4. Keputusan

Cistanchemempunyai fungsimenggalakkan penghasilan kolagen, yang boleh meningkatkan keanjalan dan kilauan kulit danmembantu membaiki sel kulit yang rosak. Cistanche Phenylethanol Glycosidesmempunyai kesan pengawalan turun yang ketara padatyrosinaseaktiviti, dan kesan pada tyrosinase ditunjukkan sebagai perencatan yang kompetitif dan boleh diterbalikkan, yang boleh memberikan asas saintifik untuk membangunkan dan menggunakan bahan pemutih dalam Cistanche. Oleh itu, cistanche mempunyai peranan penting dalampemutihan kulit. Ia bolehmenghalang melaninpengeluaran untuk mengurangkan perubahan warna dan kebodohan; dan menggalakkan penghasilan kolagen untuk meningkatkan keanjalan dan keserian kulit. Disebabkan oleh pengiktirafan meluas kesan cistanche ini, banyak produk pemutih kulit telah mula menanam ramuan herba seperti Cistanche untuk memenuhi permintaan pengguna, sekali gus meningkatkan nilai komersial Cistanche dalamproduk pemutih kulit. Secara ringkasnya, peranan cistanche dalam pemutihan kulit adalah penting. Ianyaantioksidankesan dan kesan penghasilan kolagen boleh mengurangkan perubahan warna dan kekusaman, meningkatkan keanjalan dan kilauan kulit, dan dengan itu mencapai kesan pemutihan. Selain itu, penggunaan luas Cistanche dalam produk pemutihan kulit menunjukkan bahawa peranannya dalam nilai komersial tidak boleh dipandang remeh.

Klik pada Suplemen Cistanche Tubulosa

Untuk maklumat lanjut:

david.deng@wecistanche.com WhatApp:86 13632399501

Bahagian ini melaksanakan cadangan pengenalan radiometrik menggunakan data simulasi dan sebenar. Pertama, data diperbetulkan untuk kekerapan mengimbangi dan digunakan untuk membalikkan ofset fasa yang berubah-ubah masa. Kedua, algoritma yang dicadangkan yang dikawal oleh peraturan (6) dilaksanakan menghasilkan matriks kekeliruan.

4.1. Fasa Isyarat dan Pembetulan Frekuensi Offset

Data disimulasikan untuk isyarat QPSK tertakluk kepada offset frekuensi pengayun tempatan. Jadual 1 menunjukkan parameter simulasi.

Rajah 5 menunjukkan proses di mana nilai fasa serta-merta dikumpulkan dan digunakan dalam langkah pemasangan model. Langkah ini juga boleh dijelaskan sebagai pensampelan lengkung fasa. Fasa simbol setiap blok adalah histogram diikuti dengan pemasangan polinomial. Puncak polinomial ialah ˆθk untuk blok kth. Langkah ini diulang ke atas berbilang blok dan ditunjukkan dalam Rajah 5a–f. Anggaran fasa { ˆθk, k=1, 2, . . . , M} mentakrifkan trajektori fasa linear yang cerunnya menentukan fd. Rajah 6 ialah kuasa dua terkecil yang sesuai bagi model fasa kepada data. Angka 6a, dan b sepadan dengan SNR=20 dB dan 10 dB, masing-masing. Rajah 6c menggambarkan bahawa trajektori fasa tak linear boleh dimodelkan dan dijejaki juga. Anggaran f ˆ d=0.0505 Hz dan f ˆ d=0.0455 Hz pada SNR=20 dB dan 10 dB, masing-masing. Kekerapan offset sebenar ialah 0.05 Hz.

Simbol berputar sebanyak 2π fdT radian sepanjang bongkah. Putaran ini mesti disimpan pada pecahan kecil kuadran yang dimiliki oleh simbol. Sebagai contoh, dalam QPSK, setiap sukuan ialah π/2 radian. Panjang blok yang betul dipandu oleh modaliti histogram fasa. Histogram fasa unimodal dengan puncak yang berbeza menunjukkan bahawa variasi fasa kekal hampir dengan nilai nominal, Rajah 7a. Untuk 2π fdT besar, sama ada disebabkan oleh fd besar atau panjang blok panjang T, histogram menjadi multimodal tanpa puncak yang berbeza, Rajah 7b. Satu lagi kelemahan fdT besar ialah kekaburan fasa 2π di mana simbol bergerak di sekeliling bulatan berbilang noktah.

4.2. Pengenalan Radiometrik

Kami kini menggunakan kaedah pengenalan radiometrik yang dicadangkan kepada isyarat yang dijana oleh penjana atau piawai bentuk gelombang berikut: Agilent [54], Viasat EBEM [55], Teledyne Paradise [56], Simulator Saluran Masa Nyata KRATOS (RTsim) [57], dan USRP [58]. Data tersebut mempunyai modulasi QPSK yang disampel pada 2.95 MHz untuk sejumlah 35 juta simbol setiap model. Rajah 8a, dan b menunjukkan buruj isyarat yang dipengaruhi oleh jumlah calitan yang berbeza-beza. Rajah 8b ialah kes yang sangat teruk kerana produk fdT yang besar menyebabkan simbol berputar berpotensi gandaan 2π. Berikutan anggaran fdT dan penurunan nilai simbol, buruj asal dipulihkan dalam Rajah 8c. Rajah 9 ialah paparan dekat enam buruj selepas semua ofset fasa dan kekerapan telah dialih keluar. Tugas sekarang ialah mengaitkan isyarat kepada sumber individu. Memandangkan persamaan buruj dalam struktur dan ciri, jelas bahawa pengenalan radiometrik adalah masalah yang lebih mencabar daripada klasifikasi isyarat konvensional berdasarkan maklumat modulasi.

4.3. Matriks Kekeliruan Kelas

Melatih pengelas melibatkan pengiraan 5 matriks pemutihan yang dipadankan, Wi, i=1, 2, . . . , 5. Data terdiri daripada 35 juta simbol yang diambil daripada isyarat termodulat QPSK yang berasal daripada lima radio berbeza. Set latihan terdiri daripada 5 × 105simbol iaitu kira-kira 1.4 peratus daripada jumlah data. Pengelas Undi Majoriti memerlukan skim pengundian. Undian dijana dengan membahagikan data kepada 72 blok 5 × 105sampel setiap satu. Setiap blok menjana satu undian yang kemudiannya dijadualkan pada keseluruhan panjang isyarat. Blok ujian diambil daripada sumber "tidak diketahui", rosak oleh bunyi Gaussian, dan berulang kali diunjurkan pada matriks pemutihan yang sepadan dengan setiap sumber. Jarak Förstner-Moonen digunakan untuk mengira fungsi mod dalam (6) yang membawa kepada penyusunan matriks kekeliruan.

Sebelum mencipta matriks kekeliruan, kelakuan ukuran jarak Förstner-Moonen mesti dikaji. Menurut (3), apabila proses semakin diputihkan, jarak Förstner-Moonen antara matriks kovarians yang diputihkan dan matriks identiti disempitkan. Jarak minimum teori ialah sifar untuk hingar putih. Untuk menguji kelakuan ini, dua pembolehubah rawak dengan pekali korelasi boleh laras dicipta dan diletakkan dalam matriks dua lajur. Kovarians matriks ini dikira sebagai fungsi nilai korelasi dan jarak Förstner-Moonen yang sepadan diplotkan. Keputusan diplotkan dalam Rajah 3. Seperti yang ditunjukkan oleh Rajah 3a, jarak ialah fungsi korelasi yang semakin meningkat, mencerminkan bahawa matriks kovarians semakin menjauh daripada proses hingar putih untuk meningkatkan korelasi. Ini dijangka. Sifat kedua bagi ukuran Förstner-Moonen ialah data yang tidak diketahui adalah lebih dekat dengan proses hingar putih apabila diputihkan dengan transformasi pemutihannya daripada yang lain, oleh itu pemutihan dipadankan. Untuk menunjukkan sifat ini, data daripada Agilent diputihkan oleh matriks pemutihannya dan kemudian oleh matriks pemutihan Viasat EBEM. Pengiraan jarak dilakukan melebihi 40 blok data dan diplot dalam Rajah 3b. Apa yang menonjol ialah jarak Förstner-Moonen untuk data Agilent hampir selalu kurang daripada itu apabila matriks pemutihan Viasat EBEM digunakan. Tingkah laku ini dijangka, bermakna keputusan yang betul dibuat setiap kali ia berlaku. Kiraan ini pada asasnya adalah asas untuk mengisi matriks kekeliruan ke atas semua sumber.

Berikutan pemerhatian di atas, matriks kekeliruan yang sepadan kini boleh dikira dan ditunjukkan dalam Jadual 2. Angka-angka menunjukkan peratusan undian yang betul untuk setiap sumber melebihi 72 bingkai data ujian. Ambil perhatian bahawa pengelas mod dalam (6) mencari kepelbagaian undi untuk memilih pemenang. Skim pengundian yang sukar. Sebagai contoh, Paradise telah menerima hanya 77.1 peratus undian tetapi isyarat yang tidak diketahui masih diklasifikasikan dengan betul sebagai Paradise. Oleh itu, Jadual 2 menunjukkan 100 peratus pengelasan yang betul. Matriks kekeliruan boleh digunakan dalam skim pengundian lembut juga dengan mengekalkan peratusan undi sebenar.

Seterusnya, kami menyiasat kesan set data yang lebih kecil dan menambahkan bunyi di atas dan di luar apa yang sudah ada dalam data. Jumlah saiz sampel kini ialah 107 yang dipecahkan kepada blok suku juta sampel setiap satu diterjemahkan kepada kurang daripada 100 msec. Panjang ini menghasilkan 40 blok yang digunakan untuk mendapatkan statistik klasifikasi dalam bentuk matriks kekeliruan. Jadual 3 menunjukkan keputusan @ SNR=15 dB ditambah hingar Gaussian. Ini adalah di atas dan melebihi apa yang sudah ada dalam data. Semua sumber dikenal pasti dengan betul kecuali KRATOS RTSim yang dikenal pasti sebagai Teledyne Paradise. Walaupun begitu, perbezaan 2.5 peratus adalah baik dalam variasi statistik larian. Peratusan nombor klasifikasi yang betul untuk setiap sumber menunjukkan penurunan yang besar berbanding Jadual 2 tetapi skim pengundian majoriti masih membuat keputusan yang betul, walaupun pada margin yang berkurangan. Sebagai contoh, data Agilent dikaitkan dengan betul dengan Agilent hanya 30 peratus daripada masa tetapi itu masih lebih tinggi daripada yang lain. Jadual 4 dan 5 mengulangi proses untuk SNR=5 dB dan 0 dB. Walaupun kadar dan margin lebih rendah, skim undi majoriti masih memilih kelas yang betul. Apabila margin rendah, kebolehubahan statistik memainkan peranan dalam membuat pengenalan sumber yang betul. Perhatikan bahawa margin besar USRP dalam Jadual 2 membantunya mengekalkan pengenalan yang betul walaupun pada 5 dB SNR dalam Jadual 4. Untuk menunjukkan betapa teruknya keadaan, Rajah 10 menunjukkan buruj dalam bunyi SNR=5 dB. Kekurangan ciri mengenal pasti jelas di seluruh. Ambil perhatian bahawa RTSim dan Paradise terikat. Kesukaran ini sudah tentu ditunjukkan dalam Jadual 4 juga tetapi pengenalan yang betul masih boleh dilakukan. Empat daripada lima sumber dikenal pasti dengan betul dan yang kelima diikat. Jadual 5 ialah kes ekstrem SNR=0 dB. EBEM dan Paradise masih dikenal pasti dengan betul.

4.4. Perbandingan

Perbandingan komprehensif SVM, CNN, dan D(eep)NN dilaporkan untuk enam radio dalam [13]. Kadar pengelasan yang betul ialah 44.8 peratus (SVM), 82.4 peratus (CNN) dan 71.9 peratus (DNN). Walau bagaimanapun, jika tiada tanda aras yang diterima untuk pengenalan radiometrik, yang tidak wujud, perbandingan berangka tulen tidak muktamad. Faktor seperti kerumitan algoritma, kelajuan pemprosesan, saiz data latihan dan andaian lain dipertimbangkan, dan perbandingannya sukar. Malah pilihan radio atau protokol tidak biasa. Saiz sampel latihan yang dilaporkan dalam [13] ialah 10 peratus manakala 1.4 peratus di sini. Lebih penting lagi, tiada langkah pemulihan pembawa dilaporkan. Dengan mengandaikan penjajaran fasa dan kekerapan yang sempurna pada pengayun tempatan, tiada pengurangan untuk calitan buruj seperti yang dilaporkan di sini telah dijalankan. Ini adalah peninggalan yang ketara. Juga tiada bunyi bising dalam sistem. Berurusan dengan dimensi tinggi adalah faktor lain. Transformasi pemutihan adalah tanpa ciri dengan itu memintas pengurangan dimensi manakala vektor ciri yang diekstrak dalam [10] mempunyai 960 dimensi. Cap jari peranti RF dalam rangkaian Zigbee kognitif menunjukkan ketepatan yang baik (≈90 peratus ) tetapi pada SNR tinggi ( Lebih daripada atau sama dengan 20 dB) [15]. Dalam [19], data input dipraproses sebagai imej skala kelabu spektrum Hilbert dan mencapai ketepatan yang boleh diterima di bawah tahap SNR sederhana (Kadar ketepatan purata 70 peratus untuk SNR sebanyak 15 dB).

5. Kesimpulan

Rujukan

1. Nandi, AK; Azzouz, EE Algoritma untuk pengecaman modulasi automatik bagi isyarat komunikasi. IEEE Trans. Commun. 1998, 46, 431–436.

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

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

4. Gok, G.; Alp, YK; Arikan, O. Kaedah Baru untuk Pengecaman Pemancar Khusus Dengan Keputusan pada Pengukuran Radar Sebenar. IEEE Trans. Inf. Forensik Secur. 2020, 15, 3335–3346.

5. Sa, K.; Lang, D.; Wang, C.; Bai, Y. Teknik Pengenalpastian Pemancar Khusus untuk Internet Perkara. Akses IEEE 2020, 8, 1644–1652.

6. Wu, H.; Wang, W. Kaedah Pengesanan Keselamatan Kolaboratif Berdasarkan Teori Permainan untuk Sistem Internet Perkara. IEEE Trans. Inf. Forensik Secur. 2018, 13, 1432–1445.

7. Padilla, J.; Padilla, P.; Valenzuela-Valdés, J.; Ramírez, J.; Górriz, J. Pengukuran cap jari RF untuk mengenal pasti peranti dalam rangkaian komunikasi wayarles berdasarkan pengurangan ciri dan transformasi subruang. Pengukuran 2014, 58, 468–475.

8. Bihl, TJ; Bauer, KW; Temple, MA Pemilihan Ciri untuk Cap Jari RF dengan Analisis Diskriminasi Berbilang dan Menggunakan Pelepasan Peranti ZigBee. IEEE Trans. Inf. Forensik Secur. 2016, 11, 1862–1874.

9. Xu, S.; Huang, B.; Xu, L.; Xu, Z. Klasifikasi Pemancar Radio menggunakan Kaedah Baharu Analisis Ciri Sesat Digabungkan dengan PCA. Dalam Prosiding MILCOM 2007-IEEE Military Communications Conference, Orlando, FL, USA, 29–31 Oktober 2007; ms 1–5.

10. Jia, Y.; Ma, J.; Gan, L. Pengoptimuman Gabungan Pengurangan dan Pengelasan Ciri untuk Pengecaman Radiometrik. Proses Isyarat IEEE. Lett. 2017, 24, 584–588.

11. Danev, B.; Capkun, S. Pengenalpastian berasaskan sementara nod sensor wayarles. Dalam Prosiding Persidangan Antarabangsa 2009 mengenai Pemprosesan Maklumat dalam Rangkaian Sensor, San Francisco, CA, Amerika Syarikat, 13–16 April 2009; ms 25–36.

12. Kennedy, IO; Scanlon, P.; Mullany, FJ; Buddhikot, MM; Nolan, KE; Rondeau, TW Pemancar Radio Cap Jari: Pendekatan Domain Kekerapan Keadaan Mantap. Dalam Prosiding Persidangan Teknologi Kenderaan IEEE 68th 2008, Calgary, AB, Kanada, 21–24 September 2008; ms 1–5.

13. Youssef, K.; Bouchard, L.; Haigh, K.; Silovsky, J.; Thapa, B.; Valk, Pendekatan Pembelajaran Mesin CV kepada Pengenalpastian Pemancar RF. IEEE J. Radio Freq. Kenal pasti. 2018, 2, 197–205.

14. Jafari, H.; Omotere, O.; Adesina, D.; Wu, H.; Qian, L. Peranti IoT Cap Jari Menggunakan Pembelajaran Mendalam. Dalam Prosiding Persidangan Komunikasi Tentera IEEE 2018—2018 (MILCOM), Los Angeles, CA, Amerika Syarikat, 29–31 Oktober 2018; ms 1–9.

15. Saudagar, K.; Revay, S.; Stantchev, G.; Nousain, B. Pembelajaran Mendalam untuk Cap Jari Peranti RF dalam Rangkaian Komunikasi Kognitif. IEEE J. Sel. Atas. Proses Isyarat. 2018, 12, 160–167.

16. Rajendran, S.; Meert, W.; Giustiniano, D.; Pemberi pinjaman, V.; Pollin, S. Model pembelajaran mendalam untuk klasifikasi isyarat wayarles dengan pengesan spektrum kos rendah yang diedarkan. IEEE Trans. Cogn. Commun. Netw. 2018, 4, 433–445.

17. Ding, L.; Wang, S.; Wang, F.; Zhang, W. Pengenalpastian Pemancar Khusus melalui Rangkaian Neural Konvolusi. Komuniti IEEE. Lett. 2018, 22, 2591–2594.

18. Masood, S.; Rai, A.; Aggarwal, A.; Doja, MN; Ahmad, M. Mengesan gangguan pemandu menggunakan rangkaian saraf konvolusi. Pengecaman Corak. Lett. 2018, 139, 79–85.

19. Pan, Y.; Yang, S.; Peng, H.; Li, T.; Wang, W. Pengenalpastian Pemancar Khusus Berdasarkan Rangkaian Sisa Dalam. Akses IEEE 2019, 7, 54425–54434.

20. Qian, Y.; Qi, J.; Kuai, X.; Han, G.; Matahari, H.; Hong, S. Pengenalpastian Pemancar Khusus Berdasarkan Perwakilan Jarang Berbilang Aras dalam Sistem Pengenalpastian Automatik. IEEE Trans. Inf. Forensik Secur. 2021, 16, 2872–2884.

21. Du, M.; Dia, X.; Cai, X.; Bi, D. Carian Seni Bina Neural Seimbang dan Aplikasinya dalam Pengenalpastian Pemancar Khusus. IEEE Trans. Proses Isyarat. 2021, 69, 5051–5065.

22. Huang, G.; Yuan, Y.; Wang, X.; Huang, Z. Pengenalpastian Pemancar Khusus Berdasarkan Ciri Dinamik Tak Linear. boleh. J. Elektrik. Pengiraan. En. 2016, 39, 34–41.

23. Huang, G.; Yuan, Y.; Wang, X.; Huang, Z. Pengenalpastian pemancar khusus untuk pemancar komunikasi menggunakan pelbagai ukuran. Wayar. Pers. Commun. 2017, 94, 1523–1542.

24. Yuan, Y.; Huang, ZT; Wu, H.; Wang, X. Pengenalpastian pemancar khusus berdasarkan ciri pengagihan tenaga-frekuensi masa berasaskan transformasi Hilbert-Huang. Komuniti IET. 2014, 8, 2404–2412.

25. Padilla, P.; Padilla, J.; Valenzuela-Valdes, J. Pengenalpastian frekuensi radio peranti wayarles berdasarkan cap jari RF. Elektron. Lett. 2013, 49, 1409–1410.

26. Hu, A. Pengesanan berasaskan mukadimah cap jari RF pemancar Wi-Fi. Elektron. Lett. 2010, 46, 1165–1167.

27. Candore, A.; Kocabas, O.; Koushanfar, F. Cap jari radiometrik stabil yang teguh untuk peranti wayarles. Dalam Prosiding Bengkel Antarabangsa IEEE 2009 mengenai Keselamatan dan Amanah Berorientasikan Perkakasan, San Francisco, CA, Amerika Syarikat, 27–29 Julai 2009; ms 43–49.

28. Dudczyk, J.; Kawalec, A. Algoritma pengenalpastian keputusan pantas corak sumber pelepasan dalam pangkalan data. lembu jantan. Pol. Acad. Sci.-Tech. Sci. 2015, 63, 385–389.

29. Kawalec, A.; Rapacki, T.; Wnuczek, S.; Dudczyk, J.; Owczarek, R. Kaedah Campuran Berdasarkan Data Intrapulse dan Pancaran Pancaran kepada Pengecaman Sumber Pemancar. Dalam Prosiding Persidangan Antarabangsa 2006 mengenai Gelombang Mikro, Komunikasi Tanpa Wayar Radar, Krakow, Poland, 22–24 Mei 2006; ms 487–490.

30. Demers, F.; St-Hilaire, M. Pengenalan radiometrik pemancar LTE. Dalam Prosiding Persidangan Komunikasi Global IEEE 2013 (GLOBECOM), Atlanta, GA, Amerika Syarikat, 9–13 Disember 2013; ms 4116–4121.

31. Tan, K.; Yan, W.; Zhang, L.; Tang, M.; Zhang, Y. Pengenalpastian Pemancar Khusus Berdasarkan Radio Ditentukan Perisian dan Gabungan Keputusan. Akses IEEE 2021, 9, 86217–86229.

32. Jana, S.; Kasera, SK Mengenai pengesanan pantas dan tepat bagi titik capaian wayarles yang tidak dibenarkan menggunakan pencongan jam. IEEE Trans. Mob. Pengiraan. 2009, 9, 449–462.

33. Conning, M.; Potgieter, F. Analisis data radar yang diukur untuk pengenalpastian pemancar tertentu. Dalam Prosiding Persidangan Radar IEEE 2010, Washington, DC, Amerika Syarikat, 10–14 Mei 2010; ms 35–38.

34. Polak, AC; Goeckel, DL Pengecaman peranti wayarles berdasarkan ketidaksempurnaan pengayun RF. IEEE Trans. Inf. Forensik Secur. 2015, 10, 2492–2501.

35. Polak, AC; Goeckel, DL RF cap jari pengguna yang secara aktif menutup identiti mereka dengan herotan buatan. Dalam Prosiding Rekod Persidangan 2011 Persidangan Asilomar Empat Puluh Lima tentang Isyarat, Sistem dan Komputer (ASILOMAR), Pacific Grove, CA, Amerika Syarikat, 6–9 November 2011; ms 270–274.

36. Liu, MW; Doherty, JF Pengenalpastian pemancar khusus menggunakan anggaran peranti tak linear. Dalam Prosiding Simposium IEEE Sarnoff 2008, Princeton, NJ, Amerika Syarikat, 28–30 April 2008; ms 1–5.

37. Li, Y.; Chen, X.; Lin, Y.; Srivastava, G.; Liu, S. Pengecaman pemancar wayarles berdasarkan ketidaksempurnaan peranti. Akses IEEE 2020, 8, 59305–59314.

38. Dolatshahi, S.; Polak, A.; Goeckel, DL Pengenalpastian pengguna wayarles melalui ketidaksempurnaan penguat kuasa. Dalam Prosiding Rekod Persidangan 2010 Persidangan Asilomar Empat Puluh Empat mengenai Isyarat, Sistem dan Komputer, Pacific Grove, CA, Amerika Syarikat, 7–10 November 2010; ms 1553–1557.

39. D'Agostino, S.; Foglia, G.; Pistoia, D. Pengecaman pemancar khusus: Analisis pada data isyarat radar sebenar. Dalam Prosiding Persidangan Radar Eropah 2009 (EuRAD), Rom, Itali, 30 September–2 Oktober 2009; ms 242–245.

40. Guo, S.; Putih, RE; Low, M. Kajian perbandingan pengenalan pemancar radar berdasarkan transien isyarat. Dalam Prosiding Persidangan Radar IEEE 2018 (RadarConf18), Oklahoma City, OK, Amerika Syarikat, 23–27 April 2018; ms 286–291.

41. Talbot, KI; Duley, PR; Hyatt, MH Pengenalpastian dan pengesahan pemancar khusus. Technol. Wahyu 2003, 113, 113–133.

42. Dragomiretskiy, K.; Zosso, D. Penguraian mod variasi. IEEE Trans. Proses Isyarat. 2013, 62, 531–544.

43. Chang, CI Orthogonal Subspace Projection (OSP) dikaji semula: Kajian dan analisis yang komprehensif. IEEE Trans. Geosci. Sens Jauh 2005, 43, 502–518. ): Richland, WA, Amerika Syarikat, 2007.

45. Mayer, R.; Bucholtz, F.; Scribner, D. Pengesanan objek dengan menggunakan pemutihan/penyahputihan untuk mengubah tandatangan sasaran dalam imejan hiperspektral dan pelbagai spektrum multitemporal. Geosci. Sensor Jauh IEEE Trans. 2003, 41, 1136–1142.

46. ​​Kessy, A.; Lewin, A.; Strimmer, K. Pemutihan dan Penghiasan Optimum. Am. Stat. 2018, 72, 309–314.

47. Bell, AJ; Sejnowski, TJ "Komponen bebas" bagi pemandangan semula jadi ialah penapis tepi. Vis. Res. 1997, 37, 3327–3338.

48. Srivastava, N.; Hinton, G.; Krizhevsky, A.; Sutskever, I.; Salakhutdinov, R. Tercicir: Cara mudah untuk mengelakkan rangkaian saraf daripada terlampau pasang. J. Mach. Belajar. Res. 2014, 15, 1929–1958.

49. Förstner, W.; Moonen, B. Metrik untuk matriks kovarians. Dalam Geodesi—Cabaran Milenium Ke-3; Springer: Berlin/Heidelberg, Jerman, 2003; ms 299–309.

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

51. Herdin, M.; Czink, N.; Ozcelik, H.; Bonek, E. Jarak Matriks Korelasi, Ukuran Bermakna untuk Penilaian Saluran MIMO Bukan Pegun. Dalam Prosiding Persidangan Teknologi Kenderaan IEEE 61st 2005, Stockholm, Sweden, 30 Mei–1 Jun 2005; Jilid 1, hlm. 136–140.

52. Kuncheva, LI Kajian teori tentang enam strategi gabungan pengelas. IEEE Trans. Corak Dubur. Mach. Intell. 2002, 24, 281–286.

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

54. Penjana Isyarat Vektor Agilent. 2021. (diakses pada 26 November 2021).

55. Modem SATCOM Cekap Lebar Jalur Dipertingkat 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 maklumat lanjut: david.deng@wecistanche.com WhatApp:86 13632399501