Annotatsiya:Radiometrik identifikatsiya - signalni ma'lum bir manbaga bog'lash muammosi. Bu ishda oqartiruvchi transformatsiya yordamida radiometrik identifikatsiya algoritmi ishlab chiqilgan. Yondashuv ko'proq o'rnatilgan usullardan ajralib turadi, chunki u to'g'ridan-to'g'ri IQ ma'lumotlari ustida ishlaydi va shuning uchun xususiyatsizdir. Shunday qilib, keng tarqalgan ishlatiladigan o'lchamlarni kamaytirish algoritmlari qo'llanilmaydi. G'oyaning asosi shundan iboratki, ma'lumotlar to'plami boshqa har qanday matritsaga qaraganda oqartiruvchi matritsaga proyeksiya qilinganda "eng oq" bo'ladi. Amalda, o'zgartirilgan ma'lumotlar hech qachon qat'iy oq bo'lmaydi, chunki trening va test ma'lumotlari farq qiladi. Oqlik darajasini aniqlash uchun kovariatsiya matritsalarining o'xshashligini aniqlaydigan Förstner-Moonen o'lchovi qo'llaniladi. Oq shovqin jarayoniga minimal Förstner-Moonen masofasi bo'lgan ma'lumotlar to'plamini ishlab chiqaradigan oqartirish transformatsiyasi manba signalidir. Manba Ko'pchilik ovozi tasniflagichi qarorlari bo'yicha boshqariladigan rejim funksiyasining chiqishi bilan aniqlanadi. Förstner-Moonen o'lchovidan foydalanish maksimal ehtimollik va Evklid masofasi ko'rsatkichlariga nisbatan boshqacha nuqtai nazarni taqdim etadi. Oqartirish transformatsiyasi, shuningdek, hali ham katta o'lchamli va uzoq o'quv bosqichlariga ega xususiyat vektorlariga bog'liq bo'lgan so'nggi chuqur o'rganish yondashuvlaridan farq qiladi. Taklif etilayotgan usulni amalga oshirish osonroq, xususiyat vektorlarini talab qilmaydi, minimal tayyorgarlikni talab qiladi va iterativ bo'lmagan tuzilishi tufayli mavjud yondashuvlarga qaraganda tezroq.

Tegishli tadqiqotlarga ko'ra,cistancheoddiy o't bo'lib, u "hayotni uzaytiruvchi mo''jizaviy o't" deb nomlanadi. Uning asosiy komponentisistanozidkabi turli xil effektlarga egaantioksidant, yallig'lanishga qarshi, vaimmunitet funktsiyasini rag'batlantirish. Cistanche va terini oqartirish o'rtasidagi mexanizm antioksidant ta'sirida yotadicistancheglikozidlar. Inson terisida melanin katalizlangan tirozinning oksidlanishi natijasida hosil bo'laditirozinaza, va oksidlanish reaktsiyasi kislorod ishtirokini talab qiladi, shuning uchun organizmdagi kislorodsiz radikallar melanin ishlab chiqarishga ta'sir qiluvchi muhim omilga aylanadi. Cistanche tarkibida antioksidant bo'lgan va tanadagi erkin radikallarning paydo bo'lishini kamaytiradigan sistanozid mavjud.melanin ishlab chiqarishni inhibe qiladi.

Cistanche Tubulosa-dan qanday foydalanishni bosing

Qo'shimcha ma'lumot uchun:

david.deng@wecistanche.com WhatApp:86 13632399501

1.Kirish 

Radiometrik identifikatsiya - signalni manbaga bog'lash muammosi; ko'pincha tovar yoki model. Manba identifikatsiyasi ishlab chiqarish tolerantliklari, nomukammalliklar yoki ishlab chiqarishdagi normal statistik o'zgarishlardan kelib chiqishi mumkin bo'lgan imzolarni izlash orqali qurilmalarning RF barmoq izlari orqali amalga oshiriladi. Signalni tasniflash va modulyatsiyani aniqlashda katta ishlar olib borilmoqda [1,2]. Biroq, radiometrik identifikatsiya ikki toifaning hech biriga to'g'ri kelmaydi. Ko'p jihatdan, radiometrik identifikatsiya qilish qiyinroq muammodir, chunki turli manbalardan kelib chiqadigan signallar modulyatsiya, bit tezligi, puls shakllari va boshqalar kabi o'xshash xususiyatlarga ega bo'lishi mumkin. Bu fakt nozik qurilma o'zgarishlarini radiometrik identifikatsiyaning asosiy belgisiga aylantiradi. Biroq, bunday o'zgarishlar kichik, sezilmaydi va modellashtirish qiyin. Radiometrik identifikatsiya nima uchun qiziqish uyg'otadi? Harbiylar bu qobiliyatga bir muncha vaqt davomida dushman radarlaridan do'stlikni aniqlash vositasi sifatida qiziqish bildirishgan [3,4]. Sun'iy yo'ldosh aloqasi noto'g'ri manbalardan qasddan yoki qasddan tiqilib qolishga duch kelishi mumkin. Xalaqit beruvchining manbasi va brendini bilish xalaqit beruvchi manbani aniqlashga yordam beradi. Radiometrik identifikatsiya simsiz qurilmalarni himoya qilishda ham qimmatli vositadir. Signal manbasini aniqlash va bloklash mumkin bo'lsa, simsiz tarmoqlar va IoT qurilmalaridagi firibgarlik urinishlariga barham berish mumkin [5,6]. Modulyatsiyani yoki impulsni shakllantirishni takrorlashdan ko'ra signallarga kiritilgan qurilma xususiyatlarini taqlid qilish qiyinroq.

Radiometrik identifikatsiyani statistik tasniflash kontekstida shakllantirish mumkin. Klassik yondashuv PCA va nihoyat bir nechta diskriminant tahlili klassifikatori [7,8] kabi texnikalar yordamida xususiyatlarni ajratib olish va o'lchamlarni kamaytirishdan iborat. [9] da Kvadrat Integral Bispektralar (SIB) individual uzatiladigan signallarning noyob adashgan xususiyatlarini ajratib olish uchun ishlatiladi, keyin esa past o'lchamli xususiyat vektorini olish uchun PCA ishlatiladi. O'lchovni qisqartirgandan keyin saqlanib qolgan xususiyatlar tasniflash uchun har doim ham maqbul emasligi kuzatildi.

O'lchamlarni qisqartirish va barmoq izlari tasnifini birgalikda optimallashtirish [10] da taklif qilingan. G'oya tasniflangan xatolikni minimallashtirish va bir vaqtning o'zida pasaytirilgan o'lchamli xususiyatlar va sinf yorlig'i o'rtasidagi o'zaro ma'lumotni maksimal darajada oshirish orqali o'lchamlarni kamaytirishga qaratilgan. RF barmoq izi xususiyatlari signalning normallashtirilgan lahzali amplitudasi, fazasi va chastotasi statistik ma'lumotlaridan olinadi, natijada 960 o'lchamli xususiyat vektorlari paydo bo'ladi. Biroq, o'lchamlarni kamaytirish muammosi saqlanib qolmoqda. Transmitterni identifikatsiya qilish algoritmlari uchun xususiyatlarni ajratib olish vaqtinchalik [11] yoki barqaror holat [12] fazalarida ishlash uchun ishlab chiqilgan. Vaqtinchalik faza transmitter faollashtirilgandan so'ng darhol paydo bo'ladigan signalning analog holatidir, barqaror holat fazasi esa modulyatsiya bilan tavsiflanadi.

Radiometrik identifikatsiyalash bo'yicha so'nggi ishlar chuqur o'rganish (DL) vositalarining ko'payishiga ta'sir qildi. Masalan, RF barmoq izi [13], IoT qurilmasi barmoq izi [14], spektrni sezish [15] va kognitiv tarmoqlarda RF qurilmasi identifikatsiyasi [16]. Bunday ishlarning barchasida hali ham zarur bo'lgan narsa xususiyat vektorlarini ajratib olish, keyin esa vaqtni talab qiluvchi o'lchamlarni kamaytirishdir. Masalan, [10] da chiqarilgan xususiyat vektorlari o'lchovni kamaytirishdan oldin 960 o'lchamga ega. Boshqacha aytganda, asosiy muammo qolmoqda. DL dan foydalanish ko'pincha tayyor vositalarni dasturlash yoki Matlabda amalga oshirilgan turli konvolyutsion neyron tarmoqlari (CNN) tartiblaridan foydalanish orqali amalga oshiriladi. Misol uchun, siqilgan bispektr xususiyat sifatida aniqlanadi va keyin uch qatlamli CNNni o'qitish uchun ishlatiladi [17]. Qatlamlar soni, kranlar, filtrlar, faollashtirish funksiyalari va hokazolar farqlanadi. Bu yoʻnalishdagi yana bir misol [18] da keltirilgan, bu erda Keras API chalgʻigan drayverlarni ajratish uchun orqa tomonda TensorFlow bilan qoʻllaniladi. [15] da DL kognitiv Zigbee tarmoqlarida RF qurilmasi barmoq izini olish uchun oʻquv va test maʼlumotlari sifatida vaqt-domen kompleksi tayanch tarmoqli xato signalidan foydalangan holda amalga oshirilgan. Natijalar yaxshi aniqlikni ko'rsatadi (≈90 foiz), lekin yuqori SNR da (20 dB dan katta yoki unga teng). [19] da kiritilgan ma'lumotlar Hilbert spektrining kulrang shkalasi tasvirlari sifatida oldindan qayta ishlanadi va o'rtacha SNR darajasida qabul qilinadigan aniqlikka erishiladi (SNR uchun o'rtacha 70 foiz aniqlik darajasi 15 dB). Har xil DL algoritmlari uchun keng qamrovli ishlash taqqoslanishi [13] da ko'rsatilgan bo'lib, 12 transmitter uchun o'lchangan o'rtacha 98 foiz aniqlik haqida xabar beradi.

ML ancha kichikroq ma'lumotlar to'plamlarida ishlashi va DL bilan solishtirganda ancha kam o'quv vaqtini talab qilishi (ta'lim soatlari [15]), turli xil atrof-muhit sharoitlarida (haddan tashqari issiqlik, ortiqcha oqim va boshqalar) sodir bo'ladigan o'zgarishlar signallarining ko'p qirraliligini ta'minlaydi. , bu tasniflash tanlangan xususiyatga kuchli ta'sir qilishi mumkin. ML ning bu xususiyati (ma'lumotlarga asoslangan) xususiyatlarni tez yangilash imkonini beradi va natijada uzoq muddatda yuqori aniqlikdagi tasnifga olib keladi. Bundan tashqari, DL bilan solishtirganda murakkablikning kamayishi apparatni oson amalga oshirish va tezkor tasniflash imkonini beradi.

Maxsus emitent identifikatsiyasi (SEI) radiometrik identifikatsiyalashning yana bir paradigmasidir [20-22]. SEI yondashuvi faqat tashqi xususiyat o'lchovlari yordamida signalning yagona uzatuvchisini aniqlashga harakat qiladi [22]. SEI ikki bosqichda amalga oshiriladi, (1) vaqtinchalik signal holati va (2) barqaror holat signal holati. Vaqtinchalik yondashuv signalga o'rnatilgan maxsus imzolarga nisbatan qo'llaniladi, chunki transmitter yuqoriga yoki pastga tushadi [23,24]. Vaqtinchalik yondashuvlar ko'pincha mavjud bo'lmagan yoki saqlanmaydigan ma'lumotlarning mavjud emasligi yoki vaqtinchalik xususiyati tufayli amalga oshirish qiyinroq. Barqaror holat yondashuvi vaqtinchalik jarayonlar barqarorlashgan davrni anglatadi. Mavjud xususiyatlar modulyatsiya va preambula [25,26] va boshqalarni o'z ichiga oladi. Modulyatsiyaga asoslangan usullarda qabul qilingan va maqsadli turkumlar taqqoslanadi, bunda farq RF barmoq izini yaratadi [27]. Tez qaror qabul qilish algoritmi [28] da keltirilgan. Identifikatsiya signal vektorining o'xshashligi va uni ma'lumotlar bazasida mavjud naqshlar bilan taqqoslashga asoslanadi. Yondashuv radar identifikatsiyasiga qo'llaniladigan SEI misoli sifatida tasniflanadi. Algoritm turli xil radarlardan kelgan yuzlab radar signallari yozuvlariga qo'llanilgan. Ba'zi hollarda bir xil turdagi radarlarning nusxalari tekshirildi. Barcha xususiyatlarni bir xil tortgan holda, radar turlari uchun 85 foiz to'g'ri tan olinishi haqida xabar beriladi. Elektromagnit emissiya va intrapuls tahliliga asoslangan radar identifikatsiyasining aralash usuli [29] da keltirilgan. Asosiysi, elektron qurilmalar uzatiladigan impulsga elektr xususiyatlarini beradi. Signal modeli K transmitterlardan N ta bir-birining ustiga chiqmaydigan itarishdir. Chiziqli diskriminant tahlili qo'llaniladi. Noma'lum pulsni tasniflash uchun to'rtta masofa ko'rsatkichi ishlatiladi. Xabar qilinishicha, bir xil turdagi radarlarning uchta nusxasi muvaffaqiyatli tan olingan.

Aloqa protokollarining radiometrik identifikatsiyasi ham qiziqish uyg'otadi. LTE protokolidan foydalanadigan manbalarni aniqlash [30,31] da keltirilgan. Identifikatsiya radiotexnika ishlab chiqarish jarayonida kiritilgan kichik kamchiliklardan kelib chiqadigan transmitterlar tomonidan namoyish etilgan noyob modulyatsiya xususiyatlariga asoslanadi. Qurilmaning kamchiliklari radiometrik identifikatsiya uchun imzo sifatida ishlatilgan, shu jumladan soat jitteri [32], raqamli-analogga o'zgartirgichlar (DAC) xatolari [33], mahalliy chastota sintezatori [34], quvvat kuchaytirgichining chiziqli bo'lmaganligi [35-37] . Quvvat kuchaytirgichining kamchiliklari manbani aniqlash uchun ham ishlatiladi [38]. Emitentni aniqlash uchun haqiqiy radar signallari qo'llaniladi [39].

Radiometrik identifikatsiyalash uchun mutlaqo boshqa dastur radardir. Transmitterlar bir xil turdagi radarga tegishli bo'lishi mumkin bo'lsa ham, ular uzatiladigan impulslarda nozik farqlarni ko'rsatishi mumkin. [33] da 18 ta xususiyat uch sinf radarlarni aniqlash uchun ishlatiladi. Radar signallarining o'tish davriga asoslangan beshta radar emitentining identifikatsiya barmoq izlari taqqoslanadi. An'anaviy usullarga radiochastota (RF), impuls amplitudasi, zarba kengligi, ataylab puls modulyatsiyasi turi yoki zarba takrorlash intervallari kiradi. [40] da emitent toʻlqin shaklidagi tasodifiy modulyatsiya maʼlumotlari qabul qilingan signalni va unga mos keladigan emitentni bogʻlash uchun RF barmoq izlari sifatida ishlatiladi. Impulsni tasodifiy modulyatsiya qilish (UMoP) - bu transmitter uskunasining, shu jumladan quvvat kuchaytirgichlarining ishlab chiqarishdagi farqlari tufayli o'zgarishlardan foydalanadigan usul bo'lib, UMoP emitentning barmoq iziga o'xshaydi va bir xil modeldagi transmitterlarni aniqlay oladi [41]. Variatsion rejimning radar identifikatsiyasiga parchalanishi [42] da xabar qilingan. Ma'lumotlar to'plami 47 emitentdan iborat. Ushbu emitentlarning ba'zilari bir xil radarning ishlab chiqarilishi edi. Natijalar shuni ko'rsatadiki, 0,9 dan kattaroq to'g'ri tasniflash ehtimolini olish uchun samarali SNR qiymati 47 dB atrofida bo'lishi kerak.

2. Radiometrik identifikatsiya uchun asos

Qabul qilingan signal birinchi navbatda oqartirish transformatsiyasini qo'llashdan oldin fazaning siljishi, osilator chastotasining siljishi va belgi vaqtini belgilash xatolari uchun tuzatiladi. Oqartirish transformatsiyasi PCA ning o'zgarishiga asoslangan ortogonal proyeksiya bo'lib, ortogonal pastki fazo proyeksiyasi bilan bog'liq [43]. Har bir manba uchun bitta oqartiruvchi transformatsiya matritsasi o'quv ma'lumotlaridan baholanadi. Signal haqida modulyatsiya turini, chastotasini, fazasini yoki boshqa narsalarni bilishning hojati yo'q. Noma'lum manbani identifikatsiyalash ma'lumotlar to'plami boshqa har qanday oqartirish matritsasiga qaraganda "eng oq" ekanligini kuzatishga asoslanadi. Oqartirish bo'yicha noma'lum ma'lumotlarning proyeksiyasi faqat oqartirish matritsasi va ma'lumotlar o'rtasida mos keladigan bo'lsa, ma'lumotlarni o'zgartiradi va oqartiradi. Ma'lumotlar oqartiruvchi konvertatsiyaga to'g'ri kelganda ham, prognoz qilingan ma'lumotlar hech qachon oq rangga ega bo'lmaydi. "Oqlik" o'lchovi kovariatsiya matritsalarini taqqoslash uchun divergentsiya ko'rsatkichini tanlash orqali ishlab chiqiladi. Bu o'lchov mos yozuvlar va test kovariant matritsalarining qo'shma xos qiymatlari kvadrat logarifmlarining yig'indisidir; Förstner-Moonen masofasi. Oqartirish signalni aniqlashda yaxshi ma'lum va u ko'pincha Oqartiruvchi mos filtr sifatida ishlab chiqilgan. Maqsad - filtr chiqishidagi shovqin namunalarini bezash. WMF ning 3D ilovasi giperspektral tasvirlarda atrof-muhitga ta'sir qilishni o'rganish uchun ishlatiladi [44]. Ko'p vaqtli giperspektralda maqsadli imzolarni o'zgartirish uchun oqartirish/oqartishni qo'llash orqali ob'ektni aniqlash [45] da keltirilgan. Bunday oqartirish usullariga misollar asosan signal va ob'ektni aniqlash uchun qo'llaniladi va bu erda taklif qilinganidek, radiometrik identifikatsiyaga tegishli emas.

2.1. Oqartiruvchi transformatsiya

X ∈ Rp×n kovarians matritsasi S bilan p o'zgaruvchilarning n ta o'lchovidan iborat ma'lumotlar matritsasi bo'lsin. Statistik oqartirish - bu Y=WX ning kovariatsiya matritsasi identifikatsiya matritsasi bo'ladigan tarzda ma'lumotlarni o'zgartiruvchi chiziqli transformatsiya. Oqartiruvchi transformatsiya matritsasi noyob emas. Darhaqiqat, [46] ma'lumotlarni oqartiruvchi o'n besh xil proyeksiya matritsalarini eslatib o'tadi, eng mashhurlari PCA va ZCA oqartirishdir [47]. Xususan,

Bu erda U va L kovariatsiya matritsasi S=UśU T ning parchalanishida xos vektorlar va xos qiymatlarning matritsalari. Oqartiruvchi transformatsiyalar dekor bilan bog'liq ma'lumotlarni ishlab chiqaradi, lekin nima maqsadda? Eng muhimi, oqartirish radiometrik identifikatsiyada qanday rol o'ynaydi? Aynan shu erda mos keladigan oqartirish transformatsiyasi radiometrik identifikatsiyalashda mavjud PCA foydalanishdan chetga chiqadi. PCA ahamiyatsiz energiya bilan Y komponentlarini olib tashlashga rahbarlik qilish orqali ma'lumotlarni siqish bilan mashhur. Qolgan xususiyatlar tasniflash uchun eng yaxshisi bo'lishi shart emas. Shunga qaramay, deyarli barcha PCA-ga asoslangan radiometrik tasniflash usullari ma'lumotlarni tasniflash uchun keyingi diskriminatsiya funktsiyasida siqilishdan omon qolgan xususiyatlardan foydalanadi. ZCA PCA tomonidan yuzaga kelgan aylanishni bekor qilish orqali nol fazaning qo'shimcha xususiyatiga ega. Bu erda ikkalasining hech biri qo'llanilmaydi. O'zaro bog'liq bo'lmagan ma'lumotlarni ishlab chiqarish oldingi ishlov berish bosqichi bo'lib, undan pastroq o'lchamli xususiyat vektorlari olinadi. O'lchovlarni qisqartirish IQ namunalariga taalluqli emas, chunki faqat ikkita o'lchov mavjud va ular allaqachon dekor bilan bog'liq. PCA chuqur o'rganishda, shuningdek konvolyutsion neyron tarmoqlarda konvergentsiyani tezlashtirish orqali qo'llanilgan [48].

2.2. Mos oqlash bo'yicha tasniflash

Ma'lumotlar N × M matritsasi X=[x1, x2, . . . , xM], xi ∈ RN×1 bu yerda M - o'lchovlar soni va N - o'zgaruvchilar yoki o'lchamlar soni. IQ ma'lumotlari uchun N=2 va M - yozuvdagi belgilar soni. Wi , i=1, 2, boʻlsin. . . , m m manba signallari uchun oqartiruvchi transform matritsalari {c1, c2,. . . , sm}. Sinfga bog'liq bo'lgan oqartirish matritsalari o'quv ma'lumotlaridan oflayn rejimda hisoblanadi. IQ ma'lumotlariga faza va chastota ofsetlari ta'sir qilganligi sababli, oqlash matritsalarini hisoblashdan oldin ma'lumotlarni tuzatish kerak. Sinov ma'lumotlari statistik ma'lumotlarni yaratish uchun bloklarga bo'linadi. "To'g'ri" blok uzunligi yo'q. Bu fazaning o'zgarish tezligiga, chastota ofsetiga yoki Doppler siljishiga bog'liq. Chiziqli bo'lmagan fazalar siljishida blok uzunligi fazalarni baholashda statsionar fazaga yaqin bo'lishini ta'minlash uchun etarlicha qisqa tanlanadi. Chastotani almashtirish uchun blok uzunligini qanday tanlash haqida ko'proq ma'lumot 3-bo'limda keltirilgan.

Ushbu fikrni ko'rsatish uchun uchta ko'p o'zgaruvchan normal populyatsiyalar yaratilgan va 1a-rasmda ko'rsatilgan. 3-ma'lumotlar to'plami (qora rangda) "noma'lum" manba sifatida ishlatiladi va Wi, i=1, 2, 3 da qayta-qayta proyeksiya qilinadi. Har bir proyeksiyadan so'ng tarqalish diagrammasi chiziladi va 1 bd-rasmda ko'rsatilgan. 3-guruh ma'lumotlari W1 tomonidan oqartirilganda, 1b-rasm, proyeksiyalangan ma'lumotlarning asosiy o'qi proyeksiya matritsasining asosiy o'qiga burchak ostida paydo bo'ladi. Bu ma'lumotlar va oqlash matritsasi mos kelmasligini ko'rsatadi. Takroriy proyeksiyalar 1b-d rasmini hosil qiladi. Faqat 1d-rasmda oqartiruvchi transformatsiya doiraviy tarqalish diagrammasini hosil qiladi. Eng kam korrelyatsiya ma'lumotlarini ishlab chiqaradigan proektsiya brendni aniqlaydi. Bu xususiyat noma'lum ma'lumotlar manbai 3-guruhning oqartirish transformatsiyasiga mos kelishini ko'rsatadi. Detektor 2-rasmda ko'rsatilgan parallel mos keladigan filtrlar banki sifatida amalga oshirilishi mumkin.

2.3. Oqartirish chorasini ishlab chiqish

Noma'lum ma'lumotlarni uning oqartiruvchi matritsasiga bog'lashda bir nechta muammolar mavjud. Birinchidan, haqiqiy ma'lumotlarning IQ komponentlari allaqachon bir-biriga bog'langan, shuning uchun oqartirish sezilarli qo'shimcha dekoratsiyaga olib kelmasligi mumkin. Ikkinchidan, (1) da belgilangan kichik bo'shliq o'quv ma'lumotlaridan oflayn rejimda yaratiladi. Biroq, test ma'lumotlari o'quv ma'lumotlari bilan bir xil populyatsiyadan kelgan bo'lsa ham, farq qiladi. Agar o'quv to'plamidan farqli ma'lumotlar ishlatilsa, ma'lumotlarning oqlanishi taxminiy bo'ladi. Asosiy xususiyat shundaki, noma'lum ma'lumotlarning kovariatsiya matritsasi, agar uning pastki fazosida boshqa har qanday ma'lumotlarga qaraganda ko'proq proyeksiya qilinsa, identifikatsiya matritsasiga o'xshaydi. Uchinchidan, "oqlik" ni qanday o'lchash kerak. Bu kovarians matritsalarini moslashtirishdagi muammodir [49].

Ikki nosimmetrik, ijobiy aniq kovariatsiya matritsalari orasidagi masofani o'lchash uchun har qanday ko'rsatkichlar mavjud. Ular orasida KL divergensiyasi, Evklid masofasi, kvadrat Frobenius normasi, Bhattachariya masofasi, Bregman matritsasi divergensiyasi va LogDet [50] va boshqalar kiradi. Ushbu ishda biz Förstner-Moonen metrikasidan [49] ikkita kovariatsiya matritsalarining o'xshashlik o'lchovi sifatida foydalanamiz. Malumot nuqtasi sifatida yaxshi keltirilgan Korrelyatsiya matritsasi masofasi (CMD) ko'rsatkichi [51] va Kullback-Leibler o'lchovlari o'rganiladi. O'xshashlik uchun bitta ta'rif yo'q, ammo uchtasi korrelyatsiya bilan monotondir va shuning uchun to'g'ri o'lchovlardir. Taqqoslash uchun biz CMD, KL va Förstner-Moonen uchastkalarini qo'shdik. Grafiklar 3a-rasmda keyinroq paydo bo'ladi. Kutilganidek, juftlik masofasi ortib borayotgan korrelyatsiya bilan ortadi, ya'ni korrelyatsiya qilingan o'zgaruvchilarning kovariatsiya matritsasi diagonal kovariatsiya matritsasidan uzoqroq masofada joylashgan. Shunisi e'tiborga loyiqki, KL o'lchovi Förstner-Moonen metrikasiga deyarli mos keladi, shuning uchun uni o'xshashlik indeksi sifatida ishlatishni oqlaydi.

Bu erda A va B ning qo'shma xos qiymatlari li(A, B) |lA - B| ning ildizlari.=0. Oqartiruvchi transformatsiya kontekstida mos yozuvlar kovariant matritsasi identifikatsiya matritsasi A=I va B=cov(Yi) Wi tomonidan oqartirilgan noma'lum ma'lumotlarning kovariatsiya matritsasi. Shuning uchun, qo'shma xos qiymatlar noma'lum ma'lumotlarning o'lchangan B kovariatsiya matritsasining xos qiymatlariga qisqartiradi.

(3) ga qurilgan klassifikator h1, h2, qoidalari bilan boshqariladigan Koʻpchilik yoki Koʻplik, Ovoz klassifikatori [52]. . . , hm. Qoidalar a'zolik funktsiyalaridir. Noma'lum manbadan olingan Xi o'lchovlarini hisobga olgan holda,

bu erda p - bloklar soni. Rejim funksiyasi to'plamda eng ko'p uchraydigan son, ya'ni hj(Xi) Xi ning JC ga tegishli ekanligiga ovoz berilgan soni. Noma'lum o'lchov Xi eng ko'p ovoz olgan sinf sifatida tasniflanadi. Bu jarayon 2-rasmda tasvirlangan. Bu “qattiq” ovoz berishning namunasidir. Muqobil variant - "yumshoq" ovoz berish, bunda sinflarga topshiriqlar chastotasi saqlanib qoladi.

Algoritmning hisoblash murakkabligi oqartiruvchi matritsa, oqartiruvchi transformatsiya va xos qiymat parchalanishidan iborat. Agar X ∈ Rd×M, bu erda d o'zgaruvchilar soni va M o'lchovlar soni bo'lsa, oqartirish transformatsiyasining murakkabliklari O(d2M plyus d3), oqartirish transformatsiyasi O(d2M) va o'ziga xos tarkibiy qismlar O(d3) ga teng. . IQ signali namoyishi bilan d=2 va u butun davomida doimiy. Shuning uchun yuqoridagi murakkabliklarning har biri oxir-oqibatda umumiy murakkablikni O (M) ga kamaytiradi. ya'ni o'lchovlar soni bilan chiziqli.

3. Faza va chastotalarni teskari o'zgartirish

Birinchi qiyinchilik algoritmni amalga oshirishdan oldin sirtlarni radiometrik identifikatsiya qilishdir. Signallar ko'pincha tuzatilmagan faza aylanishlari bilan taqdim etiladi. Ikki turdagi aylanishlar mavjud. Ruxsat etilgan aylanish mos yozuvlar tashuvchining doimiy fazaviy siljishi tufayli yuzaga keladi. Vaqt o'zgaruvchan aylanish mos yozuvlar tashuvchining chastotasi mos kelmasligi tufayli yuzaga keladi. Mos kelmaslik apparat bilan bog'liq bo'lishi yoki Doppler tufayli kelib chiqishi mumkin. Qanday bo'lmasin, bu noma'lum miqdor. Chastota nomuvofiqligi, fd ofset chastotasi, mos keladigan vaqt o'zgaruvchan fazani keltirib chiqaradi, bu esa yulduz turkumining ifloslanishiga olib keladi. Bu butun yulduz turkumining aylanishiga olib keladigan o'zgarmas faza ofsetidan farq qiladi. 4-rasmda ikki SNR darajasida vaqt o'zgaruvchan faza ofset ko'rsatilgan. Ruxsat etilgan va vaqt o'zgaruvchan aylanishlar radiometrik identifikatsiyadan oldin teskari bo'lishi kerak.

3.1. Fon

Manbani identifikatsiya qilishdan oldin faza va chastota ofsetini tuzatish har doim ham radiometrik identifikatsiya adabiyotida ko'rib chiqilmaydi [17]. Tashuvchi fazani tiklashning an'anaviy yondashuvi kuch qonuni usulidir [53]. Signalni Mth quvvatiga ko'tarish M marta ofset chastotasida ohang hosil qiladi, bu yulduz turkumini kamaytirish uchun ishlatilishi mumkin. Biroq, bu usul faqat qattiq fazali ofsetlar uchun ishlaydi. Bu erda taqdim etilgan yondashuv bir nechta signal segmentlarida o'lchangan faza nuqtalarining maksimal ehtimollik taxminiga modelni moslash orqali o'zboshimchalik bilan faza traektoriyalarini chiqaradi. Faza traektoriyasi birinchi navbatda fazani statsionar deb hisoblash uchun etarlicha qisqa bo'lgan signal segmentlaridan baholanadi; vaqt ichida fazaning mohiyatan surati. Eng kichik kvadratlar yordamida faza burchaklariga o'rnatilgan chiziqning qiyaligi ofset chastotasiga proportsionaldir. Bundan tashqari, eng kichik kvadratlarni moslashtirish usuli ikkinchi darajali ofset chastotasi effektidan kelib chiqqan chiziqli bo'lmagan faza traektoriyalarini boshqaradi. Bu kuch qonuni usuli bilan mumkin emas.

3.2. Signal modeli

Fazalar siljishi uchun diskret model {thk=2p fd t, t=kTs, k=1, 2, . . . K} bu yerda Ts - belgi uzunligi va K - faza aylanishini baholash uchun blokdagi belgilar soni. Ketma-ket belgilar 2p ga aylanadi va radianlarni nominal joylaridan uzoqlashtiradi. Bu harakat vaqt o'tishi bilan yoy hosil qiladi va shu sababli 4-rasmda ko'rsatilgan bo'yoq effektini keltirib chiqaradi. Bu aylanishni to'g'irlash uchun fd ni tiklash va belgilar blokini tushirish uchun thk, ˆkhk bahosini topish va foydalanish kerak. Blok ustidagi maksimal belgi aylanishi T=KTs.

Ofset chastotasini baholashga birinchi navbatda fazalar traektoriyasini baholash orqali erishish mumkin. th(t) ni baholash fazalarning turg'unligini ta'minlash uchun T uzunlikdagi qisqa bloklarda amalga oshiriladi, ya'ni {th(t) ≈ thk, t ∈ T}. Shuning uchun har bir ma'lumot blokiga bir fazali taxmin mavjud. fdT miqdori T blok uzunligi uchun yulduz turkumining 2p dan ortiq kasr aylanishidir. Bu miqdor ikki sababga ko'ra kichik bo'lishi kerak. Bitta, kichikroq fdT faza egri chizig'idan nozikroq namuna olishni anglatadi. Bu chiziqli modellashtirish orqali fazaning nochiziqligini aniqlashda muhim ahamiyatga ega. Ikki, katta fdT belgilarni asl belgilar kvadrantidan tashqariga suradi. Bu effektni birinchi kvadrantdagi belgilar ikkinchi kvadrantga surilgan 4b-rasmda ko'rish mumkin. Qisqa yoki uzun segmentlar nimadan iboratligi keyingi bo'limda tushuntiriladi.

Batafsil ma'lumot uchun: david.deng@wecistanche.com WhatApp:86 13632399501