Abstrakti:Radiometrinen tunnistus on ongelma, joka liittyy signaalin liittämiseen tiettyyn lähteeseen. Tässä työssä kehitetään radiometrinen tunnistusalgoritmi valkaisumuunnoksen avulla. Lähestymistapa erottuu vakiintuneemmista menetelmistä siinä, että se toimii suoraan IQ-raakadatalla ja on siten ominaisuuston. Sellaisenaan yleisesti käytetyt ulottuvuuden vähentämisalgoritmit eivät sovellu. Ajatuksen lähtökohtana on, että tietojoukko on "valkoisin" valkaisevaan matriisiinsa heijastettuna kuin mihinkään muuhun. Käytännössä muunnettu data ei ole koskaan tiukasti valkoista, koska koulutus- ja testidata eroavat toisistaan. Kovarianssimatriisien samankaltaisuuden kvantifioivaa Förstner-Moonen-mittaa käytetään valkoisuusasteen määrittämiseen. Lähdesignaali on valkaisumuunnos, joka tuottaa datajoukon, jonka Förstner-Moonenin vähimmäisetäisyys valkokohinaprosessiin on. Lähde määräytyy enemmistöäänestysluokittajan päätöksissä käytettävän tilatoiminnon lähdön perusteella. Förstner-Moonen-mitan käyttäminen tarjoaa erilaisen näkökulman verrattuna maksimitodennäköisyyteen ja euklidiseen etäisyyteen. Valkaisumuunnos on myös vastakohtana uudemmille syväoppimismenetelmille, jotka ovat edelleen riippuvaisia ​​piirrevektoreista, joilla on suuret mitat ja pitkiä harjoitusvaiheita. On osoitettu, että ehdotettu menetelmä on yksinkertaisempi toteuttaa, ei vaadi piirrevektoreita, vaatii minimaalista koulutusta ja on ei-iteratiivisen rakenteensa vuoksi nopeampi kuin olemassa olevat lähestymistavat.

Asiaankuuluvien tutkimusten mukaancistancheon yleinen yrtti, joka tunnetaan nimellä "ihmeyrtti, joka pidentää elämää". Sen pääkomponentti oncistanosidi, jolla on erilaisia ​​vaikutuksia, kutenantioksidantti, tulehdusta ehkäisevä, jaimmuunijärjestelmän toiminnan edistäminen. Sistanchen ja ihon valkaisun välinen mekanismi piilee sen antioksidanttisessa vaikutuksessacistancheglykosidit. Ihmisen ihossa oleva melaniini muodostuu tyrosiinin hapettumisesta, jota katalysoityrosinaasi, ja hapetusreaktio vaatii hapen osallistumista, joten kehon happivapaista radikaaleista tulee tärkeä melaniinin tuotantoon vaikuttava tekijä. Cistanche sisältää cistanosidia, joka on antioksidantti ja voi vähentää vapaiden radikaalien muodostumista kehossa, jotenestää melaniinin tuotantoa.

Napsauta Kuinka käyttää Cistanche Tubulosaa

Lisätietoja:

david.deng@wecistanche.com WhatApp:86 13632399501

1. Esittely 

Radiometrinen tunnistus on ongelma, joka liittyy signaalin määrittämiseen lähteeseen; usein merkki tai malli. Lähteen tunnistaminen suoritetaan laitteiden RF-sormenjälkien avulla etsimällä allekirjoituksia, jotka voivat johtua valmistustoleransseista, epätäydellisyyksistä tai tuotannon normaaleista tilastollisista vaihteluista. Signaalien luokittelussa ja modulaation tunnistuksessa on tehty paljon työtä [1,2]. Radiometrinen tunnistus ei kuitenkaan sovi kumpaankaan kategoriaan. Radiometrinen tunnistus on monella tapaa vaikeampi ongelma, koska eri lähteistä peräisin olevilla signaaleilla voi olla samanlaiset ominaisuudet, kuten modulaatio, bittinopeudet, pulssimuodot jne. Tämä tosiasia tekee hienovaraisista laitevaihteluista radiometrisen tunnistamisen päätunnisteen. Tällaiset vaihtelut ovat kuitenkin pieniä, huomaamattomia ja vaikeita mallintaa. Miksi radiometrinen tunnistus kiinnostaa, on monta kysymystä. Armeija on ollut kiinnostunut tästä valmiudesta jo jonkin aikaa keinona tunnistaa ystävälliset vihamielisestä tutkasta [3,4]. Satelliittiviestintä voi kohdata tahallisia tai tahattomia häiriöitä vääristä lähteistä. Häirintälähteen ja merkin tunteminen voi auttaa tunnistamaan loukkaavan lähteen. Radiometrinen tunnistus on myös arvokas työkalu langattomien laitteiden turvaamisessa. Huijausyritykset langattomissa verkoissa ja IoT-laitteissa voidaan estää, jos signaalin lähde voidaan tunnistaa ja estää [5,6]. On vaikeampaa jäljitellä signaaleihin upotettuja laiteominaisuuksia kuin toistaa modulaatiota tai pulssin muotoilua.

Radiometrinen tunnistus voidaan muotoilla tilastollisen luokittelijan yhteydessä. Klassinen lähestymistapa seuraa piirteiden erottamista ja dimensioiden vähentämistä sellaisilla tekniikoilla kuin PCA ja lopuksi monierotusanalyysin luokitin [7,8]. [9]:ssä Square Integral Bispectraa (SIB) käytetään erottamaan yksittäisten lähetettyjen signaalien ainutlaatuiset hajapiirteet, minkä jälkeen PCA:ta käytetään pieniulotteisen piirrevektorin erottamiseen. On havaittu, että ulottuvuuden pienentämisen jälkeen säilytetyt piirteet eivät välttämättä ole optimaalisia luokittelua varten.

[10]:ssä ehdotetaan yhdistettyä optimointia mittojen pienentämiseen ja sormenjälkien luokitteluun. Ajatuksena on ajaa mittasuhteiden pienentämistä minimoimalla luokitteluvirhe ja maksimoimalla keskinäinen informaatio pienennetyn ulottuvuuden ominaisuuksien ja luokkamerkinnän välillä samanaikaisesti. RF-sormenjälkiominaisuudet erotetaan signaalin normalisoidun hetkellisen amplitudin, vaiheen ja taajuuden tilastoista, jolloin saadaan ominaisuusvektoreita, joiden ulottuvuus on jopa 960. Mittasuhteiden vähentämisongelma on kuitenkin edelleen olemassa. Lähettimen tunnistusalgoritmien ominaisuuksien erottelu on kehitetty toimimaan joko transientti- [11] tai vakaan tilan vaiheissa [12]. Transienttivaihe on signaalin analoginen tila, joka esiintyy heti lähettimen aktivoitumisen jälkeen, kun taas vakaan tilan vaiheelle on tunnusomaista modulaatio.

Viimeaikaiseen radiometriseen tunnistamiseen liittyvään työhön on vaikuttanut syväoppimistyökalujen (DL) nousu. Esimerkkejä ovat RF-sormenjäljet ​​[13], IoT-laitteiden sormenjäljet ​​[14], spektrintunnistus [15] ja RF-laitteiden tunnistus kognitiivisissa verkoissa [16]. Kaikessa sellaisessa työssä tarvitaan edelleen piirrevektoreiden poimimista, jota seuraa aikaa vievä ulottuvuuden vähentäminen. Esimerkiksi [10]:ssä erotetuissa piirrevektoreissa on 960 ulottuvuutta ennen ulottuvuuden pienentämistä. Toisin sanoen pääongelma on edelleen olemassa. DL:n käyttö saavutetaan usein ohjelmoimalla valmiita työkaluja tai käyttämällä erilaisia ​​Matlabissa toteutettuja konvoluutiohermoverkkojen (CNN) rutiineja. Esimerkiksi pakattu bispektri tunnistetaan ominaisuudeksi ja sitä käytetään sitten kolmikerroksisen CNN:n kouluttamiseen [17]. Erilaisia ​​ovat kerrosten, napautusten, suodattimien, aktivointitoimintojen jne. määrä. Toinen esimerkki tästä on julkaisussa [18], jossa Keras API:ta käytetään TensorFlow'n kanssa taustalla erottamaan hajamieliset ajurit. [15]:ssä DL on toteutettu RF-laitteiden sormenjälkien ottamiseen kognitiivisissa Zigbee-verkoissa käyttämällä aika-alueen kompleksista kantataajuista virhesignaalia koulutus- ja testidatana. Tulokset osoittavat hyvän tarkkuuden (≈90 prosenttia), mutta korkealla SNR:llä (suurempi tai yhtä suuri kuin 20 dB). [19]:ssä syöttötiedot esikäsitellään Hilbert-spektrin harmaasävykuvina, ja ne saavuttavat hyväksyttävän tarkkuuden kohtuullisilla SNR-tasoilla (keskimääräinen 70 prosentin tarkkuus SNR:lle 15 dB). Kattava suorituskykyvertailu eri DL-algoritmeille esitetään julkaisussa [13], ja se raportoi 12 lähettimen keskimääräisen 98 prosentin mittaustarkkuuden.

Se, että ML toimii paljon pienemmillä datasarjoilla ja vaatii paljon vähemmän harjoitusaikaa verrattuna DL:ään (harjoittelutunteja [15]), tarjoaa monipuolisemman signaalin ominaisuuksien muutoksista, joita tapahtuu erilaisissa ympäristöolosuhteissa (ylikuumeneminen, ylivirta jne.). , mikä voi vaikuttaa voimakkaasti valittuun luokituksen ominaisuuteen. Tämä ML:n (data-ohjattu) ominaisuus mahdollistaa nopeat ominaisuuspäivitykset ja johtaa näin ollen tarkempaan luokitukseen pitkällä aikavälillä. Lisäksi DL:ään verrattuna pienempi monimutkaisuus mahdollistaa helpomman laitteiston toteutuksen ja nopean luokituksen lennossa.

Specific Emitter Identification (SEI) on toinen paradigma radiometriseen tunnistamiseen [20–22]. SEI-lähestymistapa yrittää tunnistaa signaalin ainutlaatuisen lähettimen käyttämällä vain ulkoisia ominaisuusmittauksia [22]. SEI toteutetaan kahdessa vaiheessa, (1) transienttisignaalitila ja (2) vakaan tilan signaalitila. Transienttilähestymistapa koskee tiettyjä signaaliin upotettuja allekirjoituksia, kun lähetin kytkeytyy ylös tai alas [23,24]. Ohimeneviä lähestymistapoja on vaikeampi toteuttaa, koska tiedot eivät usein ole käytettävissä tai tallennettavissa, koska ne eivät ole saatavilla tai ne ovat ohimeneviä. Vakaan tilan lähestymistapa viittaa ajanjaksoon, jolloin transientit ovat vakiintuneet. Käytettävissä olevia ominaisuuksia ovat muun muassa modulaatio ja johdanto [25,26]. Modulaatioon perustuvissa tekniikoissa vastaanotettua ja kohdekonstellaatiota verrataan, jossa ero muodostaa RF-sormenjäljen [27]. Nopea päätöksentekoalgoritmi ilmestyy julkaisuun [28]. Tunnistaminen perustuu signaalivektorin samankaltaisuuteen ja sen vertailuun tietokannassa oleviin kuvioihin. Lähestymistapa on luokiteltu esimerkkiksi tutkatunnistukseen sovelletusta SEI:stä. Algoritmia sovellettiin satoihin tutkasignaalien tallenteisiin, jotka tulivat useista eri tyyppisistä tutkatyypeistä. Joissakin tapauksissa tutkittiin kopioita samantyyppisestä tutkasta. Kun kaikki ominaisuudet punnitaan samalla tavalla, tutkatyypeille ilmoitetaan 85 prosentin oikea tunnistusaste. [29]:ssä esiintyy sähkömagneettiseen säteilyyn ja pulssinsisäiseen analyysiin perustuva sekoitettu menetelmä tutkatunnistukseen. Lähtökohtana on, että elektroniset laitteet antavat sähköisiä ominaisuuksia lähetetylle pulssille. Signaalimalli on N ei-päällekkäistä työntöä K lähettimeltä. Käytetään lineaarista erotteluanalyysiä. Tuntemattoman pulssin luokittelemiseen käytetään neljää etäisyysmittaria. On raportoitu, että kolme kopiota samantyyppisestä tutkasta tunnistetaan onnistuneesti.

Viestintäprotokollien radiometrinen tunnistaminen on myös kiinnostavaa. LTE-protokollaa käyttävien lähteiden tunnistaminen on raportoitu julkaisussa [30,31]. Tunnistus perustuu lähettimien ainutlaatuisiin modulaatioominaisuuksiin, jotka johtuvat radiolaitteiston valmistuksen aikana ilmenneistä vähäisistä epätäydellisyyksistä. Laitteen epätäydellisyyksiä on käytetty allekirjoituksena radiometriseen tunnistamiseen, mukaan lukien kellon värinä [32], digitaali-analogimuuntimien (DAC) virheet [33], paikallinen taajuussyntetisaattori [34], tehovahvistimen epälineaarisuus [35–37]. . Tehovahvistimen epätäydellisyyksiä käytetään myös lähteen tunnistamiseen [38]. Säteilijän tunnistamiseen käytetään todellisia tutkasignaaleja [39].

Täysin erilainen sovellus radiometriseen tunnistamiseen on tutka. Vaikka lähettimet voivat kuulua samaan tutkatyyppiin, niiden lähetetyissä pulsseissa voi olla hienoisia eroja. [33]:ssa 18 ominaisuutta käytetään tunnistamaan kolme tutkaluokkaa. Verrataan viittä tutkalähettimen tunnistussormenjälkeä tutkasignaalin transienttien perusteella. Perinteisiä tekniikoita ovat radiotaajuus (RF), pulssin amplitudi, pulssin leveys, tahallinen pulssimodulaatiotyyppi tai pulssin toistovälit. Kohdassa [40] emitterin aaltomuodon tahatonta modulaatioinformaatiota käytetään RF-sormenjälkinä vastaanotetun signaalin ja sitä vastaavan emitterin yhdistämiseen. Tahaton pulssimodulaatio (UMoP) on menetelmä, joka hyödyntää lähettimen laitteiston, mukaan lukien tehovahvistimien, valmistuseroista johtuvia vaihteluita. UMoP on kuin emitterin sormenjälki ja pystyy tunnistamaan saman mallin lähettimet [41]. Variational Mode Hajoaminen tutkatunnistukseen on raportoitu julkaisussa [42]. Tietojoukko koostuu 47 emitteristä. Jotkut näistä säteilijöistä olivat saman tutkan tuotantoja. Tulokset osoittavat, että tehokkaan SNR-arvon tulisi olla noin 47 dB oikean luokituksen todennäköisyyden saamiseksi, joka on suurempi kuin 0,9.

2. Radiometrisen tunnistamisen kehys

Vastaanotettu signaali korjataan ensin vaihesiirron, oskillaattorin taajuuspoikkeaman ja symbolien ajoitusvirheiden suhteen ennen valkaisumuunnoksen soveltamista. Valkaisumuunnos on ortogonaalinen projektio, joka perustuu PCA:n vaihteluun ja liittyy ortogonaaliseen aliavaruusprojektioon [43]. Yksi valkaisumuunnosmatriisi lähdettä kohden arvioidaan koulutustiedoista. Signaalista ei tarvitse tietää modulaatiotyyppiä, taajuutta, vaihetta tai mitään muuta. Tuntemattoman lähteen tunnistaminen perustuu havaintoon, että tietojoukko on "valkoisinta" projisoitaessa sen valkaisumatriisiin kuin mihinkään muuhun, eli vastaavaan valkaisuun. Tuntemattoman datan projisointi valkaisuun muuntaa ja vaalentaa tiedot vain, jos valkaisumatriisin ja datan välillä on täsmäys. Vaikka data vastaa valkaisevaa muunnostaan, projisoitu data ei ole koskaan todella valkoista. "Valkoisuus" kehitetään valitsemalla divergenttimetriikka kovarianssimatriisien vertailuun. Tämä mitta on vertailu- ja testikovarianssimatriisien yhteisten ominaisarvojen neliöityjen logaritmien summa; Förstner-Moonen-etäisyys. Valkaisu tunnetaan hyvin signaalintunnistuksessa ja se on usein muotoiltu Whitening Matched Filteriksi. Tavoitteena on dekorreloida kohinanäytteitä suodattimen lähdössä. WMF:n 3D-toteutusta käytetään hyperspektristen kuvien ympäristövaikutusten tutkimuksiin [44]. Kohteen havaitseminen käyttämällä valkaisua/valkaisunpoistoa kohteen allekirjoitusten muuntamiseen multitemporaalisesti hyperspektrinä näkyy julkaisussa [45]. Esimerkit tällaisista valkaisumenetelmistä soveltuvat enimmäkseen signaalien ja esineiden havaitsemiseen, eivätkä ne liity radiometriseen tunnistamiseen, kuten tässä ehdotetaan.

2.1. Valkaiseva muunnos

Olkoon X ∈ Rp×n datamatriisi, joka koostuu p muuttujan n mittauksesta kovarianssimatriisilla Σ. Tilastollinen valkaisu on lineaarinen muunnos, joka muuntaa tiedot siten, että Y=WX:n kovarianssimatriisi on identiteettimatriisi. Valkaisumuunnosmatriisi ei ole ainutlaatuinen. Itse asiassa [46] mainitsee viisitoista erilaista projektiomatriisia, jotka valkaisevat dataa, joista näkyvimmät ovat PCA- ja ZCA-valkaisu [47]. Erityisesti,

missä U ja Λ ovat ominaisvektorien ja ominaisarvojen matriisit kovarianssimatriisin Σ=UΛU T hajotuksessa. Valkaisumuunnokset tuottavat koristeeseen liittyvää dataa, mutta mihin tarkoitukseen? Vielä tärkeämpää on, mikä rooli valkaisulla on radiometrisessä tunnistamisessa? Tässä kohdistettu valkaisumuunnos poikkeaa PCA:n nykyisestä käytöstä radiometrisessä tunnistamisessa. PCA tunnetaan parhaiten tiedon pakkaamisesta ohjaamalla Y:n komponenttien poistamista merkityksettömällä energialla. Jäljellä olevat ominaisuudet eivät välttämättä ole parhaita luokitteluun. Silti lähes kaikki PCA-pohjaiset radiometriset luokitustekniikat käyttävät ominaisuuksia, jotka selviävät pakkauksesta myöhemmässä erottelutoiminnossa tietojen luokittelemiseen. ZCA:lla on lisätty nollavaiheominaisuus kumoamalla PCA:n aiheuttaman pyörimisen. Kumpikaan näistä ei sovellu tähän. Korreloimattoman datan tuottaminen on esikäsittelyvaihe, josta erotetaan alemman ulottuvuuden piirrevektorit. Dimensioiden vähentäminen ei koske IQ-näytteitä, koska ulottuvuuksia on aluksi vain kaksi ja ne liittyvät jo suurelta osin sisustukseen. PCA:ta on käytetty myös syväoppimisessa nopeuttamalla konvoluutiohermoverkkojen konvergenssia [48].

2.2. Luokittelu Matched Whiteningin mukaan

Tiedot on järjestetty N × M -matriisiin X=[x1, x2, . . . , xM], xi ∈ RN×1 missä M on mittausten lukumäärä ja N on muuttujien tai mittojen lukumäärä. IQ-tietojen osalta N=2 ja M on tietueen symbolien määrä. Olkoon Wi , i=1, 2, . . . , m ovat valkaisumuunnosmatriisit m lähdesignaalille {c1, c2, . . . , cm}. Luokasta riippuvat valkaisumatriisit lasketaan offline-tilassa harjoitustiedoista. Koska IQ-tietoihin vaikuttavat vaihe- ja taajuussiirtymät, tiedot on korjattava ennen valkaisumatriisien laskemista. Testitiedot jaetaan lohkoihin, joita käytetään tilastojen luomiseen. Ei ole olemassa "oikeaa" lohkon pituutta. Se riippuu vaiheen muutosnopeudesta, taajuussiirtymästä tai Doppler-siirrosta. Epälineaarisen vaihesiirtymän tapauksessa lohkon pituudet valitaan riittävän lyhyiksi, jotta varmistetaan lähellä kiinteää vaihetta vaiheestimoinnin aikana. Lisätietoja lohkon pituuden valitsemisesta taajuussiirtymän kääntämistä varten on osiossa 3.

Tämän kohdan havainnollistamiseksi luodaan kolme monimuuttujaa normaalipopulaatiota ja esitetään kuvassa 1a. Kolmatta datajoukkoa (musta) käytetään "tuntemattomana" lähteenä ja se heijastetaan toistuvasti Wi, i=1, 2, 3:lle. Jokaisen projektion jälkeen sirontakaavio piirretään ja esitetään kuvassa 1 bd. Kun ryhmän 3 dataa vaalennetaan W1:llä, kuva 1b, projisoidun datan pääakseli näkyy kulmassa projektiomatriisin pääakseliin nähden. Tämä osoittaa, että tiedot ja valkaisumatriisi eivät täsmää. Toistuvat projektiot tuottavat kuvan 1b–d. Vain kuvassa 1d valkaisumuunnos tuottaa pyöreän sirontadiagrammin. Projektio, joka tuottaa vähiten korreloituvaa dataa, tunnistaa brändin. Tämä ominaisuus osoittaa, että tuntemattoman datan lähde vastaa ryhmän 3 valkaisumuunnosta. Ilmaisin voidaan toteuttaa kuvan 2 mukaisena rinnakkaisten sovitettujen suodattimien ryhmänä.

2.3. Valkaisutoimenpiteen kehittäminen

Tuntemattomien tietojen sitomisessa valkaisevaan matriisiin on useita ongelmia. Ensinnäkin todellisen datan IQ-komponentit ovat jo melko koristeltuja, joten valkaisu ei välttämättä tuo merkittävää lisäkorrelaatiota. Toiseksi kohdassa (1) määritelty aliavaruus luodaan offline-tilassa harjoitustiedoista. Testitiedot ovat kuitenkin erilaisia, vaikka ne olisivat peräisin samasta populaatiosta kuin harjoitustiedot. Jos käytetään erilaisia ​​tietoja kuin harjoitussarja, tietojen valkaisu on likimääräinen. Ydinominaisuus on, että tuntemattoman datan kovarianssimatriisi muistuttaa identiteettimatriisia, jos se projisoidaan sen aliavaruuteen enemmän kuin mihinkään muuhun. Kolmanneksi, kuinka mitata "valkoisuus". Tämä on ongelma kovarianssimatriisin sovituksessa [49].

Kahden symmetrisen, positiivisen määrätyn kovarianssimatriisin välisten etäisyyksien mittaamiseksi on mikä tahansa määrä mittareita. Niihin kuuluvat muun muassa KL-divergentti, euklidinen etäisyys, neliöllinen Frobenius-normi, Bhattacharyya-etäisyys, Bregman-matriisidivergentti ja LogDet [50]. Tässä työssä käytämme Förstner-Moonen-metriikkaa [49] kahden kovarianssimatriisin samankaltaisuusmittana. Viitepisteenä tutkitaan hyvin siteerattua korrelaatiomatriisietäisyyden (CMD) metriikkaa [51] ja Kullback-Leibler-mittoja. Samankaltaisuudesta ei ole yhtä määritelmää, mutta kolme ovat monotonisia korrelaation kanssa ja ovat siten päteviä mittareita. Vertailun vuoksi olemme lisänneet CMD-, KL- ja Förstner-Moonen-kuvat. Kaaviot näkyvät myöhemmin kuvassa 3a. Kuten odotettiin, pareittainen etäisyys kasvaa korrelaation kasvaessa, mikä tarkoittaa, että korreloitujen muuttujien kovarianssimatriisi on kauempana diagonaalisesta kovarianssimatriisista. On huomionarvoista, että KL-mitta on käytännöllisesti katsoen sama kuin Förstner-Moonen-metriikka, mikä oikeuttaa sen käytön samankaltaisuusindeksinä.

missä λi(A, B), A:n ja B:n yhteiset ominaisarvot, ovat |λA − B|:n juuria=0. Valkaisumuunnoksen yhteydessä referenssikovarianssimatriisi on identiteettimatriisi A=I ja B=cov(Yi) on Wi:n vaalentamaan tuntemattoman datan kovarianssimatriisi. Siksi yhteiset ominaisarvot pelkistyvät yksinkertaisesti tuntemattoman datan mitatun kovarianssimatriisin B ominaisarvoiksi.

(3):lle rakennettu luokitin on enemmistön tai monien ääniluokittelu [52], jota säätelevät säännöt h1, h2, . . . , hm. Säännöt ovat jäsentoimintoja. Kun otetaan huomioon Xi tuntemattomasta lähteestä saadut mittaukset,

missä p on lohkojen lukumäärä. Tilafunktio on luku, joka esiintyy useimmin joukossa, eli hj(Xi) on kuinka monta kertaa Xi äänestetään kuuluvaksi JC:hen. Tuntematon mitta Xi luokitellaan eniten ääniä saaneeksi luokaksi. Tämä prosessi on kuvattu kuvassa 2. Tämä on esimerkki "kovasta" äänestämisestä. Vaihtoehtona on "pehmeä" äänestys, jossa luokkien jakamistiheys säilyy.

Algoritmin laskennallinen monimutkaisuus koostuu valkaisumatriisista, valkaisumuunnoksesta ja ominaisarvon hajottelusta. Jos X ∈ Rd×M, jossa d on muuttujien lukumäärä ja M on mittausten lukumäärä, valkaisumuunnoksen monimutkaisuus on O(d2M plus d3), valkaisumuunnos on O(d2M) ja ominaishajotelma on O(d3) . IQ-signaalin esityksen kanssa d=2 ja se on vakio kauttaaltaan. Siksi kukin yllä olevista monimutkaisuudesta vähentää lopulta kokonaismonimutkaisuuden O(M:ksi). eli lineaarinen mittausten lukumäärän kanssa.

3. Vaihe- ja taajuussiirtymien kääntäminen

Ensimmäinen haaste on radiometriset tunnistuspinnat ennen algoritmin toteuttamista. Signaalit ovat usein saatavilla korjaamattomilla vaihekierroilla. Pyörimistyyppejä on kahdenlaisia. Kiinteän pyörimisen aiheuttaa vertailukantoaallon jatkuva vaihesiirtymä. Ajassa muuttuva kierto johtuu referenssikantoaallon taajuusepäsopimattomuudesta. Yhteensopimattomuus voi johtua laitteistosta tai Dopplerin aiheuttamasta. Joka tapauksessa se on tuntematon määrä. Taajuuden epäsovitus, jota kutsutaan offset-taajuudeksi fd, aiheuttaa vastaavan ajassa vaihtelevan vaiheen, joka johtaa konstellaatiotahroitumiseen. Tämä eroaa kiinteästä vaihesiirrosta, joka saa koko konstellaatiota pyörimään. Kuvio 4 esittää ajassa vaihtelevan vaihesiirron kahden SNR-tason alla. Sekä kiinteät että ajallisesti vaihtelevat kierrokset on vaihdettava ennen radiometristä tunnistamista.

3.1. Tausta

Vaihe- ja taajuuspoikkeaman korjausta ennen lähteen tunnistamista ei aina käsitellä radiometrisessä tunnistuskirjallisuudessa [17]. Perinteinen lähestymistapa kantoaallon vaiheen palautukseen on teholakimenetelmä [53]. Signaalin nostaminen M:nteen tehoon luo äänen M-kertaisella siirtymätaajuudella, jota voidaan käyttää konstellaatiosta poikkeamiseen. Tämä menetelmä toimii kuitenkin vain kiinteän vaiheen siirtymille. Tässä esitetty lähestymistapa erottaa mielivaltaiset vaiheradat sovittamalla mallin useiden signaalisegmenttien yli mitattuun vaihepisteiden maksimitodennäköisyysestimaattiin. Vaiherata estimoidaan ensin signaalisegmenteistä, jotka ovat riittävän lyhyitä, jotta vaihetta voidaan pitää paikallaan; pohjimmiltaan tilannekuva vaiheesta ajassa. Vaihekulmiin pienimmän neliösumman avulla sovitetun viivan kaltevuus on verrannollinen siirtymätaajuuteen. Lisäksi pienimmän neliösumman sovitusmenetelmä käsittelee epälineaariset vaiheradat, jotka aiheutuvat toisen asteen offset-taajuusvaikutuksesta. Tämä ei ole mahdollista teholakimenetelmällä.

3.2. Signaali malli

Vaihepoikkeaman diskreetti malli on {θk=2π fd t, t=kTs, k=1, 2, . . . K} jossa Ts on symbolin pituus ja K on symbolien lukumäärä lohkossa, jota käytetään vaihekierron arvioimiseen. Peräkkäiset symbolit pyörivät 2π ja sopivat radiaaneilla pois nimellispaikoistaan. Tämä liike muodostaa kaaren ajan myötä aiheuttaen siten kuviossa 4 esitetyn tahrausilmiön. Tämän kierron korjaamiseksi on löydettävä arvio θk, ˆθk ja käytettävä fd:n palauttamiseen ja symbolilohkon poikkeamiseen. Suurin symbolikierto lohkon yli on T=KTs.

Poikkeamataajuuden estimointi voidaan saavuttaa arvioimalla ensin vaiheraja. θ(t):n estimointi suoritetaan lyhyillä lohkoilla, joiden pituus on T, jotta varmistetaan vaiheen stationaarisuus, eli {θ(t) ≈ θk, t ∈ T}. Siksi datalohkoa kohden on yksi vaihearvio. Suuruus fdT on tähdistön murtokierto 2π:n yli lohkon pituudella T. Tämä suure on pidettävä pienenä kahdesta syystä. Yksi, pienempi fdT tarkoittaa hienompaa vaihekäyrän näytteenottoa. Tämä on tärkeää vaiheen epälineaarisuuden sieppaamisessa palakohtaisella lineaarisella mallinnuksella. Kaksi suurta fdT:tä työntää symbolit alkuperäisen symbolineljänneksen ulkopuolelle. Tämä vaikutus voidaan nähdä kuvassa 4b, jossa ensimmäisen neljänneksen symbolit on työnnetty toiseen neljännekseen. Lyhyet tai pitkät segmentit selitetään seuraavassa osiossa.

Lisätietoja: david.deng@wecistanche.com WhatApp:86 13632399501