Radiometrisk identifiering av signaler genom matchad blekningstransform del 2

Apr 13, 2023

4. Resultat

Cistanchehar funktionen attfrämja kollagenproduktion, vilket kan öka hudens elasticitet och lyster ochhjälpa till att reparera skadade hudceller. Cistanche Phenylethanol Glykosiderha en betydande nedreglerande effekt påtyrosinasaktivitet, och effekten på tyrosinas har visat sig vara konkurrenskraftig och reversibel hämning, vilket kan ge en vetenskaplig grund för att utveckla och använda blekningsingredienserna i Cistanche. Därför har cistanche en nyckelroll iblekning av huden. Det kanhämma melaninproduktion för att minska missfärgning och matthet; och främja kollagenproduktionen för att förbättra hudens elasticitet och lyster. På grund av det utbredda erkännandet av dessa effekter av cistanche har många hudblekningsprodukter börjat ingjuta växtbaserade ingredienser som Cistanche för att möta konsumenternas efterfrågan, vilket ökar det kommersiella värdet av Cistanche ihudblekningsprodukter. Sammanfattningsvis är cistanches roll i hudblekning avgörande. Dessantioxidanteffekt och kollagenproducerande effekt kan minska missfärgning och matthet, förbättra hudens elasticitet och lyster och därmed uppnå en blekande effekt. Den breda användningen av Cistanche i hudblekningsprodukter visar också att dess roll i kommersiellt värde inte kan underskattas.

cistanche supplement review

Klicka på Cistanche Tubulosa Supplement

För mer information:

david.deng@wecistanche.com WhatApp:86 13632399501

Detta avsnitt implementerar den föreslagna radiometriska identifieringen med hjälp av simulerade och verkliga data. Först korrigeras data för offsetfrekvens och används för att vända den tidsvarierande fasförskjutningen. För det andra implementeras den föreslagna algoritmen som styrs av regel (6) och producerar förvirringsmatriser.

desert cistanche benefits

4.1. Korrigering av signalfas och offsetfrekvens

Data simuleras för en QPSK-signal föremål för lokal oscillatorfrekvensoffset. Tabell 1 visar simuleringsparametrarna.

Faskurvan är byggd från uppskattningarna av de momentana faserna beräknade från signalblock som är tillräckligt korta för att säkerställa en stationär fas. Varje datablock genererar en fasuppskattning. Flera block definierar ett segment där symboler roterar maximalt 5,62◦.

rou cong rong benefits

Figur 5 visar processen genom vilken momentana fasvärden samlas in och används i modellanpassningssteget. Detta steg kan också förklaras som provtagning av faskurvan. Symbolfaserna per block histogramas följt av anpassning av ett polynom. Toppen för polynomet är ˆθk för det k:te blocket. Detta steg upprepas över flera block och visas i figur 5a–f. De uppskattade faserna { ˆθk, k=1, 2, . . . , M} definierar den linjära fasbanan vars lutning bestämmer fd. Figur 6 är den minsta kvadratiska anpassningen av fasmodellen till data. Figurerna 6a och b motsvarar SNR=20 dB respektive 10 dB. Figur 6c illustrerar att en olinjär fasbana också kan modelleras och spåras. De uppskattade fˆd=0.0505 Hz och fˆd=0.0455 Hz vid SNR=20 dB respektive 10 dB. Den sanna offsetfrekvensen är 0,05 Hz.

cistanche chemist warehouse

where can i buy cistanche

Symboler roterar med 2π fdT radianer över längden av ett block. Denna rotation måste hållas till en liten bråkdel av kvadranten som symbolerna tillhör. Till exempel, i QPSK är varje kvadrant π/2 radianer. Den korrekta blocklängden styrs av modaliteten hos fashistogram. Ett unimodalt fashistogram med en distinkt topp indikerar att fasvariationer förblir nära det nominella värdet, figur 7a. För stor 2π fdT, antingen på grund av stor fd eller lång blocklängd T, blir histogrammet multimodalt utan distinkta toppar, figur 7b. En annan nackdel med stor fdT är 2π-fas-tvetydigheten där symboler rör sig runt cirkeln flera perioder.

cistanche norge

4.2. Radiometrisk identifiering

Vi tillämpar nu den föreslagna radiometriska identifieringsmetoden på signalerna som genereras av följande vågformsgeneratorer eller standarder: Agilent [54], Viasat EBEM [55], Teledyne Paradise [56], KRATOS Real-Time Channel Simulator (RTsim) [57], och USRP [58]. Data har QPSK-modulering samplade vid 2,95 MHz för totalt 35 miljoner symboler per modell. Figurerna 8a och b visar signalkonstellationer som påverkas av varierande mängder utsmet. Figur 8b är ett särskilt allvarligt fall på grund av att den stora fdT-produkten får symboler att rotera potentiellt multiplar av 2π. Efter uppskattningen av fdT och derotation av symboler återställs den ursprungliga konstellationen i figur 8c. Figur 9 är en närbild av sex konstellationer efter att alla fas- och frekvensförskjutningar har tagits bort. Uppgiften är nu att tillskriva signalerna till enskilda källor. Med tanke på likheten mellan konstellationerna i struktur och egenskaper är det tydligt att radiometrisk identifiering är ett mycket mer utmanande problem än konventionell signalklassificering baserad på moduleringsinformation.


cistanche nedir

does cistanche work

4.3. Klassförvirringsmatriser

Att träna klassificeraren innebär beräkning av 5 matchade blekningsmatriser, Wi, i=1, 2, . . . , 5. Datan består av 35 miljoner symboler hämtade från QPSK-modulerade signaler som härrör från fem olika radioapparater. Träningssetet består av 5 × 105 symboler vilket är cirka 1,4 procent av den totala datan. Majoritetsröstklassificeraren behöver ett röstningsschema. Rösterna genereras genom att dela upp data i 72 block med 5 × 105 prov vardera. Varje block genererar en röst som sedan tabelleras över hela signallängden. Testblocken är hämtade från en "okänd" källa, skadad av Gaussiskt brus, och projiceras upprepade gånger på blekningsmatriser som motsvarar varje källa. Avståndet Förstner-Moonen används för att beräkna modfunktionen i (6) som leder till sammanställningen av förvirringsmatriserna.

Innan man skapar förvirringsmatriserna måste beteendet hos Förstner-Moonens avståndsmått studeras. Enligt (3) minskar Förstner-Moonens avstånd mellan den vitade kovariansmatrisen och identitetsmatrisen allt eftersom processen blir mer vit. Det teoretiska minimiavståndet är noll för vitt brus. För att testa detta beteende skapas två slumpvariabler med justerbara korrelationskoefficienter och placeras i en matris med två kolumner. Kovariansen för denna matris beräknas som en funktion av korrelationsvärden och motsvarande Förstner-Moonen-avstånd plottas. Resultaten plottas i figur 3. Som figur 3a visar är avståndet en ökande funktion av korrelation, vilket återspeglar att kovariansmatrisen rör sig bort från den för en process med vitt brus för att öka korrelationen. Detta förväntas. Den andra egenskapen hos Förstner-Moonen-måttet är att de okända uppgifterna är närmare en process för vitt brus när de vitas av dess blekningstransformation än någon annan, därför matchad blekning. För att visa denna egenskap blekas data från Agilent av dess blekningsmatris och sedan av den vita matrisen av Viasat EBEM. Avståndsberäkningar utförs över 40 datablock och plottas i figur 3b. Det som sticker ut är att Förstner-Moonen-avståndet för Agilent-data nästan alltid är mindre än när Viasat EBEM-blekningsmatrisen används. Detta beteende förväntas, vilket innebär att ett korrekt beslut fattas varje gång det händer. Denna räkning är i huvudsak grunden för att fylla förvirringsmatriserna över alla källor.

cistanche portugal

Efter ovanstående observationer kan motsvarande förvirringsmatriser nu beräknas och visas i tabell 2. Siffrorna indikerar procentandelen korrekta röster avgivna för varje källa över 72 ramar av testdata. Observera att lägesklassificeraren i (6) letar efter ett flertal av rösterna för att utse en vinnare. Det är ett svårt röstschema. Till exempel har Paradise bara fått 77,1 procent av rösterna men den okända signalen är fortfarande korrekt klassad som Paradiset. Därför indikerar tabell 2 100 procent korrekt klassificering. Förvirringsmatriser kan också användas i ett mjukt röstsystem genom att behålla de faktiska röstprocenterna.

Därefter undersöker vi effekten av mindre datamängder och extra brus utöver det som redan finns i datan. Den totala urvalsstorleken är nu 107 som är uppdelade i block med en kvarts miljon sampel som vart och ett översätts till mindre än 100 msek. Denna längd genererar 40 block som används för att få klassificeringsstatistik i form av förvirringsmatriser. Tabell 3 visar resultaten @ SNR=15 dB adderat Gaussiskt brus. Detta är utöver vad som redan finns i data. Alla källor är korrekt identifierade förutom KRATOS RTSim som identifieras som Teledyne Paradise. Även då är skillnaden på 2,5 procent väl inom körningens statistiska variationer. De procentuella korrekta klassificeringssiffrorna för varje källa visar en stor nedgång jämfört med Tabell 2 men majoritetsomröstningssystemet fattar fortfarande rätt beslut, om än med reducerad marginal. Till exempel är Agilent-data korrekt kopplade till Agilent endast 30 procent av tiden, men det är fortfarande högre än någon annan. Tabell 4 och 5 upprepar processen för SNR=5 dB och 0 dB. Även om priserna och marginalerna är lägre, väljer majoritetsröstsystemet fortfarande rätt klass. När marginalerna är låga spelar statistisk variabilitet en roll för att göra korrekt källanidentifiering. Lägg märke till att den stora marginalen för USRP i Tabell 2 hjälper den till stor del att upprätthålla korrekt identifiering även vid 5 dB SNR i Tabell 4. För att visa hur svår situationen är visar figur 10 konstellationen i SNR=5 dB-brus. Bristen på identifierande funktioner är uppenbar genomgående. Observera att RTSim och Paradise är oavgjorda. Denna svårighet återspeglas naturligtvis också i Tabell 4 men korrekt identifiering är fortfarande möjlig. Fyra av fem källor är korrekt identifierade och den femte är oavgjord. Tabell 5 är extremfallet för SNR=0 dB. EBEM och Paradise är fortfarande korrekt identifierade.

cistanche and tongkat ali reddit

cistanche gnc

cistanche bienfaits

4.4. Jämförelser

En omfattande jämförelse av SVM, CNN och D(eep)NN rapporteras för sex radioapparater i [13]. De korrekta klassificeringsgraderna är 44,8 procent (SVM), 82,4 procent (CNN) och 71,9 procent (DNN). Men i avsaknad av accepterade riktmärken för radiometrisk identifiering, som inte finns, är rena numeriska jämförelser inte avgörande. Faktorer som algoritmens komplexitet, bearbetningshastighet, träningsdatastorlek och andra antaganden beaktas, och jämförelsen är svår. Inte ens valet av radioapparater eller protokoll är vanligt. Den rapporterade utbildningsurvalsstorleken i [13] är 10 procent medan den är 1,4 procent här. Ännu viktigare, inget operatörsåterställningssteg rapporterades. Genom att anta perfekt fas- och frekvensinriktning vid lokaloscillatorn har ingen begränsning av konstellationsutstrykning av det slag som här rapporterats utförts. Detta är en betydande försummelse. Det finns heller inget brus i systemet. Att hantera hög dimensionalitet är en annan faktor. Whitening-transformationen är särdragslös och går därför förbi dimensionsreduktionen medan särdragsvektorer som extraherats i [10] har 960 dimensioner. Fingeravtryck av RF-enheter i kognitiva Zigbee-nätverk visar god noggrannhet (≈90 procent) men vid hög SNR (större än eller lika med 20 dB) [15]. I [19] förbehandlas indata som Hilbert-spektrum i gråskalebilder och uppnår acceptabel noggrannhet under måttliga SNR-nivåer (genomsnittlig noggrannhet på 70 procent för SNR på 15 dB).

5. Slutsatser

Problemet som tas upp i denna artikel är att tillskriva en signal till en okänd källa. Tidigare tillvägagångssätt har varit baserade på funktionsextraktion, dimensionsreduktion och viss implementering av en minimiavståndsklassificerare. Tillvägagångssättet här föreslår graden av vithet hos de transformerade data som en signatur för radiometrisk identifiering av signalen. Det är ett funktionslöst tillvägagångssätt som hoppar över funktionsextraktion genom att använda rå IQ-data. Denna formulering kräver minimal beräkningsbelastning jämfört med PCA eller djupinlärningsmetoder. Två andra funktioner gör att algoritmen sticker ut. Den ena använder riktiga data som fångas av satellitradio. Den andra adresserar bärvågs- ​​och fasåterställning genom att vända de inbäddade fas- och frekvensförskjutningarna som ett förbearbetningssteg. Algoritmer som är inställda på data förutsatt perfekt bärarfångst kommer att misslyckas i praktiken. Detta arbete kan utökas på flera sätt, såsom att utöka radiokällans databas till militär och kommersiell radar, trådlösa sändningar, modellering av tidsvarierande frekvensförskjutningar och en bredare jämförelse med de konkurrerande metoderna för djupinlärning.

maca ginseng cistanche

Författarbidrag:Konceptualisering, BGM och AL; Programvara, AL; Skrivning och originalutkast, BGM; Skriva, granska och redigera, AL Alla författare har läst och samtyckt till den publicerade versionen av manuskriptet.
Finansiering:Finansiering för denna forskning tillhandahölls delvis av RT Logic Corp. under prisnummer A16-0008-001.
Uttalande av institutionell granskningsnämnd:Inte tillämpbar.
Informerat samtycke:Inte tillämpbar.
Datatillgänglighetsförklaring:Inte tillämpbar.
Erkännanden:Författarna tackar tacksamt för finansieringsstödet.
Intressekonflikt:Författarna förklarar ingen intressekonflikt.

Referenser

1. Nandi, AK; Azzouz, EE Algoritmer för automatisk moduleringsigenkänning av kommunikationssignaler. IEEE Trans. Commun. 1998, 46, 431–436.

2. Phukan, GJ; Bora, PK Parameteruppskattning för blindklassificering av digitala moduleringar. IET-signalprocess. 2016, 10, 758–769.

3. Ata'a, AW; Abdullah, SN Deinterleaving av radarsignaler och PRF-identifieringsalgoritmer. IET Radar Sonar Navigation. 2007, 1, 340–347.

4. Gok, G.; Alp, YK; Arikan, O. En ny metod för specifik sändaridentifiering med resultat på verkliga radarmätningar. IEEE Trans. Inf. Forensics Secur. 2020, 15, 3335–3346.

5. Sa, K.; Lang, D.; Wang, C.; Bai, Y. Specifika tekniker för identifiering av sändare för sakernas 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-fingeravtrycksmätningar för identifiering av enheter i trådlösa kommunikationsnätverk baserat på funktionsreduktion och subspace-transformation. Mätning 2014, 58, 468–475.

8. Bihl, TJ; Bauer, KW; Temple, MA Funktionsval för RF-fingeravtryck med multipel diskriminerande analys och användning av ZigBee-enhetsutsläpp. IEEE Trans. Inf. Forensics Secur. 2016, 11, 1862–1874.

9. Xu, S.; Huang, B.; Xu, L.; Xu, Z. Klassificering av radiosändare med hjälp av en ny metod för analys av herrelösa funktioner kombinerat 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. Kombinerad optimering av funktionsminskning och klassificering för radiometrisk identifiering. IEEE-signalprocess. Lett. 2017, 24, 584–588.

11. Danev, B.; Capkun, S. Transientbaserad identifiering av trådlösa sensornoder. 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 Radiosändarfingeravtryck: A Steady State Frequency Domain Approach. I Proceedings of the 2008 IEEE 68th Vehicular Technology Conference, Calgary, AB, Kanada, 21–24 september 2008; s. 1–5.

13. Youssef, K.; Bouchard, L.; Haigh, K.; Silovsky, J.; Thapa, B.; Valk, CV Machine Learning Approach to RF Transmitter Identification. IEEE J. Radio Freq. Identifiera. 2018, 2, 197–205.

14. Jafari, H.; Omotere, O.; Adesina, D.; Wu, H.; Qian, L. IoT-enheter Fingeravtryck med djupinlärning. In Proceedings of the MILCOM 2018—2018 IEEE Military Communications Conference (MILCOM), Los Angeles, CA, USA, 29–31 oktober 2018; s. 1–9.

15. Köpman, K.; Revay, S.; Stantchev, G.; Nousain, B. Deep Learning för RF-enhetsfingeravtryck i kognitiva kommunikationsnätverk. IEEE J. Sel. Topp. Signalprocess. 2018, 12, 160–167.

16. Rajendran, S.; Meert, W.; Giustiniano, D.; Lenders, V.; Pollin, S. Deep learning-modeller för trådlös signalklassificering med distribuerade lågkostnadsspektrumsensorer. 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 av distraktion av förare med hjälp av konvolutionerande neurala nätverk. Mönsterigenkänning. Lett. 2018, 139, 79–85.

19. Pan, Y.; Yang, S.; Peng, H.; Li, T.; Wang, W. Specifik sändaridentifiering baserad på djupa restnätverk. IEEE Access 2019, 7, 54425–54434.

20. Qian, Y.; Qi, J.; Kuai, X.; Han, G.; Sun, H.; Hong, S. Specifik sändaridentifiering baserad på gles representation i flera nivåer i automatiskt identifieringssystem. IEEE Trans. Inf. Forensics Secur. 2021, 16, 2872–2884.

21. Du, M.; Han, X.; Cai, X.; Bi, D. Balanserad neural arkitektursökning och dess tillämpning i specifik emitteridentifiering. IEEE Trans. Signalprocess. 2021, 69, 5051–5065.

22. Huang, G.; Yuan, Y.; Wang, X.; Huang, Z. Specifik sändaridentifiering baserad på icke-linjära dynamiska egenskaper. Burk. J. Electr. Comput. Eng. 2016, 39, 34–41.

23. Huang, G.; Yuan, Y.; Wang, X.; Huang, Z. Specifik sändaridentifiering för kommunikationssändare med hjälp av multimätningar. Wirel. Pers. Commun. 2017, 94, 1523–1542.

24. Yuan, Y.; Huang, ZT; Wu, H.; Wang, X. Specifik emitteridentifiering baserad på Hilbert-Huang-transformationsbaserade tids-frekvens-energidistributionsfunktioner. IET Commun. 2014, 8, 2404–2412.

25. Padilla, P.; Padilla, J.; Valenzuela-Valdes, J. Radiofrekvensidentifiering av trådlösa enheter baserad på RF-fingeravtryck. Elektron. Lett. 2013, 49, 1409–1410.

26. Hu, A. Inledningsbaserad detektering av Wi-Fi-sändarens RF-fingeravtryck. Elektron. Lett. 2010, 46, 1165–1167.

27. Candore, A.; Kocabas, O.; Koushanfar, F. Robust stabil radiometrisk fingeravtryck för trådlösa enheter. 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 identifiering algoritm av emission källmönster i databasen. Tjur. Pol. Acad. Sci.-Tech. Sci. 2015, 63, 385–389.

29. Kawalec, A.; Rapacki, T.; Wnuczek, S.; Dudczyk, J.; Owczarek, R. Blandad metod baserad på intrapulsdata och igenkänning av strålad emission till sändarkällor. 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 identifiering av LTE-sändare. 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 sändaridentifiering baserad på mjukvarudefinierad radio och beslutsfusion. IEEE Access 2021, 9, 86217–86229.

32. Jana, S.; Kasera, SK På snabb och exakt detektering av obehöriga trådlösa åtkomstpunkter med hjälp av klockskevningar. IEEE Trans. Folkhop. Comput. 2009, 9, 449–462.

33. Conning, M.; Potgieter, F. Analys av uppmätta radardata för specifik sändaridentifiering. I Proceedings of the 2010 IEEE Radar Conference, Washington, DC, USA, 10–14 maj 2010; s. 35–38.

34. Polak, AC; Goeckel, DL Identifiering av trådlös enhet baserad på RF-oscillatorfel. IEEE Trans. Inf. Forensics Secur. 2015, 10, 2492–2501.

35. Polak, AC; Goeckel, DL RF-fingeravtryck av användare som aktivt maskerar sina identiteter med artificiell distorsion. I Proceedings of the 2011 Conference Record of the Forty 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 emitteridentifiering med hjälp av icke-linjär enhetsuppskattning. In 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. Identifiering av trådlös sändare baserad på enhetsfel. IEEE Access 2020, 8, 59305–59314.

38. Dolatshahi, S.; Polak, A.; Goeckel, DL Identifiering av trådlösa användare via effektförstärkardefekter. I Proceedings of the 2010 Conference Record of the Forty 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 sändaridentifiering: Analys av verkliga radarsignaldata. I Proceedings of the 2009 European Radar Conference (EuRAD), Rom, Italien, 30 september–2 oktober 2009; s. 242–245.

40. Guo, S.; Vit, RE; Low, M. En jämförelsestudie av radarsändaridentifiering baserad på signaltransienter. In 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 Identifiering och verifiering av specifik sändare. Technol. Upps. 2003, 113, 113–133.

42. Dragomiretskiy, K.; Zosso, D. Variationslägesupplösning. IEEE Trans. Signalprocess. 2013, 62, 531–544.

43. Chang, CI Ortogonal Subspace Projection (OSP) återbesökt: En omfattande studie och analys. IEEE Trans. Geosci. Remote Sens. 2005, 43, 502–518. ): Richland, WA, USA, 2007.

45. Mayer, R.; Bucholtz, F.; Scribner, D. Objektdetektion genom att använda blekning/avvitning för att transformera målsignaturer i multitemporala hyperspektrala och multispektrala bilder. Geosci. Fjärrsensorer IEEE Trans. 2003, 41, 1136–1142.

46. ​​Kessy, A.; Lewin, A.; Strimmer, K. Optimal Whitening and Decorrelation. Am. Statistik. 2018, 72, 309–314.

47. Bell, AJ; Sejnowski, TJ De "oberoende komponenterna" i naturliga scener är kantfilter. Vis. Res. 1997, 37, 3327-3338.

48. Srivastava, N.; Hinton, G.; Krizhevsky, A.; Sutskever, I.; Salakhutdinov, R. Dropout: Ett enkelt sätt att förhindra att neurala nätverk överanpassas. J. Mach. Lära sig. Res. 2014, 15, 1929–1958.

49. Förstner, W.; Moonen, B. Ett mått för kovariansmatriser. I Geodesi — Utmaningen av det 3:e millenniet; Springer: Berlin/Heidelberg, Tyskland, 2003; s. 299–309.

50. Kulis, B.; Sustik, MA; Dhillon, IS Lågrankad kärninlärning med Bregman Matrix divergenser. J. Mach. Lära sig. Res. 2009, 10, 341–376.

51. Herdin, M.; Czink, N.; Ozcelik, H.; Bonek, E. Korrelationsmatrisavstånd, ett meningsfullt mått för utvärdering av icke-stationära MIMO-kanaler. I Proceedings of the 2005 IEEE 61st Vehicular Technology Conference, Stockholm, Sverige, 30 maj–1 juni 2005; Volym 1, s. 136–140.

52. Kuncheva, LI En teoretisk studie om sex klassificerare fusionsstrategier. IEEE Trans. Mönster 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. (åtkom den 26 november 2021).

55. Viasat Enhanced Bandwidth Efficient SATCOM-modem. 2021. (åtkom den 26 november 2021).

56. Teledyne Paradise Datacom. 2021. (åtkom den 26 november 2021).

57. Kratos RTSIM. 2021. (åtkom den 26 november 2021).

58. Ettus USRP. 2021.


För mer information: david.deng@wecistanche.com WhatApp:86 13632399501

Du kanske också gillar