मैच्ड व्हाइटनिंग ट्रांसफ़ॉर्म पार्ट 2 द्वारा सिग्नल की रेडियोमेट्रिक पहचान
Apr 13, 2023
4. परिणाम
सिस्टंचका कार्य हैकोलेजन उत्पादन को बढ़ावा देना, जो त्वचा की लोच और चमक को बढ़ा सकता है औरक्षतिग्रस्त त्वचा कोशिकाओं की मरम्मत में मदद करें. सिस्टैंच फेनिलेथेनॉल ग्लाइकोसाइड्सपर महत्वपूर्ण डाउन-रेगुलेटिंग प्रभाव पड़ता हैटायरोसिनेसगतिविधि, और tyrosinase पर प्रभाव प्रतिस्पर्धी और प्रतिवर्ती निषेध के रूप में दिखाया गया है, जो कि सिस्टंच में श्वेत बनाने वाली सामग्री के विकास और उपयोग के लिए एक वैज्ञानिक आधार प्रदान कर सकता है। इसलिए सिस्टंच की अहम भूमिका होती हैत्वचा को सफ़ेदी प्रदान करने वाला. यहमेलेनिन को रोकेंमलिनकिरण और नीरसता को कम करने के लिए उत्पादन; और त्वचा की लोच और चमक में सुधार के लिए कोलेजन उत्पादन को बढ़ावा देता है। Cistanche के इन प्रभावों की व्यापक मान्यता के कारण, कई त्वचा को गोरा करने वाले उत्पादों ने उपभोक्ता मांग को पूरा करने के लिए Cistanche जैसे हर्बल अवयवों को डालना शुरू कर दिया है, इस प्रकार Cistanche के व्यावसायिक मूल्य में वृद्धि हुई है।त्वचा को गोरा करने वाले उत्पाद. संक्षेप में, त्वचा को गोरा करने में धनिया की भूमिका महत्वपूर्ण है। इसकाएंटीऑक्सिडेंटप्रभाव और कोलेजन-उत्पादक प्रभाव मलिनकिरण और नीरसता को कम कर सकते हैं, त्वचा की लोच और चमक में सुधार कर सकते हैं, और इस प्रकार एक सफ़ेद प्रभाव प्राप्त कर सकते हैं। इसके अलावा, त्वचा को गोरा करने वाले उत्पादों में सिस्टंच का व्यापक उपयोग दर्शाता है कि व्यावसायिक मूल्य में इसकी भूमिका को कम करके नहीं आंका जा सकता है।

सिस्टैंच ट्यूबलोसा सप्लीमेंट पर क्लिक करें
अधिक जानकारी के लिए:
david.deng@wecistanche.com व्हाट्सएप:86 13632399501
यह खंड सिम्युलेटेड और वास्तविक डेटा का उपयोग करके प्रस्तावित रेडियोमेट्रिक पहचान को लागू करता है। सबसे पहले, डेटा को ऑफ़सेट फ़्रीक्वेंसी के लिए सही किया जाता है और समय-भिन्न चरण ऑफ़सेट को उलटने के लिए उपयोग किया जाता है। दूसरा, प्रस्तावित एल्गोरिथम जो नियम (6) द्वारा शासित होता है, को भ्रम की स्थिति पैदा करने के लिए लागू किया जाता है।

4.1। सिग्नल चरण और ऑफसेट फ्रीक्वेंसी सुधार
क्यूपीएसके सिग्नल के लिए डेटा को सिम्युलेटेड किया जाता है, जो स्थानीय ऑसिलेटर फ़्रीक्वेंसी ऑफ़सेट के अधीन होता है। तालिका 1 सिमुलेशन पैरामीटर दिखाता है।

चित्रा 5 उस प्रक्रिया को दिखाता है जिसके द्वारा तात्कालिक चरण मान एकत्र किए जाते हैं और मॉडल फिटिंग चरण में उपयोग किए जाते हैं। इस कदम को चरण वक्र के नमूने के रूप में भी समझाया जा सकता है। प्रति ब्लॉक प्रतीक चरणों को हिस्टोग्राम किया जाता है और उसके बाद एक बहुपद को फ़िट किया जाता है। kवें ब्लॉक के लिए बहुपद का शिखर ˆθk है। यह कदम कई ब्लॉकों पर दोहराया जाता है और चित्र 5ए-एफ में दिखाया गया है। अनुमानित चरण {ˆθk, k=1, 2, . . . , एम} रैखिक चरण प्रक्षेपवक्र को परिभाषित करता है जिसका ढलान एफडी निर्धारित करता है। चित्रा 6 डेटा के लिए चरण मॉडल का सबसे कम वर्ग फिट है। आंकड़े 6ए, और बी क्रमशः एसएनआर=20 डीबी और 10 डीबी के अनुरूप हैं। चित्र 6c दर्शाता है कि एक अरेखीय चरण प्रक्षेपवक्र को मॉडल और ट्रैक भी किया जा सकता है। अनुमानित fˆd=0.0505 Hz और fˆd=0.0455 Hz SNR=20 dB और 10 dB पर क्रमशः। सही ऑफसेट आवृत्ति 0.05 हर्ट्ज है।


एक ब्लॉक की लंबाई पर प्रतीक 2π fdT रेडियन से घूमते हैं। यह घुमाव उस चतुर्भुज के एक छोटे से अंश तक रखा जाना चाहिए जो प्रतीकों का है। उदाहरण के लिए, QPSK में, प्रत्येक चतुर्थांश π/2 रेडियन है। उचित ब्लॉक लंबाई चरण हिस्टोग्राम के तौर-तरीकों द्वारा निर्देशित होती है। एक अलग चोटी के साथ एक यूनिमोडल चरण हिस्टोग्राम इंगित करता है कि चरण विविधताएं नाममात्र मूल्य के करीब रहती हैं, चित्रा 7ए। बड़े 2π fdT के लिए, या तो बड़ी fd या लंबी ब्लॉक लंबाई T के कारण, हिस्टोग्राम मल्टीमॉडल बन जाता है जिसमें कोई अलग चोटियां नहीं होती हैं, चित्र 7b। बड़े fdT का एक और नुकसान 2π चरण की अस्पष्टता है जहां प्रतीक कई अवधियों के चक्र के चारों ओर घूमते हैं।

4.2। रेडियोमेट्रिक पहचान
अब हम निम्नलिखित तरंग जनरेटर या मानकों द्वारा उत्पन्न संकेतों के लिए प्रस्तावित रेडियोमेट्रिक पहचान पद्धति को लागू करते हैं: एजिलेंट [54], वायसैट ईबीईएम [55], टेलीडाइन पैराडाइज [56], केआरएटीओएस रीयल-टाइम चैनल सिम्युलेटर (आरटीसिम) [57], और यूएसआरपी [58]। डेटा में प्रति मॉडल कुल 35 मिलियन प्रतीकों के लिए 2.95 मेगाहर्ट्ज पर क्यूपीएसके मॉड्यूलेशन नमूना है। आंकड़े 8ए, और बी संकेत नक्षत्र दिखाते हैं जो अलग-अलग मात्रा में स्मीयरिंग से प्रभावित होते हैं। चित्रा 8बी एक विशेष रूप से गंभीर मामला है क्योंकि बड़े एफडीटी उत्पाद के कारण प्रतीक 2π के संभावित गुणकों को घुमाते हैं। एफडीटी के अनुमान और प्रतीकों के व्युत्क्रमण के बाद, मूल नक्षत्र को चित्र 8सी में पुनर्स्थापित किया जाता है। चित्र 9 सभी चरण और आवृत्ति ऑफ़सेट हटा दिए जाने के बाद छह नक्षत्रों का क्लोज़-अप है। कार्य अब संकेतों को अलग-अलग स्रोतों में श्रेय देना है। संरचना और सुविधाओं में नक्षत्रों की समानता को देखते हुए, यह स्पष्ट है कि मॉड्यूलेशन सूचना के आधार पर पारंपरिक सिग्नल वर्गीकरण की तुलना में रेडियोमेट्रिक पहचान एक अधिक चुनौतीपूर्ण समस्या है।


4.3। क्लास कन्फ्यूजन मेट्रिसेस
क्लासिफायर के प्रशिक्षण में 5 मैचिंग वाइटनिंग मेट्रिसेस, वाई, आई=1, 2, . . . , 5. डेटा में पांच अलग-अलग रेडियो से उत्पन्न क्यूपीएसके-संशोधित संकेतों से लिए गए 35 मिलियन प्रतीक शामिल हैं। प्रशिक्षण सेट में 5 × 105 चिह्न होते हैं जो कुल डेटा का लगभग 1.4 प्रतिशत है। बहुसंख्यक मत वर्गीकारक को एक मतदान योजना की आवश्यकता होती है। डेटा को 5 × 105 नमूने प्रत्येक के 72 ब्लॉकों में विभाजित करके वोट उत्पन्न किए जाते हैं। प्रत्येक ब्लॉक एक वोट उत्पन्न करता है जिसे तब पूरे सिग्नल की लंबाई पर सारणीबद्ध किया जाता है। परीक्षण ब्लॉक एक "अज्ञात" स्रोत से तैयार किए गए हैं, जो गॉसियन शोर से दूषित हैं, और बार-बार प्रत्येक स्रोत के अनुरूप व्हाइटिंग मेट्रिसेस पर प्रक्षेपित होते हैं। फ़ॉर्स्टनर-मूनन दूरी का उपयोग (6) में मोड फ़ंक्शन की गणना करने के लिए किया जाता है जिससे भ्रम मैट्रिक्स का संकलन होता है।
भ्रम मैट्रिक्स बनाने से पहले, फॉरस्टनर-मूनन दूरी माप के व्यवहार का अध्ययन किया जाना चाहिए। (3) के अनुसार, जैसे-जैसे प्रक्रिया तेजी से सफेद होती जा रही है, सफेद सहप्रसरण मैट्रिक्स और पहचान मैट्रिक्स के बीच फोरस्टनर-मूनन की दूरी कम होती जा रही है। सफेद शोर के लिए सैद्धांतिक न्यूनतम दूरी शून्य है। इस व्यवहार का परीक्षण करने के लिए, समायोज्य सहसंबंध गुणांक वाले दो यादृच्छिक चर बनाए जाते हैं और दो-स्तंभ मैट्रिक्स में रखे जाते हैं। इस मैट्रिक्स के सहप्रसरण की गणना सहसंबंध मूल्यों के एक समारोह के रूप में की जाती है और संबंधित फोरस्टनर-मूनन दूरी की साजिश रची जाती है। परिणाम चित्रा 3 में प्लॉट किए गए हैं। जैसा कि चित्रा 3ए दिखाता है, दूरी सहसंबंध का एक बढ़ता हुआ कार्य है, यह दर्शाता है कि बढ़ते सहसंबंध के लिए सहप्रसरण मैट्रिक्स एक सफेद शोर प्रक्रिया से दूर जा रहा है। यह अपेक्षित है। फोरस्टनर-मूनन उपाय की दूसरी संपत्ति यह है कि अज्ञात डेटा एक सफेद शोर प्रक्रिया के करीब होता है जब किसी अन्य की तुलना में इसके श्वेतकरण परिवर्तन द्वारा सफेद किया जाता है, इसलिए सफेदी से मेल खाता है। इस संपत्ति को दिखाने के लिए, Agilent के डेटा को इसके व्हाइटनिंग मैट्रिक्स द्वारा और फिर Viasat EBEM के व्हाइटनिंग मैट्रिक्स द्वारा व्हाइट किया जाता है। दूरी की गणना डेटा के 40 से अधिक ब्लॉकों पर की जाती है और चित्र 3बीमें प्लॉट की जाती है । जो बात सामने आती है वह यह है कि एजिलेंट डेटा के लिए फोरस्टनर-मूनन की दूरी लगभग हमेशा उससे कम होती है जब वायसैट ईबीईएम व्हाइटनिंग मैट्रिक्स का उपयोग किया जाता है। यह व्यवहार अपेक्षित है, जिसका अर्थ है कि हर बार ऐसा होने पर एक सही निर्णय लिया जाता है। यह गिनती अनिवार्य रूप से सभी स्रोतों पर भ्रम की स्थिति को भरने का आधार है।

उपर्युक्त अवलोकनों के बाद, संबंधित भ्रम मैट्रिक्स की अब गणना की जा सकती है और तालिका 2 में दिखाया गया है। संख्याएं परीक्षण डेटा के 72 फ्रेमों पर प्रत्येक स्रोत के लिए सही वोटों का प्रतिशत दर्शाती हैं। ध्यान दें कि (6) में मोड क्लासिफायरियर विजेता चुनने के लिए वोटों की बहुलता की तलाश करता है। यह एक कठिन मतदान योजना है। उदाहरण के लिए, पैराडाइज को केवल 77.1 प्रतिशत वोट मिले हैं, लेकिन अज्ञात सिग्नल को अभी भी सही ढंग से पैराडाइज के रूप में वर्गीकृत किया गया है। इसलिए, तालिका 2 100 प्रतिशत सही वर्गीकरण दर्शाती है। सॉफ्ट वोटिंग स्कीम में वास्तविक वोट प्रतिशत को ध्यान में रखते हुए भ्रम मैट्रिक्स का उपयोग किया जा सकता है।
अगला, हम छोटे डेटा सेट के प्रभाव की जांच करते हैं और डेटा में पहले से मौजूद शोर के ऊपर और उससे आगे बढ़ते हैं। कुल नमूना आकार अब 107 है, जो एक चौथाई मिलियन नमूनों के ब्लॉक में विभाजित हैं, जिनमें से प्रत्येक 100 मिसे से कम का अनुवाद करता है। यह लंबाई 40 ब्लॉक उत्पन्न करती है जिनका उपयोग भ्रम मैट्रिक्स के रूप में वर्गीकरण आँकड़े प्राप्त करने के लिए किया जाता है। तालिका 3 @ एसएनआर=15 डीबी जोड़े गए गॉसियन शोर के परिणाम दिखाती है। यह डेटा में पहले से मौजूद चीज़ों से ऊपर और परे है। KRATOS RTSim को छोड़कर सभी स्रोतों की सही पहचान की गई है, जिसे टेलीडाइन पैराडाइज के रूप में पहचाना गया है। फिर भी, 2.5 प्रतिशत का अंतर रन के सांख्यिकीय रूपांतरों के भीतर है। प्रत्येक स्रोत के लिए प्रतिशत सही वर्गीकरण संख्या तालिका 2 की तुलना में एक बड़ी गिरावट दिखाती है, लेकिन बहुमत वाली वोटिंग योजना अभी भी सही निर्णय लेती है, भले ही कम मार्जिन पर। उदाहरण के लिए, Agilent डेटा Agilent के साथ केवल 30 प्रतिशत सही ढंग से जुड़ा हुआ है, लेकिन यह अभी भी किसी भी अन्य की तुलना में अधिक है। टेबल्स 4 और 5 एसएनआर=5 डीबी और 0 डीबी के लिए प्रक्रिया को दोहराते हैं। हालांकि दरें और मार्जिन कम हैं, बहुमत वोट योजना अभी भी सही वर्ग चुनती है। जब मार्जिन कम होता है, तो सांख्यिकीय परिवर्तनशीलता स्रोत की सही पहचान करने में एक भूमिका निभाती है। ध्यान दें कि तालिका 2 में यूएसआरपी का बड़ा मार्जिन तालिका 4 में 5 डीबी एसएनआर पर भी काफी हद तक सही पहचान बनाए रखने में मदद करता है। यह दिखाने के लिए कि स्थिति कितनी विकट है, चित्र 10 एसएनआर=5 डीबी शोर में नक्षत्र दिखाता है। पहचान सुविधाओं की कमी पूरे में स्पष्ट है। ध्यान दें कि आरटीसिम और पैराडाइज बंधे हुए हैं। यह कठिनाई बेशक तालिका 4 में भी दिखाई देती है लेकिन सही पहचान अभी भी संभव है। पाँच में से चार स्रोतों की सही पहचान की गई है और पाँचवाँ बंधा हुआ है। तालिका 5 एसएनआर=0 डीबी का चरम मामला है। ईबीईएम और पैराडाइज अभी भी सही ढंग से पहचाने जाते हैं।



4.4। तुलना
[13] में छह रेडियो के लिए एसवीएम, सीएनएन, और डी (ईप) एनएन की व्यापक तुलना की सूचना दी गई है। सही वर्गीकरण दर 44.8 प्रतिशत (एसवीएम), 82.4 प्रतिशत (सीएनएन) और 71.9 प्रतिशत (डीएनएन) हैं। हालांकि, रेडियोमेट्रिक पहचान के लिए स्वीकृत बेंचमार्क के अभाव में, जो मौजूद नहीं है, शुद्ध संख्यात्मक तुलनाएं निर्णायक नहीं हैं। एल्गोरिथ्म की जटिलता, प्रसंस्करण गति, प्रशिक्षण डेटा आकार और अन्य मान्यताओं जैसे कारकों पर विचार किया जाता है, और तुलना करना कठिन होता है। यहां तक कि रेडियो या प्रोटोकॉल का चुनाव भी आम नहीं है। [13] में सूचित प्रशिक्षण नमूना आकार 10 प्रतिशत है जबकि यह 1.4 प्रतिशत है। इससे भी महत्वपूर्ण बात यह है कि कोई वाहक पुनर्प्राप्ति चरण रिपोर्ट नहीं किया गया था। स्थानीय थरथरानवाला पर सही चरण और आवृत्ति संरेखण मानकर, यहां बताए गए प्रकार के नक्षत्र स्मियरिंग के लिए कोई शमन नहीं किया गया है। यह एक महत्वपूर्ण चूक है। सिस्टम में शोर भी नहीं है। उच्च आयामीता से निपटना एक अन्य कारक है। वाइटनिंग ट्रांसफॉर्मेशन फीचर रहित है, इस प्रकार डायमेंशन में कमी को दरकिनार कर दिया जाता है जबकि [10] में निकाले गए फीचर वैक्टर में 960 डायमेंशन होते हैं। संज्ञानात्मक Zigbee नेटवर्क में RF डिवाइस फ़िंगरप्रिंटिंग अच्छी सटीकता (≈90 प्रतिशत) दिखाती है लेकिन उच्च SNR (20 dB से अधिक या उसके बराबर) [15] पर। [19] में, इनपुट डेटा हिल्बर्ट स्पेक्ट्रम ग्रे-स्केल छवियों के रूप में पूर्व-संसाधित होते हैं और मध्यम एसएनआर स्तरों (15 डीबी के एसएनआर के लिए औसत 70 प्रतिशत सटीकता दर) के तहत स्वीकार्य सटीकता प्राप्त करते हैं।
प्र. 5। निष्कर्ष

संदर्भ
1. नंदी, एके; संचार संकेतों की स्वचालित मॉडुलन पहचान के लिए एज़ौज़, ईई एल्गोरिदम। आईईईई ट्रांस। साम्प्रदायिक। 1998, 46, 431–436।
2. फुकन, जीजे; बोरा, पीके पैरामीटर अनुमान डिजिटल मॉड्यूलेशन के अंधा वर्गीकरण के लिए। आईईटी सिग्नल प्रक्रिया। 2016, 10, 758-769।
3. अता'आ, ऐडवर्ड्स; अब्दुल्ला, रडार सिग्नल और पीआरएफ पहचान एल्गोरिदम के एसएन डीइंटरलीविंग। आईईटी रडार सोनार नेवीग। 2007, 1, 340-347।
4. गोक, जी.; एल्प, वाईके; Arikan, O. वास्तविक रडार मापन पर परिणामों के साथ विशिष्ट उत्सर्जक पहचान के लिए एक नई विधि। आईईईई ट्रांस। सूचना। फोरेंसिक सिक्योर। 2020, 15, 3335–3346।
5. सा, के.; लैंग, डी.; वांग, सी.; इंटरनेट ऑफ थिंग्स के लिए बाई, वाई। विशिष्ट एमिटर पहचान तकनीक। आईईईई एक्सेस 2020, 8, 1644-1652।
6. वू, एच.; वैंग, डब्ल्यू ए गेम थ्योरी आधारित सहयोगात्मक सुरक्षा जांच पद्धति इंटरनेट ऑफ थिंग्स सिस्टम्स के लिए। आईईईई ट्रांस। सूचना। फोरेंसिक सिक्योर। 2018, 13, 1432–1445।
7. पाडिला, जे.; पाडिला, पी.; वैलेंज़ुएला-वाल्डेस, जे.; रामिरेज़, जे।; गोरीज़, जे. आरएफ फ़िंगरप्रिंट माप वायरलेस संचार नेटवर्क में उपकरणों की पहचान के लिए सुविधा में कमी और उप-स्थान परिवर्तन पर आधारित है। मापन 2014, 58, 468–475।
8. बिहल, टीजे; बाउर, किलोवाट; टेंपल, एमए मल्टीपल डिस्क्रिमिनेंट एनालिसिस के साथ आरएफ फिंगरप्रिंटिंग के लिए फीचर सिलेक्शन और ZigBee डिवाइस एमिशन का इस्तेमाल। आईईईई ट्रांस। सूचना। फोरेंसिक सिक्योर। 2016, 11, 1862-1874।
9. जू, एस.; हुआंग, बी.; जू, एल.; जू, जेड रेडियो ट्रांसमीटर वर्गीकरण पीसीए के साथ संयुक्त आवारा सुविधाओं के विश्लेषण की एक नई विधि का उपयोग कर। एमआईएलकॉम की कार्यवाही में 2007-आईईईई सैन्य संचार सम्मेलन, ऑरलैंडो, एफएल, यूएसए, 29-31 अक्टूबर 2007; पीपी। 1-5।
10. जिया, वाई.; मा, जे।; गन, एल. रेडियोमीट्रिक पहचान के लिए फीचर रिडक्शन और वर्गीकरण का संयुक्त अनुकूलन। IEEE सिग्नल प्रक्रिया। लेट। 2017, 24, 584–588।
11. दानेव, बी.; कैपकुन, एस। वायरलेस सेंसर नोड्स की क्षणिक-आधारित पहचान। सेंसर नेटवर्क, सैन फ्रांसिस्को, सीए, यूएसए में सूचना प्रसंस्करण पर 2009 के अंतर्राष्ट्रीय सम्मेलन की कार्यवाही में, 13-16 अप्रैल 2009; पीपी। 25-36।
12. केनेडी, आईओ; स्कैनलॉन, पी.; मुल्लानी, एफजे; बुद्धिकोट, एम.एम.; नोलन, केई; Rondeau, TW रेडियो ट्रांसमीटर फ़िंगरप्रिंटिंग: एक स्थिर राज्य फ़्रीक्वेंसी डोमेन दृष्टिकोण। 2008 IEEE 68वें वाहन प्रौद्योगिकी सम्मेलन, कैलगरी, AB, कनाडा की कार्यवाही में, 21–24 सितंबर 2008; पीपी। 1-5।
13. यूसुफ, के.; बूचर्ड, एल.; हाई, के.; सिलोवस्की, जे.; थापा, बी.; वाल्क, सीवी मशीन लर्निंग एप्रोच टू आरएफ ट्रांसमीटर आइडेंटिफिकेशन। आईईईई जे रेडियो फ्रीक। पहचान करना। 2018, 2, 197–205।
14. जाफरी, एच.; ओमोटेरे, ओ.; एडिसीना, डी.; वू, एच.; Qian, L. IoT डिवाइसेस फ़िंगरप्रिंटिंग यूज़िंग डीप लर्निंग। MILCOM 2018-2018 की कार्यवाही में IEEE सैन्य संचार सम्मेलन (MILCOM), लॉस एंजिल्स, CA, USA, 29–31 अक्टूबर 2018; पीपी। 1-9।
15. मर्चेंट, के.; रेवय, एस.; स्टैंटचेव, जी.; संज्ञानात्मक संचार नेटवर्क में आरएफ डिवाइस फ़िंगरप्रिंटिंग के लिए नौसेन, बी। डीप लर्निंग। आईईईई जे सेल। ऊपर। सिग्नल प्रक्रिया। 2018, 12, 160-167।
16. राजेंद्रन, एस.; मीर्ट, डब्ल्यू.; गिउस्टिनियानो, डी.; लेंडर्स, वी.; वितरित कम लागत वाले स्पेक्ट्रम सेंसर के साथ वायरलेस सिग्नल वर्गीकरण के लिए पोलिन, एस डीप लर्निंग मॉडल। आईईईई ट्रांस। कॉग्न। साम्प्रदायिक। नेटवर्क। 2018, 4, 433–445।
17. डिंग, एल.; वांग, एस.; वांग, एफ.; झांग, डब्ल्यू। विशिष्ट उत्सर्जक पहचान संवेदी तंत्रिका नेटवर्क के माध्यम से। आईईईई कम्युनिटी। लेट। 2018, 22, 2591–2594।
18. मसूद, एस.; राय, ए.; अग्रवाल, ए.; दोजा, एमएन; अहमद, एम। दृढ़ तंत्रिका नेटवर्क का उपयोग कर ड्राइवरों की व्याकुलता का पता लगाना। पैटर्न पहचान। लेट। 2018, 139, 79-85।
19. पैन, वाई.; यांग, एस.; पेंग, एच.; ली, टी.; वैंग, डब्ल्यू. स्पेसिफिक एमिटर आइडेंटिफिकेशन बेस्ड ऑन डीप रेजिडुअल नेटवर्क्स। आईईईई एक्सेस 2019, 7, 54425–54434।
20. कियान, वाई.; क्यूई, जे.; कुई, एक्स।; टांगना।; सन, एच.; हाँग, एस। स्वचालित पहचान प्रणाली में बहु-स्तरीय विरल प्रतिनिधित्व के आधार पर विशिष्ट उत्सर्जक पहचान। आईईईई ट्रांस। सूचना। फोरेंसिक सिक्योर। 2021, 16, 2872–2884।
21. दू, एम.; वह, एक्स।; कै, एक्स।; Bi, D. बैलेंस्ड न्यूरल आर्किटेक्चर सर्च एंड इट्स एप्लीकेशन इन स्पेसिफिक एमिटर आइडेंटिफिकेशन। आईईईई ट्रांस। सिग्नल प्रक्रिया। 2021, 69, 5051–5065।
22. हुआंग, जी.; युआन, वाई.; वांग, एक्स।; हुआंग, जेड। गैर-रैखिक गतिशील विशेषताओं के आधार पर विशिष्ट उत्सर्जक पहचान। कर सकना। जे इलेक्ट्र। गणना। अभियांत्रिकी। 2016, 39, 34–41।
23. हुआंग, जी.; युआन, वाई.; वांग, एक्स।; हुआंग, जेड। बहु-माप का उपयोग कर संचार ट्रांसमीटर के लिए विशिष्ट उत्सर्जक पहचान। वायरल। पर्स। साम्प्रदायिक। 2017, 94, 1523–1542।
24. युआन, वाई.; हुआंग, जेडटी; वू, एच.; वांग, एक्स। हिल्बर्ट-हुआंग ट्रांसफ़ॉर्म-आधारित समय-आवृत्ति-ऊर्जा वितरण सुविधाओं के आधार पर विशिष्ट उत्सर्जक पहचान। आईईटी कम्युनिटी। 2014, 8, 2404–2412।
25. पाडिला, पी.; पाडिला, जे.; वालेंज़ुएला-वाल्डेस, जे। आरएफ फिंगरप्रिंटिंग के आधार पर वायरलेस उपकरणों की रेडियोफ्रीक्वेंसी पहचान। इलेक्ट्रॉन। लेट। 2013, 49, 1409–1410।
26. हू, ए. वाई-फाई ट्रांसमीटर आरएफ फिंगरप्रिंट्स की प्रस्तावना-आधारित पहचान। इलेक्ट्रॉन। लेट। 2010, 46, 1165-1167।
27. कैंडोर, ए.; कोकाबास, ओ.; कौशनफर, एफ। वायरलेस उपकरणों के लिए मजबूत स्थिर रेडियोमेट्रिक फिंगरप्रिंटिंग। हार्डवेयर-उन्मुख सुरक्षा और ट्रस्ट पर 2009 IEEE अंतर्राष्ट्रीय कार्यशाला की कार्यवाही में, सैन फ्रांसिस्को, सीए, यूएसए, 27-29 जुलाई 2009; पीपी। 43-49।
28. डडस्किक, जे.; कवालेक, ए। डेटाबेस में उत्सर्जन स्रोत पैटर्न का तेज़-निर्णय पहचान एल्गोरिदम। साँड़। पोल। अकाद। विज्ञान-तकनीक। विज्ञान। 2015, 63, 385–389।
29. कवलेक, ए.; रापाकी, टी.; वुनुज़ेक, एस.; डडस्किक, जे.; Owczarek, R. मिश्रित विधि इंट्रापल्स डेटा और उत्सर्जक स्रोतों की पहचान के लिए विकिरणित उत्सर्जन पर आधारित है। माइक्रोवेव, रडार वायरलेस कम्युनिकेशंस, क्राको, पोलैंड पर 2006 के अंतर्राष्ट्रीय सम्मेलन की कार्यवाही में, 22-24 मई 2006; पीपी। 487-490।
30. डेमर्स, एफ.; St-Hilaire, M. LTE ट्रांसमीटरों की रेडियोमेट्रिक पहचान। 2013 IEEE ग्लोबल कम्युनिकेशंस कॉन्फ्रेंस (GLOBECOM), अटलांटा, GA, यूएसए की कार्यवाही में, 9-13 दिसंबर 2013; पीपी। 4116–4121।
31. टैन, के.; यान, डब्ल्यू.; झांग, एल.; तांग, एम.; झांग, वाई। विशिष्ट उत्सर्जक पहचान सॉफ्टवेयर-परिभाषित रेडियो और निर्णय संलयन पर आधारित है। IEEE एक्सेस 2021, 9, 86217–86229।
32. जाना, एस.; कसेरा, एसके क्लॉक स्क्यू का उपयोग करके अनाधिकृत वायरलेस एक्सेस पॉइंट्स का तेज और सटीक पता लगाने पर। आईईईई ट्रांस। भीड़। गणना। 2009, 9, 449–462।
33. कोनिंग, एम.; पोटगीटर, एफ। विशिष्ट उत्सर्जक पहचान के लिए मापा रडार डेटा का विश्लेषण। 2010 आईईईई रडार सम्मेलन की कार्यवाही में, वाशिंगटन, डीसी, यूएसए, 10-14 मई 2010; पीपी। 35-38।
34. पोलाक, एसी; गोएकेल, डीएल वायरलेस डिवाइस की पहचान आरएफ ऑसिलेटर खामियों पर आधारित है। आईईईई ट्रांस। सूचना। फोरेंसिक सिक्योर। 2015, 10, 2492–2501।
35. पोलक, एसी; Goeckel, DL RF उन उपयोगकर्ताओं की फ़िंगरप्रिंटिंग जो सक्रिय रूप से कृत्रिम विकृति के साथ अपनी पहचान छिपाते हैं। सिग्नल, सिस्टम, और कंप्यूटर (ASILOMAR) पर 45वें असिलोमर सम्मेलन के 2011 सम्मेलन रिकॉर्ड की कार्यवाही में, पैसिफ़िक ग्रोव, सीए, यूएसए, 6–9 नवंबर 2011; पीपी। 270-274।
36. लियू, मेगावाट; डोहर्टी, जेएफ स्पेसिफिक एमिटर आइडेंटिफिकेशन यूजिंग नॉनलाइनियर डिवाइस एस्टीमेशन। 2008 आईईईई सरनॉफ़ संगोष्ठी, प्रिंसटन, एनजे, यूएसए की कार्यवाही में, 28-30 अप्रैल 2008; पीपी। 1-5।
37. ली, वाई.; चेन, एक्स।; लिन, वाई.; श्रीवास्तव, जी.; डिवाइस की खामियों के आधार पर लियू, एस। वायरलेस ट्रांसमीटर पहचान। आईईईई एक्सेस 2020, 8, 59305–59314।
38. दोलतशाही, एस.; पोलाक, ए.; गोएकेल, डीएल पावर एम्पलीफायर खामियों के माध्यम से वायरलेस उपयोगकर्ताओं की पहचान। सिग्नल, सिस्टम और कंप्यूटर, पैसिफिक ग्रोव, सीए, यूएसए, 7-10 नवंबर 2010; पीपी। 1553-1557।
39. डी'ऑगस्टिनो, एस.; फोगलिया, जी.; पिस्टोइया, डी। विशिष्ट उत्सर्जक पहचान: वास्तविक रडार सिग्नल डेटा पर विश्लेषण। 2009 यूरोपीय रडार सम्मेलन (EuRAD), रोम, इटली की कार्यवाही में, 30 सितंबर-2 अक्टूबर 2009; पीपी। 242-245।
40. गुओ, एस.; सफेद, आरई; कम, एम। सिग्नल ट्रांजिस्टर के आधार पर रडार उत्सर्जक पहचान का तुलनात्मक अध्ययन। 2018 IEEE रडार सम्मेलन (RadarConf18) की कार्यवाही में, ओक्लाहोमा सिटी, OK, USA, 23–27 अप्रैल 2018; पीपी। 286-291।
41. टैलबोट, केआई; डूली, पीआर; हयात, महाराष्ट्र विशिष्ट उत्सर्जक पहचान और सत्यापन। प्रौद्योगिकी। रेव. 2003, 113, 113–133।
42. ड्रैगोमाइरेट्स्की, के.; ज़ोसो, डी। वैरिएशनल मोड अपघटन। आईईईई ट्रांस। सिग्नल प्रक्रिया। 2013, 62, 531–544।
43. चांग, सीआई ऑर्थोगोनल सबस्पेस प्रोजेक्शन (OSP) पर दोबारा गौर किया गया: एक व्यापक अध्ययन और विश्लेषण। आईईईई ट्रांस। जिओस्की। रिमोट सेंसर 2005, 43, 502-518। ): रिचलैंड, डब्ल्यूए, यूएसए, 2007।
45. मेयर, आर.; बुकोल्ट्ज, एफ.; स्क्रिब्नर, डी. मल्टीटेम्पोरल हाइपरस्पेक्ट्रल और मल्टीस्पेक्ट्रल इमेजरी में टारगेट सिग्नेचर को बदलने के लिए व्हाइटनिंग/डिवाइटनिंग का उपयोग करके ऑब्जेक्ट डिटेक्शन। जिओस्की। रिमोट सेंसर आईईईई ट्रांस। 2003, 41, 1136–1142।
46. केसी, ए.; लेविन, ए.; स्ट्रिमर, के. ऑप्टिमल व्हाइटनिंग एंड डेकोरेशन। पूर्वाह्न। स्टेट। 2018, 72, 309–314।
47. बेल, एजे; Sejnowski, TJ प्राकृतिक दृश्यों के "स्वतंत्र घटक" एज फिल्टर हैं। विस। रेस। 1997, 37, 3327–3338।
48. श्रीवास्तव, एन.; हिंटन, जी.; क्रिज़ेव्स्की, ए.; सुतस्केवर, आई.; सलाखुटदीनोव, आर। ड्रॉपआउट: तंत्रिका नेटवर्क को ओवरफिटिंग से रोकने का एक सरल तरीका। जे मच। सीखना। रेस। 2014, 15, 1929-1958।
49. फोरस्टनर, डब्ल्यू।; मूनेन, बी। सहप्रसरण मैट्रिसेस के लिए एक मीट्रिक। जियोडेसी में-तीसरी सहस्राब्दी की चुनौती; स्प्रिंगर: बर्लिन/हीडलबर्ग, जर्मनी, 2003; पीपी। 299-309।
50. कुलिस, बी.; सुस्तिक, एमए; ढिल्लों, आईएस लो-रैंक कर्नेल लर्निंग विथ ब्रेगमैन मैट्रिक्स डायवर्जेंस। जे मच। सीखना। रेस। 2009, 10, 341–376।
51. हर्डिन, एम.; ज़िंक, एन.; ओज़ेलिक, एच.; बोनेक, ई. सहसंबंध मैट्रिक्स दूरी, गैर-स्थिर MIMO चैनलों के मूल्यांकन के लिए एक सार्थक उपाय। 2005 IEEE 61वें वाहन प्रौद्योगिकी सम्मेलन, स्टॉकहोम, स्वीडन की कार्यवाही में, 30 मई-1 जून 2005; वॉल्यूम 1, पीपी. 136-140।
52. कुंचेवा, एलआई छह क्लासिफायर फ्यूजन रणनीतियों पर एक सैद्धांतिक अध्ययन। आईईईई ट्रांस। पैटर्न गुदा। मच। इंटेल। 2002, 24, 281-286।
53. प्रोकिस, जेजी; सालेही, एम. डिजिटल कम्युनिकेशंस; मैकग्रा-हिल: न्यूयॉर्क, एनवाई, यूएसए, 2008।
54. एजिलेंट वेक्टर सिग्नल जेनरेटर। 2021. (26 नवंबर 2021 को एक्सेस किया गया)।
55. वायसैट एन्हांस्ड बैंडविड्थ कुशल सैटकॉम मोडेम। 2021. (26 नवंबर 2021 को एक्सेस किया गया)।
56. टेलीडाइन पैराडाइज डाटाकॉम। 2021. (26 नवंबर 2021 को एक्सेस किया गया)।
57. क्रतोस आरटीएसआईएम। 2021. (26 नवंबर 2021 को एक्सेस किया गया)।
58. एट्टस यूएसआरपी। 2021.
अधिक जानकारी के लिए: david.deng@wecistanche.com व्हाट्सएप:86 13632399501






