4. Hasil

Cistanchememiliki fungsi darimempromosikan produksi kolagen, yang dapat meningkatkan elastisitas dan kilau kulit danmembantu memperbaiki sel kulit yang rusak. Cistanche Phenylethanol Glikosidamemiliki efek down-regulasi yang signifikan padatirosinaseaktivitas, dan efek pada tirosinase terbukti menjadi penghambat kompetitif dan reversibel, yang dapat memberikan dasar ilmiah untuk mengembangkan dan memanfaatkan bahan pemutih di Cistanche. Oleh karena itu, cistanche memiliki peran kunci dalampemutih kulit. Bisamenghambat melaninproduksi untuk mengurangi perubahan warna dan kusam; dan meningkatkan produksi kolagen untuk meningkatkan elastisitas dan cahaya kulit. Karena efek cistanche ini sudah dikenal luas, banyak produk pemutih kulit yang mulai memasukkan bahan-bahan herbal seperti Cistanche untuk memenuhi permintaan konsumen, sehingga meningkatkan nilai komersial Cistanche di Indonesia.produk pemutih kulit. Singkatnya, peran cistanche dalam pemutihan kulit sangat penting. Diaantioksidanefek dan efek penghasil kolagen dapat mengurangi perubahan warna dan kusam, meningkatkan elastisitas dan kilau kulit, dan dengan demikian mencapai efek pemutihan. Selain itu, aplikasi Cistanche yang luas dalam produk pemutih kulit menunjukkan bahwa perannya dalam nilai komersial tidak dapat diremehkan.

Klik Suplemen Cistanche Tubulosa

Untuk info lebih lanjut:

david.deng@wecistanche.com WhatsApp:86 13632399501

Bagian ini mengimplementasikan identifikasi radiometrik yang diusulkan menggunakan data simulasi dan nyata. Pertama, data dikoreksi untuk frekuensi offset dan digunakan untuk membalik fase offset yang bervariasi waktu. Kedua, algoritma yang diusulkan yang diatur oleh aturan (6) diimplementasikan menghasilkan matriks kebingungan.

4.1. Fase Sinyal dan Koreksi Frekuensi Offset

Data disimulasikan untuk sinyal QPSK yang tunduk pada offset frekuensi osilator lokal. Tabel 1 menunjukkan parameter simulasi.

Gambar 5 menunjukkan proses dimana nilai fase sesaat dikumpulkan dan digunakan dalam langkah pemasangan model. Langkah ini juga dapat dijelaskan sebagai pengambilan sampel dari kurva fase. Fase simbol per blok dihistogram diikuti dengan pemasangan polinomial. Puncak polinomial adalah ˆθk untuk blok ke-k. Langkah ini diulangi pada banyak blok dan ditunjukkan pada Gambar 5a – f. Estimasi fase { ˆθk, k=1, 2, . . . , M} menentukan lintasan fase linier yang kemiringannya menentukan fd. Gambar 6 adalah kuadrat terkecil dari model fase ke data. Gambar 6a, dan b masing-masing sesuai dengan SNR=20 dB dan 10 dB. Gambar 6c mengilustrasikan bahwa lintasan fase nonlinier dapat dimodelkan dan dilacak juga. Estimasi f ˆ d=0.0505 Hz dan f ˆ d=0.0455 Hz masing-masing pada SNR=20 dB dan 10 dB. Frekuensi offset sebenarnya adalah 0,05 Hz.

Simbol berotasi sebesar 2π fdT radian sepanjang balok. Rotasi ini harus dijaga pada sebagian kecil kuadran tempat simbol-simbol itu berada. Misalnya, dalam QPSK, setiap kuadran adalah π/2 radian. Panjang blok yang tepat dipandu oleh modalitas histogram fase. Histogram fase unimodal dengan puncak yang berbeda menunjukkan bahwa variasi fase tetap mendekati nilai nominal, Gambar 7a. Untuk 2π fdT besar, baik karena fd besar atau panjang blok T, histogram menjadi multimodal tanpa puncak yang berbeda, Gambar 7b. Kerugian lain dari fdT besar adalah ambiguitas fase 2π di mana simbol bergerak di sekitar lingkaran beberapa periode.

4.2. Identifikasi Radiometrik

Kami sekarang menerapkan metode identifikasi radiometrik yang diusulkan untuk sinyal yang dihasilkan oleh generator gelombang atau standar berikut: Agilent [54], Viasat EBEM [55], Teledyne Paradise [56], KRATOS Real-Time Channel Simulator (RTsim) [57], dan USRP [58]. Data memiliki sampel modulasi QPSK pada 2,95 MHz dengan total 35 juta simbol per model. Gambar 8a, dan b menunjukkan konstelasi sinyal yang dipengaruhi oleh jumlah noda yang bervariasi. Gambar 8b adalah kasus yang sangat parah karena hasil kali fdT yang besar menyebabkan simbol berotasi secara potensial kelipatan 2π. Mengikuti estimasi fdT dan derotasi simbol, konstelasi asli dipulihkan pada Gambar 8c. Gambar 9 adalah close-up dari enam konstelasi setelah semua offset fase dan frekuensi dihilangkan. Tugas sekarang adalah menghubungkan sinyal ke sumber individu. Mengingat kesamaan konstelasi dalam struktur dan fitur, jelas bahwa identifikasi radiometrik merupakan masalah yang jauh lebih menantang daripada klasifikasi sinyal konvensional berdasarkan informasi modulasi.

4.3. Matriks Kebingungan Kelas

Melatih pengklasifikasi melibatkan perhitungan 5 matriks pemutihan yang cocok, Wi, i=1, 2, . . . , 5. Data tersebut terdiri dari 35 juta simbol yang diambil dari sinyal termodulasi QPSK yang berasal dari lima radio berbeda. Set pelatihan terdiri dari 5 × 105 simbol yaitu sekitar 1,4 persen dari total data. Pengklasifikasi Suara Mayoritas membutuhkan skema pemungutan suara. Suara dihasilkan dengan membagi data menjadi 72 blok masing-masing 5 × 105 sampel. Setiap blok menghasilkan satu suara yang kemudian ditabulasikan pada seluruh panjang sinyal. Blok uji diambil dari sumber "tidak dikenal", dirusak oleh noise Gaussian, dan berulang kali diproyeksikan pada matriks pemutihan yang sesuai dengan masing-masing sumber. Jarak Förstner-Moonen digunakan untuk menghitung fungsi mode di (6) yang mengarah ke kompilasi matriks kebingungan.

Sebelum membuat matriks konfusi, perilaku pengukuran jarak Förstner-Moonen harus dipelajari. Menurut (3), karena proses semakin memutih, jarak Förstner-Moonen antara matriks kovarians yang diputihkan dan matriks identitas menyempit. Jarak minimum teoretis adalah nol untuk derau putih. Untuk menguji perilaku ini, dua variabel acak dengan koefisien korelasi yang dapat disesuaikan dibuat dan ditempatkan dalam matriks dua kolom. Kovarian matriks ini dihitung sebagai fungsi dari nilai korelasi dan jarak Förstner-Moonen yang sesuai diplot. Hasilnya diplot pada Gambar 3. Seperti yang ditunjukkan Gambar 3a, jarak adalah fungsi korelasi yang meningkat, yang mencerminkan bahwa matriks kovarian menjauh dari proses derau putih untuk meningkatkan korelasi. Ini diharapkan. Properti kedua dari ukuran Förstner-Moonen adalah bahwa data yang tidak diketahui lebih dekat ke proses derau putih ketika diputihkan oleh transformasi pemutihannya daripada yang lain, sehingga pemutihan yang cocok. Untuk menunjukkan properti ini, data dari Agilent diputihkan oleh matriks pemutihnya dan kemudian oleh matriks pemutihan Viasat EBEM. Perhitungan jarak dilakukan pada 40 blok data dan diplot pada Gambar 3b. Apa yang menonjol adalah bahwa jarak Förstner-Moonen untuk data Agilent hampir selalu lebih kecil daripada ketika matriks pemutihan Viasat EBEM digunakan. Perilaku ini diharapkan, artinya keputusan yang benar dibuat setiap kali hal itu terjadi. Hitungan ini pada dasarnya adalah dasar untuk mengisi matriks kebingungan di semua sumber.

Mengikuti pengamatan di atas, matriks kebingungan yang sesuai sekarang dapat dihitung dan ditunjukkan pada Tabel 2. Angka-angka tersebut menunjukkan persentase suara benar yang diberikan untuk setiap sumber lebih dari 72 kerangka data uji. Perhatikan bahwa pengklasifikasi mode di (6) mencari pluralitas suara untuk memilih pemenang. Ini skema pemungutan suara yang sulit. Misalnya, Paradise hanya menerima 77,1 persen suara tetapi sinyal yang tidak diketahui masih diklasifikasikan dengan benar sebagai Paradise. Oleh karena itu, Tabel 2 menunjukkan klasifikasi yang benar 100 persen. Matriks kebingungan dapat digunakan dalam skema pemungutan suara lunak juga dengan mempertahankan persentase suara yang sebenarnya.

Selanjutnya, kami menyelidiki dampak kumpulan data yang lebih kecil dan gangguan tambahan di atas dan di luar apa yang sudah ada dalam data. Total ukuran sampel sekarang adalah 107 yang dipecah menjadi blok-blok yang terdiri dari seperempat juta sampel yang masing-masing diterjemahkan menjadi kurang dari 100 mdtk. Panjang ini menghasilkan 40 blok yang digunakan untuk mendapatkan statistik klasifikasi dalam bentuk matriks kebingungan. Tabel 3 menunjukkan hasil @ SNR=15 dB menambahkan noise Gaussian. Ini di atas dan di luar apa yang sudah ada dalam data. Semua sumber diidentifikasi dengan benar kecuali KRATOS RTSim yang diidentifikasi sebagai Teledyne Paradise. Meski begitu, perbedaan 2,5 persen masih dalam variasi statistik lari. Persentase angka klasifikasi yang benar untuk setiap sumber menunjukkan penurunan yang besar dibandingkan dengan Tabel 2 tetapi skema pemungutan suara mayoritas masih membuat keputusan yang tepat, meskipun dengan margin yang lebih kecil. Misalnya, data Agilent dikaitkan dengan benar dengan Agilent hanya 30 persen dari waktu, tetapi itu masih lebih tinggi daripada yang lain. Tabel 4 dan 5 mengulangi proses untuk SNR=5 dB dan 0 dB. Meski tarif dan marginnya lebih rendah, skema suara terbanyak tetap memilih kelas yang tepat. Ketika margin rendah, variabilitas statistik berperan dalam membuat identifikasi sumber yang benar. Perhatikan bahwa margin USRP yang besar pada Tabel 2 sebagian besar membantu mempertahankan identifikasi yang benar bahkan pada SNR 5 dB pada Tabel 4. Untuk menunjukkan seberapa parah situasinya, Gambar 10 menunjukkan konstelasi dalam kebisingan SNR=5 dB. Kurangnya fitur pengidentifikasi terlihat jelas di seluruh. Perhatikan bahwa RTSim dan Paradise terikat. Kesulitan ini tentu saja juga tercermin dalam Tabel 4, tetapi identifikasi yang benar masih memungkinkan. Empat dari lima sumber diidentifikasi dengan benar dan yang kelima diikat. Tabel 5 adalah kasus ekstrim dari SNR=0 dB. EBEM dan Paradise masih teridentifikasi dengan benar.

4.4. Perbandingan

Perbandingan komprehensif SVM, CNN, dan D(eep)NN dilaporkan untuk enam radio di [13]. Tingkat klasifikasi yang benar adalah 44,8 persen (SVM), 82,4 persen (CNN), dan 71,9 persen (DNN). Namun, dengan tidak adanya tolok ukur yang diterima untuk identifikasi radiometrik, yang tidak ada, perbandingan numerik murni tidak konklusif. Faktor-faktor seperti kompleksitas algoritme, kecepatan pemrosesan, ukuran data pelatihan, dan asumsi lain dipertimbangkan, dan perbandingannya sulit. Bahkan pilihan radio atau protokol pun tidak umum. Ukuran sampel pelatihan yang dilaporkan di [13] adalah 10 persen sedangkan di sini 1,4 persen. Lebih penting lagi, tidak ada langkah pemulihan operator yang dilaporkan. Dengan mengasumsikan penyelarasan fase dan frekuensi sempurna pada osilator lokal, tidak ada mitigasi untuk pengolesan konstelasi seperti yang dilaporkan di sini telah dilakukan. Ini adalah kelalaian yang signifikan. Juga tidak ada kebisingan dalam sistem. Berurusan dengan dimensi tinggi adalah faktor lain. Transformasi pemutihan bersifat tanpa fitur sehingga melewati pengurangan dimensi sedangkan vektor fitur yang diekstraksi di [10] memiliki 960 dimensi. Sidik jari perangkat RF dalam jaringan Zigbee kognitif menunjukkan akurasi yang baik (≈90 persen) tetapi pada SNR tinggi (Lebih besar dari atau sama dengan 20 dB) [15]. Pada [19], data input diproses sebelumnya sebagai gambar skala abu-abu spektrum Hilbert dan mencapai akurasi yang dapat diterima di bawah level SNR sedang (Tingkat akurasi rata-rata 70 persen untuk SNR 15 dB).

5. Kesimpulan

Referensi

1. Nandi, AK; Azzouz, Algoritma EE untuk pengenalan modulasi otomatis sinyal komunikasi. Trans IEEE. Komunal. 1998, 46, 431–436.

2. Phukan, GJ; Bora, estimasi Parameter PK untuk klasifikasi buta modulasi digital. Proses Sinyal IET. 2016, 10, 758–769.

3. Ata'a, AW; Abdullah, SN Deinterleaving dari sinyal radar dan algoritma identifikasi PRF. IET Radar Sonar Navig. 2007, 1, 340–347.

4. Gok, G.; Alpen, YK; Arikan, O. Metode Baru untuk Identifikasi Emitter Spesifik Dengan Hasil Pengukuran Real Radar. Trans IEEE. Inf. Keamanan Forensik. 2020, 15, 3335–3346.

5. Sa, K.; Lang, D.; Wang, C.; Bai, Y. Teknik Identifikasi Emitor Spesifik untuk Internet of Things. Akses IEEE 2020, 8, 1644–1652.

6. Wu, H.; Wang, W. Metode Deteksi Keamanan Kolaboratif Berbasis Teori Permainan untuk Sistem Internet of Things. Trans IEEE. Inf. Keamanan Forensik. 2018, 13, 1432–1445.

7. Padila, J.; Padila, P.; Valenzuela-Valdés, J.; Ramírez, J.; Górriz, J. Pengukuran sidik jari RF untuk mengidentifikasi perangkat dalam jaringan komunikasi nirkabel berdasarkan pengurangan fitur dan transformasi subruang. Pengukuran 2014, 58, 468–475.

8. Bihl, TJ; Bauer, KW; Pemilihan Fitur Temple, MA untuk Sidik Jari RF dengan Analisis Diskriminan Berganda dan Menggunakan Emisi Perangkat ZigBee. Trans IEEE. Inf. Keamanan Forensik. 2016, 11, 1862–1874.

9. Xu, S.; Huang, B.; Xu, L.; Xu, Z. Klasifikasi Pemancar Radio menggunakan Metode Baru Stray Features Analysis Dikombinasikan dengan PCA. Dalam Prosiding MILCOM 2007-Konferensi Komunikasi Militer IEEE, Orlando, FL, AS, 29–31 Oktober 2007; hlm. 1–5.

10. Jia, Y.; Ibu, J.; Gan, L. Gabungan Optimasi Pengurangan Fitur dan Klasifikasi untuk Identifikasi Radiometrik. Proses Sinyal IEEE. Lett. 2017, 24, 584–588.

11. Danev, B.; Capkun, S. Identifikasi berbasis transien dari node sensor nirkabel. Dalam Prosiding Konferensi Internasional 2009 tentang Pemrosesan Informasi di Jaringan Sensor, San Francisco, CA, AS, 13–16 April 2009; hlm. 25–36.

12.Kennedy, IO; Scanlon, P.; Mullany, FJ; Buddhikot, MM; Nolan, KE; Rondeau, Sidik Jari Pemancar Radio TW: Pendekatan Domain Frekuensi Kondisi Stabil. Dalam Prosiding Konferensi Teknologi Kendaraan ke-68 IEEE 2008, Calgary, AB, Kanada, 21–24 September 2008; hlm. 1–5.

13. Youssef, K.; Bouchard, L.; Haigh, K.; Silovsky, J.; Thapa, B.; Valk, Pendekatan Pembelajaran Mesin CV untuk Identifikasi Pemancar RF. IEEE J. Frekuensi Radio. Mengenali. 2018, 2, 197–205.

14. Jafari, H.; Omotere, O.; Adesina, D.; Wu, H.; Qian, L. Perangkat IoT Fingerprinting Menggunakan Deep Learning. Dalam Prosiding MILCOM 2018—2018 IEEE Military Communications Conference (MILCOM), Los Angeles, CA, USA, 29–31 Oktober 2018; hlm. 1–9.

15. Pedagang, K.; Revay, S.; Stantchev, G.; Nousain, B. Pembelajaran Mendalam untuk Sidik Jari Perangkat RF dalam Jaringan Komunikasi Kognitif. IEEE J.Sel. Atas. Proses Sinyal. 2018, 12, 160–167.

16. Rajendran, S.; Meert, W.; Giustiniano, D.; Pemberi pinjaman, V.; Pollin, S. Model pembelajaran mendalam untuk klasifikasi sinyal nirkabel dengan sensor spektrum berbiaya rendah terdistribusi. Trans IEEE. Cogn. Komunal. Jaringan 2018, 4, 433–445.

17. Ding, L.; Wang, S.; Wang, F.; Zhang, W. Identifikasi Emitor Spesifik melalui Jaringan Syaraf Konvolusional. Komunitas IEEE. Lett. 2018, 22, 2591–2594.

18. Masood, S.; Rai, A.; Aggarwal, A.; Doja, MN; Ahmad, M. Mendeteksi gangguan pengemudi menggunakan convolutional neural network. Pengenalan Pola. Lett. 2018, 139, 79–85.

19. Panci, Y.; Yang, S.; Peng, H.; Li, T.; Wang, W. Identifikasi Emitor Spesifik Berdasarkan Deep Residual Networks. Akses IEEE 2019, 7, 54425–54434.

20. Qian, Y.; Qi, J.; Kuai, X.; Menggantung.; Matahari, H.; Hong, S. Identifikasi Emitor Khusus Berdasarkan Representasi Jarang Multi-Level dalam Sistem Identifikasi Otomatis. Trans IEEE. Inf. Keamanan Forensik. 2021, 16, 2872–2884.

21. Du, M.; Dia, X.; Cai, X.; Bi, D. Pencarian Arsitektur Saraf Seimbang dan Penerapannya dalam Identifikasi Emitor Spesifik. Trans IEEE. Proses Sinyal. 2021, 69, 5051–5065.

22. Huang, G.; Yuan, Y.; Wang, X.; Huang, Z. Identifikasi Emitor Spesifik Berdasarkan Karakteristik Dinamis Nonlinier. Bisa. J.Electr. Komputer. Eng. 2016, 39, 34–41.

23. Huang, G.; Yuan, Y.; Wang, X.; Huang, Z. Identifikasi emitor khusus untuk pemancar komunikasi menggunakan multi-pengukuran. Kawat. Pers. Komunal. 2017, 94, 1523–1542.

24. Yuan, Y.; Huang, ZT; Wu, H.; Wang, X. Identifikasi emitor khusus berdasarkan fitur distribusi waktu-frekuensi-energi berbasis transformasi Hilbert-Huang. Komunitas IET. 2014, 8, 2404–2412.

25. Padilla, P.; Padila, J.; Valenzuela-Valdes, J. Identifikasi frekuensi radio perangkat nirkabel berdasarkan sidik jari RF. Elektron. Lett. 2013, 49, 1409–1410.

26. Hu, A. Pembukaan berdasarkan deteksi sidik jari RF pemancar Wi-Fi. Elektron. Lett. 2010, 46, 1165–1167.

27. Candore, A.; Kocabas, O.; Koushanfar, F. Sidik jari radiometrik stabil yang kuat untuk perangkat nirkabel. Dalam Prosiding Lokakarya Internasional IEEE 2009 tentang Keamanan dan Kepercayaan Berorientasi Perangkat Keras, San Francisco, CA, AS, 27–29 Juli 2009; hlm. 43–49.

28. Dudczyk, J.; Kawalec, A. Algoritma identifikasi keputusan cepat dari pola sumber emisi dalam database. Banteng. Pol. Acad. Sains-Tek. Sains. 2015, 63, 385–389.

29. Kawalec, A.; Rapacki, T.; Wnuczek, S.; Dudczyk, J.; Owczarek, R. Metode Campuran Berdasarkan Data Intrapulse dan Pengakuan Emisi Radiasi ke Sumber Emitor. Dalam Prosiding Konferensi Internasional 2006 tentang Gelombang Mikro, Komunikasi Nirkabel Radar, Krakow, Polandia, 22–24 Mei 2006; hlm. 487–490.

30. Demers, F.; St-Hilaire, M. Identifikasi radiometrik pemancar LTE. Dalam Prosiding Konferensi Komunikasi Global IEEE 2013 (GLOBECOM), Atlanta, GA, AS, 9–13 Desember 2013; hlm. 4116–4121.

31. Tan, K.; Yan, W.; Zhang, L.; Tang, M.; Zhang, Y. Identifikasi Emitor Spesifik Berdasarkan Radio yang Ditetapkan Perangkat Lunak dan Penggabungan Keputusan. Akses IEEE 2021, 9, 86217–86229.

32. Jana, S.; Kasera, SK Tentang deteksi yang cepat dan akurat dari titik akses nirkabel yang tidak sah menggunakan kemiringan jam. Trans IEEE. Massa. Komputer. 2009, 9, 449–462.

33. Conning, M.; Potgieter, F. Analisis data radar terukur untuk identifikasi emitor khusus. Dalam Prosiding Konferensi Radar IEEE 2010, Washington, DC, AS, 10–14 Mei 2010; hlm. 35–38.

34. Polak, AC; Goeckel, DL Identifikasi perangkat nirkabel berdasarkan ketidaksempurnaan osilator RF. Trans IEEE. Inf. Keamanan Forensik. 2015, 10, 2492–2501.

35. Polak, AC; Goeckel, sidik jari RF DL dari pengguna yang secara aktif menutupi identitas mereka dengan distorsi buatan. Dalam Prosiding Catatan Konferensi 2011 dari Konferensi Asilomar Keempat Puluh Lima tentang Sinyal, Sistem, dan Komputer (ASILOMAR), Pacific Grove, CA, USA, 6–9 November 2011; hlm. 270–274.

36. Liu, MW; Doherty, identifikasi emitor khusus JF menggunakan estimasi perangkat nonlinear. Dalam Prosiding Simposium IEEE Sarnoff 2008, Princeton, NJ, AS, 28–30 April 2008; hlm. 1–5.

37. Li, Y.; Chen, X.; Lin, Y.; Srivastava, G.; Liu, S. Identifikasi pemancar nirkabel berdasarkan ketidaksempurnaan perangkat. Akses IEEE 2020, 8, 59305–59314.

38. Dolatshahi, S.; Polak, A.; Goeckel, DL Identifikasi pengguna nirkabel melalui ketidaksempurnaan power amplifier. Dalam Prosiding Rekaman Konferensi 2010 dari Konferensi Asilomar Keempat Puluh Empat tentang Sinyal, Sistem, dan Komputer, Pacific Grove, CA, AS, 7–10 November 2010; hlm. 1553–1557.

39. D'Agostino, S.; Foglia, G.; Pistoia, D. Identifikasi emitor spesifik: Analisis data sinyal radar nyata. Dalam Prosiding Konferensi Radar Eropa (EuRAD) 2009, Roma, Italia, 30 September–2 Oktober 2009; hlm. 242–245.

40. Guo, S.; Putih, RE; Rendah, M. Sebuah studi perbandingan identifikasi pemancar radar berdasarkan transien sinyal. Dalam Prosiding Konferensi Radar IEEE 2018 (RadarConf18), Kota Oklahoma, OK, AS, 23–27 April 2018; hlm. 286–291.

41. Talbot, KI; Duley, Humas; Hyatt, MH Identifikasi dan verifikasi emitor khusus. Technol. Wahyu 2003, 113, 113–133.

42. Dragomiretskiy, K.; Zosso, D. Dekomposisi mode variasi. Trans IEEE. Proses Sinyal. 2013, 62, 531–544.

43. Chang, CI Orthogonal Subspace Projection (OSP) ditinjau kembali: Sebuah studi dan analisis yang komprehensif. Trans IEEE. Geosci. Remote Sens. 2005, 43, 502–518. ): Richland, WA, AS, 2007.

45. Mayer, R.; Bucholtz, F.; Scribner, D. Deteksi objek dengan menggunakan whitening/dewhitening untuk mengubah tanda tangan target dalam citra hiperspektral dan multispektral multitemporal. Geosci. Sensor Jarak Jauh IEEE Trans. 2003, 41, 1136–1142.

46. ​​Kessy, A.; Lewin, A.; Strimmer, K. Pemutihan dan Dekorelasi Optimal. Saya. Stat. 2018, 72, 309–314.

47. Bel, AJ; Sejnowski, TJ "Komponen independen" pemandangan alam adalah filter tepi. Vis. Res. 1997, 37, 3327–3338.

48. Srivastava, N.; Hinton, G.; Krizhevsky, A.; Sutskever, I.; Salakhutdinov, R. Dropout: Cara sederhana untuk mencegah overfitting jaringan saraf. J.Mach. Mempelajari. Res. 2014, 15, 1929–1958.

49. Förstner, W.; Moonen, B. Sebuah metrik untuk matriks kovarians. Dalam Geodesi—Tantangan Milenium ke-3; Peloncat: Berlin/Heidelberg, Jerman, 2003; hlm. 299–309.

50. Kulis, B.; Sustik, MA; Dhillon, Pembelajaran Kernel Peringkat Rendah IS dengan Divergensi Matriks Bregman. J.Mach. Mempelajari. Res. 2009, 10, 341–376.

51. Herdin, M.; Czink, N.; Ozcelik, H.; Bonek, E. Jarak Matriks Korelasi, Ukuran Bermakna untuk Evaluasi Saluran MIMO Non-Stasiun. Dalam Prosiding Konferensi Teknologi Kendaraan ke-61 IEEE 2005, Stockholm, Swedia, 30 Mei–1 Juni 2005; Volume 1, hlm. 136–140.

52. Kuncheva, LI Sebuah studi teoritis pada enam strategi fusi classifier. Trans IEEE. Pola Anal. Mesin Intell. 2002, 24, 281–286.

53. Proakis, JG; Salehi, M. Komunikasi Digital; McGraw-Hill: New York, NY, AS, 2008.

54. Generator Sinyal Vektor Agilent. 2021. (diakses pada 26 November 2021).

55. Modem SATCOM yang Efisien Bandwidth yang Ditingkatkan Viasat. 2021. (diakses pada 26 November 2021).

56. Teledyne Paradise Datacom. 2021. (diakses pada 26 November 2021).

57. Kratos RTSIM. 2021. (diakses pada 26 November 2021).

58. Ettus USRP. 2021.

Untuk info lebih lanjut: david.deng@wecistanche.com WhatApp:86 13632399501