-vektorer ekstraheret i [10] har 960 dimensioner. RF-enhedsfingeraftryk i de kognitive Zigbee-netværk viser god nøjagtighed (≈90 procent), men ved høj SNR (Større end eller lig med 20 dB) [15]. I [19] er inputdataene forbehandlet som Hilbert-spektrum-gråskalabilleder og opnår acceptabel nøjagtighed under moderate SNR-niveauer (gennemsnitlig 70 procent nøjagtighedsrate for SNR på 15 dB).
5. Konklusioner

Referencer
1. Nandi, AK; Azzouz, EE Algoritmer til automatisk modulationsgenkendelse af kommunikationssignaler. IEEE Trans. Commun. 1998, 46, 431-436.
2. Phukan, GJ; Bora, PK Parameterestimering til blind klassificering af digitale modulationer. IET-signalproces. 2016, 10, 758-769.
3. Ata'a, AW; Abdullah, SN Deinterleaving af radarsignaler og PRF-identifikationsalgoritmer. IET Radar Sonar Navigation. 2007, 1, 340-347.
4. Gok, G.; Alp, YK; Arikan, O. En ny metode til specifik emitteridentifikation med resultater på rigtige radarmålinger. IEEE Trans. Inf. Forensics Secur. 2020, 15, 3335-3346.
5. Sa, K.; Lang, D.; Wang, C.; Bai, Y. Specifikke emitteridentifikationsteknikker til tingenes internet. IEEE Access 2020, 8, 1644–1652.
6. Wu, H.; Wang, W. A Game Theory Based Collaborative Security Detection Method for Internet of Things Systems. IEEE Trans. Inf. Forensics Secur. 2018, 13, 1432-1445.
7. Padilla, J.; Padilla, P.; Valenzuela-Valdés, J.; Ramírez, J.; Górriz, J. RF-fingeraftryksmålinger til identifikation af enheder i trådløse kommunikationsnetværk baseret på funktionsreduktion og subspace-transformation. Måling 2014, 58, 468–475.
8. Bihl, TJ; Bauer, KW; Temple, MA Funktionsvalg til RF-fingeraftryk med analyse af flere diskriminerende og brug af ZigBee-enhedsemissioner. IEEE Trans. Inf. Forensics Secur. 2016, 11, 1862-1874.
9. Xu, S.; Huang, B.; Xu, L.; Xu, Z. Klassificering af radiosender ved hjælp af en ny metode til analyse af herreløse funktioner kombineret med PCA. I 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. Kombineret optimering af funktionsreduktion og klassificering til radiometrisk identifikation. IEEE signalproces. Lett. 2017, 24, 584-588.
11. Danev, B.; Capkun, S. Transient-baseret identifikation af trådløse sensorknuder. I 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 Radiosender-fingeraftryk: A Steady State Frequency Domain Approach. I Proceedings of the 2008 IEEE 68th Vehicular Technology Conference, Calgary, AB, Canada, 21.-24. september 2008; s. 1-5.
13. Youssef, K.; Bouchard, L.; Haigh, K.; Silovsky, J.; Thapa, B.; Valk, CV Maskinlæringstilgang til RF-transmitteridentifikation. IEEE J. Radio Freq. Identificere. 2018, 2, 197-205.
14. Jafari, H.; Omotere, O.; Adesina, D.; Wu, H.; Qian, L. IoT-enheder Fingeraftryk ved hjælp af Deep Learning. I Proceedings of the MILCOM 2018—2018 IEEE Military Communications Conference (MILCOM), Los Angeles, CA, USA, 29.-31. oktober 2018; s. 1-9.
15. Købmand, K.; Revay, S.; Stantchev, G.; Nousain, B. Deep Learning for RF-enhedsfingeraftryk i kognitive kommunikationsnetværk. IEEE J. Sel. Top. Signalproces. 2018, 12, 160-167.
16. Rajendran, S.; Meert, W.; Giustiniano, D.; Långivere, V.; Pollin, S. Deep learning-modeller til trådløs signalklassificering med distribuerede billige spektrumsensorer. IEEE Trans. Cogn. Commun. Netw. 2018, 4, 433-445.
17. Ding, L.; Wang, S.; Wang, F.; Zhang, W. Specific Emitter Identification via Convolutional Neural Networks. IEEE Commun. Lett. 2018, 22, 2591-2594.
18. Masood, S.; Rai, A.; Aggarwal, A.; Doja, MN; Ahmad, M. Detektering af distraktion af drivere ved hjælp af konvolutionelt neuralt netværk. Mønstergenkendelse. Lett. 2018, 139, 79-85.
19. Pan, Y.; Yang, S.; Peng, H.; Li, T.; Wang, W. Specific Emitter Identification Baseret på Deep Residual Networks. IEEE Access 2019, 7, 54425–54434.
20. Qian, Y.; Qi, J.; Kuai, X.; Han, G.; Sun, H.; Hong, S. Specifik emitteridentifikation baseret på sparsom repræsentation på flere niveauer i automatisk identifikationssystem. IEEE Trans. Inf. Forensics Secur. 2021, 16, 2872-2884.
21. Du, M.; Han, X.; Cai, X.; Bi, D. Balanceret neural arkitektursøgning og dens anvendelse i specifik emitteridentifikation. IEEE Trans. Signalproces. 2021, 69, 5051-5065.
22. Huang, G.; Yuan, Y.; Wang, X.; Huang, Z. Specifik emitteridentifikation baseret på ikke-lineære dynamiske karakteristika. Kan. J. Elektr. Comput. Eng. 2016, 39, 34-41.
23. Huang, G.; Yuan, Y.; Wang, X.; Huang, Z. Specifik emitter-identifikation for kommunikationssender ved hjælp af multi-målinger. Wirel. Pers. Commun. 2017, 94, 1523-1542.
24. Yuan, Y.; Huang, ZT; Wu, H.; Wang, X. Specifik emitteridentifikation baseret på Hilbert-Huang transformationsbaserede tids-frekvens-energifordelingsfunktioner. IET Commun. 2014, 8, 2404-2412.
25. Padilla, P.; Padilla, J.; Valenzuela-Valdes, J. Radiofrekvensidentifikation af trådløse enheder baseret på RF-fingeraftryk. Elektron. Lett. 2013, 49, 1409-1410.
26. Hu, A. Præambel-baseret detektion af Wi-Fi-sender RF-fingeraftryk. Elektron. Lett. 2010, 46, 1165-1167.
27. Candore, A.; Kocabas, O.; Koushanfar, F. Robust stabil radiometrisk fingeraftryk til trådløse enheder. I 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. Fast-decision identifikation algoritme af emission kilde mønster i databasen. Tyr. Pol. Acad. Sci.-Tech. Sci. 2015, 63, 385-389.
29. Kawalec, A.; Rapacki, T.; Wnuczek, S.; Dudczyk, J.; Owczarek, R. Blandet metode baseret på intrapulsdata og genkendelse af udstrålet emission til emitterkilder. I Proceedings of the 2006 International Conference on Microwaves, Radar Wireless Communications, Krakow, Polen, 22-24 maj 2006; s. 487–490.
30. Demers, F.; St-Hilaire, M. Radiometrisk identifikation af LTE-sendere. I Proceedings of the 2013 IEEE Global Communications Conference (GLOBECOM), Atlanta, GA, USA, 9.-13. december 2013; s. 4116-4121.
31. Tan, K.; Yan, W.; Zhang, L.; Tang, M.; Zhang, Y. Specifik emitteridentifikation baseret på softwaredefineret radio- og beslutningsfusion. IEEE Access 2021, 9, 86217–86229.
32. Jana, S.; Kasera, SK Om hurtig og præcis registrering af uautoriserede trådløse adgangspunkter ved hjælp af urskævninger. IEEE Trans. Mob. Comput. 2009, 9, 449-462.
33. Conning, M.; Potgieter, F. Analyse af målte radardata til specifik emitteridentifikation. I Proceedings of the 2010 IEEE Radar Conference, Washington, DC, USA, 10.-14. maj 2010; s. 35–38.
34. Polak, AC; Goeckel, DL Identifikation af trådløs enhed baseret på RF-oscillatorfejl. IEEE Trans. Inf. Forensics Secur. 2015, 10, 2492-2501.
35. Polak, AC; Goeckel, DL RF-fingeraftryk af brugere, der aktivt maskerer deres identiteter med kunstig forvrængning. I Proceedings of the 2011 Conference Record of the Fourty 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 Specifik emitter-identifikation ved hjælp af ikke-lineær enhedsestimering. I 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. Identifikation af trådløs sender baseret på enhedsfejl. IEEE Access 2020, 8, 59305–59314.
38. Dolatshahi, S.; Polak, A.; Goeckel, DL Identifikation af trådløse brugere via effektforstærkerfejl. I Proceedings of the 2010 Conference Record of the Fourth 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. Specifik udsenderidentifikation: Analyse af reelle radarsignaldata. I Proceedings of the 2009 European Radar Conference (EuRAD), Rom, Italien, 30. september-2. oktober 2009; s. 242–245.
40. Guo, S.; Hvid, RE; Low, M. En sammenligningsundersøgelse af radaremitteridentifikation baseret på signaltransienter. I 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 Specifik emitter identifikation og verifikation. Teknol. Rev. 2003, 113, 113-133.
42. Dragomiretskiy, K.; Zosso, D. Variationstilstandsnedbrydning. IEEE Trans. Signalproces. 2013, 62, 531-544.
43. Chang, CI Ortogonal Subspace Projection (OSP) revisited: En omfattende undersøgelse og analyse. IEEE Trans. Geosci. Fjernsensorer 2005, 43, 502–518. ): Richland, WA, USA, 2007.
45. Mayer, R.; Bucholtz, F.; Scribner, D. Objektdetektion ved at bruge blegning/afhvidning til at transformere målsignaturer i multitemporale hyperspektrale og multispektrale billeder. Geosci. Fjernsensorer IEEE Trans. 2003, 41, 1136-1142.
46. Kessy, A.; Lewin, A.; Strimmer, K. Optimal Whitening and Decorrelation. Er. Stat. 2018, 72, 309-314.
47. Bell, AJ; Sejnowski, TJ De "uafhængige komponenter" i naturlige scener er kantfiltre. Vis. Res. 1997, 37, 3327-3338.
48. Srivastava, N.; Hinton, G.; Krizhevsky, A.; Sutskever, I.; Salakhutdinov, R. Dropout: En simpel måde at forhindre neurale netværk i at overtilpasse. J. Mach. Lære. Res. 2014, 15, 1929–1958.
49. Förstner, W.; Moonen, B. En metrik for kovariansmatricer. I Geodesy—The Challenge of the 3rd Millennium; Springer: Berlin/Heidelberg, Tyskland, 2003; s. 299-309.
50. Kulis, B.; Sustik, MA; Dhillon, IS Low-Rank Kernel Learning med Bregman Matrix divergenser. J. Mach. Lære. Res. 2009, 10, 341-376.
51. Herdin, M.; Czink, N.; Ozcelik, H.; Bonek, E. Korrelationsmatrixafstand, en meningsfuld foranstaltning til evaluering af ikke-stationære MIMO-kanaler. I Proceedings of the 2005 IEEE 61st Vehicular Technology Conference, Stockholm, Sverige, 30. maj-1. juni 2005; Bind 1, s. 136–140.
52. Kuncheva, LI En teoretisk undersøgelse af seks klassificerende fusionsstrategier. IEEE Trans. Mønster Anal. Mach. Intell. 2002, 24, 281-286.
53. Proakis, JG; Salehi, M. Digital kommunikation; McGraw-Hill: New York, NY, USA, 2008.
54. Agilent Vector Signal Generator. 2021. (tilgået den 26. november 2021).
55. Viasat Enhanced Bandwidth Efficient SATCOM-modem. 2021. (tilgået den 26. november 2021).
56. Teledyne Paradise Datacom. 2021. (tilgået den 26. november 2021).
57. Kratos RTSIM. 2021. (tilgået den 26. november 2021).
58. Ettus USRP. 2021.
For flere oplysninger: david.deng@wecistanche.com WhatApp:86 13632399501






