เชิงนามธรรม:การระบุด้วยคลื่นวิทยุเป็นปัญหาของการระบุแหล่งที่มาของสัญญาณเฉพาะ ในงานนี้ อัลกอริทึมการระบุด้วยรังสีได้รับการพัฒนาโดยใช้การแปลงไวท์เทนนิ่ง แนวทางนี้แตกต่างจากวิธีการที่ได้รับการยอมรับมากขึ้น เนื่องจากทำงานโดยตรงกับข้อมูล IQ ดิบ ดังนั้นจึงไม่มีคุณลักษณะใดๆ ด้วยเหตุนี้ อัลกอริธึมการลดขนาดที่ใช้กันทั่วไปจึงใช้ไม่ได้ หลักการของแนวคิดคือชุดข้อมูลที่ "ขาวที่สุด" เมื่อฉายบนเมทริกซ์ไวท์เทนนิ่งมากกว่าชุดอื่นๆ ในทางปฏิบัติ ข้อมูลที่แปลงแล้วจะไม่เป็นสีขาวโดยเด็ดขาด เนื่องจากการฝึกฝนและข้อมูลการทดสอบแตกต่างกัน การวัด Förstner-Moonen ที่วัดปริมาณความคล้ายคลึงกันของเมทริกซ์ความแปรปรวนร่วมถูกใช้เพื่อกำหนดระดับความขาว การแปลงไวท์เทนนิ่งที่สร้างชุดข้อมูลที่มีระยะทาง Förstner-Moonen น้อยที่สุดไปยังกระบวนการไวท์นอยส์คือสัญญาณต้นทาง แหล่งที่มาถูกกำหนดโดยเอาต์พุตของฟังก์ชันโหมดที่ดำเนินการตามการตัดสินใจของ Majority Vote Classifier การใช้มาตรวัด Förstner-Moonen นำเสนอมุมมองที่แตกต่างกันเมื่อเปรียบเทียบกับมาตรวัดความน่าจะเป็นสูงสุดและระยะทางแบบยุคลิด การเปลี่ยนแปลงการฟอกสีฟันยังตรงกันข้ามกับแนวทางการเรียนรู้เชิงลึกล่าสุดที่ยังคงขึ้นอยู่กับเวกเตอร์คุณลักษณะที่มีขนาดที่ใหญ่และขั้นตอนการฝึกอบรมที่ยาวนาน แสดงให้เห็นว่าวิธีการที่เสนอนั้นง่ายต่อการนำไปใช้ ไม่ต้องใช้เวกเตอร์คุณลักษณะ จำเป็นต้องมีการฝึกอบรมเพียงเล็กน้อย และเนื่องจากโครงสร้างที่ไม่ทำซ้ำจึงเร็วกว่าแนวทางที่มีอยู่

จากการศึกษาที่เกี่ยวข้องพบว่ากระท่อมเป็นสมุนไพรที่ขึ้นชื่อว่า "สมุนไพรมหัศจรรย์อายุยืน" มีองค์ประกอบหลักคือซิสทาโนไซด์ซึ่งมีเอฟเฟกต์ต่างๆ เช่นสารต้านอนุมูลอิสระ, ต้านการอักเสบ, และการส่งเสริมการทำงานของภูมิคุ้มกัน. กลไกระหว่าง cistanche กับการทำให้ผิวขาวขึ้นนั้นอยู่ที่ฤทธิ์ต้านอนุมูลอิสระของกระท่อมไกลโคไซด์. เมลานินในผิวหนังของมนุษย์ผลิตโดยปฏิกิริยาออกซิเดชันของไทโรซีนที่เร่งปฏิกิริยาโดยไทโรซิเนสและปฏิกิริยาออกซิเดชั่นต้องการการมีส่วนร่วมของออกซิเจน ดังนั้นอนุมูลอิสระของออกซิเจนในร่างกายจึงกลายเป็นปัจจัยสำคัญที่ส่งผลต่อการผลิตเมลานิน Cistanche มี cistanoside ซึ่งเป็นสารต้านอนุมูลอิสระและสามารถลดการสร้างอนุมูลอิสระในร่างกายได้ยับยั้งการสร้างเมลานิน.

คลิกที่วิธีใช้ Cistanche Tubulosa

สำหรับข้อมูลเพิ่มเติม:

david.deng@wecistanche.com วอทแอพ:86 13632399501

1. บทนำ 

การระบุด้วยรังสีเป็นปัญหาของการระบุแหล่งที่มาของสัญญาณ มักเป็นยี่ห้อหรือรุ่น การระบุแหล่งที่มาทำได้โดยการพิมพ์ลายนิ้วมือ RF ของอุปกรณ์โดยมองหาลายเซ็นที่อาจเกิดขึ้นจากความคลาดเคลื่อนในการผลิต ความไม่สมบูรณ์ หรือการเปลี่ยนแปลงทางสถิติปกติในการผลิต มีงานมากมายในการจำแนกสัญญาณและการรับรู้การมอดูเลต [1,2] อย่างไรก็ตาม การระบุด้วยรังสีไม่จัดอยู่ในประเภทใดประเภทหนึ่งจากสองประเภทดังกล่าว ในหลาย ๆ ทาง การระบุด้วยรังสีเป็นปัญหาที่ยากขึ้นเนื่องจากสัญญาณที่มาจากแหล่งต่าง ๆ อาจมีลักษณะที่คล้ายคลึงกัน เช่น การมอดูเลต อัตราบิต รูปร่างพัลส์ ฯลฯ ข้อเท็จจริงนี้ทำให้รูปแบบอุปกรณ์ที่ละเอียดอ่อนกลายเป็นลายเซ็นหลักสำหรับการระบุด้วยรังสี อย่างไรก็ตาม การเปลี่ยนแปลงดังกล่าวมีขนาดเล็ก มองไม่เห็น และยากต่อการสร้างแบบจำลอง เหตุใดการระบุด้วยคลื่นวิทยุจึงเป็นที่สนใจหลายประการ กองทัพให้ความสนใจในความสามารถนี้มาระยะหนึ่งแล้ว เพื่อใช้เป็นเครื่องมือในการระบุตัวตนที่เป็นมิตรจากเรดาร์ที่เป็นปรปักษ์ [3,4] การสื่อสารผ่านดาวเทียมอาจประสบกับการติดขัดโดยตั้งใจหรือไม่ตั้งใจจากแหล่งที่มาอันธพาล การทราบแหล่งที่มาและแบรนด์ของผู้รบกวนอาจช่วยระบุแหล่งที่มาที่ละเมิดได้ การระบุด้วยรังสียังเป็นเครื่องมือที่มีคุณค่าในการรักษาความปลอดภัยอุปกรณ์ไร้สาย ความพยายามปลอมแปลงในเครือข่ายไร้สายและอุปกรณ์ IoT สามารถขัดขวางได้หากสามารถระบุและบล็อกแหล่งที่มาของสัญญาณได้ [5,6] การเลียนแบบลักษณะเฉพาะของอุปกรณ์ที่ฝังอยู่ในสัญญาณทำได้ยากกว่าการทำซ้ำการมอดูเลตหรือการสร้างพัลส์

การระบุด้วยรังสีสามารถกำหนดขึ้นในบริบทของลักษณนามทางสถิติ วิธีการแบบคลาสสิกเป็นไปตามการแยกคุณลักษณะและการลดขนาดด้วยเทคนิคต่างๆ เช่น PCA และสุดท้ายคือตัวแยกประเภทการวิเคราะห์จำแนกหลายกลุ่ม [7,8] ใน [9] มีการใช้ Square Integral Bispectra (SIB) เพื่อแยกคุณสมบัติการหลงทางเฉพาะของสัญญาณที่ส่งแต่ละรายการ ตามด้วย PCA เพื่อแยกเวกเตอร์คุณลักษณะที่มีมิติต่ำ มีการสังเกตพบว่าคุณสมบัติที่คงไว้หลังจากการลดมิติไม่จำเป็นต้องเหมาะสมที่สุดสำหรับการจำแนกประเภท

มีการเสนอการเพิ่มประสิทธิภาพโดยรวมของการลดขนาดและการจำแนกลายนิ้วมือใน [10] แนวคิดคือขับเคลื่อนการลดขนาดโดยลดข้อผิดพลาดในการจัดประเภทให้เหลือน้อยที่สุด และเพิ่มข้อมูลร่วมกันระหว่างคุณสมบัติลดขนาดและป้ายกำกับคลาสพร้อมกันให้ได้มากที่สุด คุณลักษณะ RF Fingerprint ดึงมาจากสถิติของแอมพลิจูด เฟส และความถี่ของสัญญาณที่ปรับให้เป็นมาตรฐานทันที ซึ่งส่งผลให้เวกเตอร์คุณลักษณะมีขนาดได้ถึง 960 มิติ อย่างไรก็ตามปัญหาการลดขนาดยังคงอยู่ การสกัดคุณสมบัติสำหรับอัลกอริทึมการระบุเครื่องส่งสัญญาณได้รับการพัฒนาให้ทำงานได้ทั้งในเฟสชั่วคราว [11] หรือเฟสคงที่ [12] เฟสชั่วคราวคือสถานะอะนาล็อกของสัญญาณที่เกิดขึ้นทันทีหลังจากเปิดใช้งานเครื่องส่งสัญญาณ ในขณะที่เฟสสถานะคงที่นั้นมีลักษณะเฉพาะโดยการมอดูเลต

งานล่าสุดเกี่ยวกับการระบุด้วยรังสีได้รับอิทธิพลจากการเพิ่มขึ้นของเครื่องมือการเรียนรู้เชิงลึก (DL) ตัวอย่าง ได้แก่ ลายนิ้วมือ RF [13] ลายนิ้วมืออุปกรณ์ IoT [14] การตรวจจับสเปกตรัม [15] และการระบุอุปกรณ์ RF ในเครือข่ายการรับรู้ [16] สิ่งที่จำเป็นในงานดังกล่าวทั้งหมดคือการแยกเวกเตอร์คุณลักษณะตามด้วยการลดขนาดที่ใช้เวลานาน เวกเตอร์คุณลักษณะที่แยกออกมาใน [10] ตัวอย่างเช่น มีขนาด 960 ก่อนลดขนาด กล่าวอีกนัยหนึ่งปัญหาหลักยังคงอยู่ การใช้ DL มักจะสำเร็จได้ด้วยการเขียนโปรแกรมของเครื่องมือที่มีอยู่ทั่วไปหรือการใช้รูทีนเครือข่ายประสาทเทียม (CNN) ต่างๆ ที่ใช้ใน Matlab ตัวอย่างเช่น สเปกตรัมที่ถูกบีบอัดจะถูกระบุเป็นคุณลักษณะ จากนั้นจึงนำไปใช้ในการฝึก CNN สามชั้น [17] สิ่งที่แตกต่างคือจำนวนของเลเยอร์ การแตะ ตัวกรอง ฟังก์ชันการเปิดใช้งาน ฯลฯ อีกตัวอย่างหนึ่งตามเส้นเลือดนี้ปรากฏใน [18] ที่ Keras API ใช้กับ TensorFlow บนแบ็กเอนด์เพื่อแยกแยะไดรเวอร์ที่เสียสมาธิ ใน [15] DL ถูกนำมาใช้สำหรับการพิมพ์ลายนิ้วมือของอุปกรณ์ RF ในเครือข่าย Zigbee แบบรู้คิดโดยใช้สัญญาณข้อผิดพลาดเบสแบนด์ที่ซับซ้อนของโดเมนเวลาเป็นข้อมูลการฝึกอบรมและทดสอบ ผลลัพธ์แสดงความแม่นยำที่ดี (≈ 90 เปอร์เซ็นต์ ) แต่ที่ SNR สูง (มากกว่าหรือเท่ากับ 20 dB) ใน [19] ข้อมูลอินพุตได้รับการประมวลผลล่วงหน้าเป็นภาพระดับสีเทาสเปกตรัมของ Hilbert และบรรลุความแม่นยำที่ยอมรับได้ภายใต้ระดับ SNR ปานกลาง (อัตราความแม่นยำเฉลี่ย 70 เปอร์เซ็นต์สำหรับ SNR ที่ 15 dB) การเปรียบเทียบประสิทธิภาพที่ครอบคลุมจะแสดงสำหรับอัลกอริธึม DL ต่างๆ ใน ​​[13] โดยรายงานความแม่นยำเฉลี่ย 98 เปอร์เซ็นต์ที่วัดได้สำหรับเครื่องส่งสัญญาณ 12 เครื่อง

ข้อเท็จจริงที่ว่า ML ทำงานกับชุดข้อมูลที่มีขนาดเล็กกว่ามากและต้องใช้เวลาในการฝึกอบรมน้อยกว่ามากเมื่อเทียบกับ DL (ชั่วโมงของการฝึกอบรม [15]) ทำให้มีความคล่องตัวมากขึ้นในการเปลี่ยนแปลงลักษณะสัญญาณที่เกิดขึ้นภายใต้สภาพแวดล้อมที่แตกต่างกัน (ความร้อนสูงเกินไป กระแสไฟเกิน เป็นต้น) ซึ่งอาจส่งผลกระทบอย่างมากต่อการจัดหมวดหมู่คุณลักษณะที่เลือก คุณสมบัติของ ML (ที่ขับเคลื่อนด้วยข้อมูล) นี้ช่วยให้สามารถอัปเดตคุณลักษณะได้อย่างรวดเร็ว และเป็นผลให้การจัดประเภทมีความแม่นยำมากขึ้นในระยะยาว นอกจากนี้ ความซับซ้อนที่ลดลงเมื่อเทียบกับ DL ยังช่วยให้ใช้งานฮาร์ดแวร์ได้ง่ายขึ้นและจำแนกประเภทได้ทันที

การระบุอิมิตเตอร์เฉพาะ (SEI) เป็นอีกกระบวนทัศน์หนึ่งสำหรับการระบุด้วยรังสี [20–22] วิธีการของ SEI พยายามระบุตัวส่งสัญญาณเฉพาะโดยใช้การวัดคุณลักษณะภายนอกเท่านั้น [22] SEI ถูกนำมาใช้ในสองขั้นตอน (1) สถานะสัญญาณชั่วคราวและ (2) สถานะสัญญาณคงที่ วิธีการชั่วคราวใช้กับลายเซ็นเฉพาะที่ฝังอยู่ในสัญญาณเมื่อเครื่องส่งกำลังขึ้นหรือลง [23,24] วิธีการชั่วคราวนั้นยากกว่าที่จะใช้เนื่องจากความไม่พร้อมใช้งานหรือลักษณะชั่วคราวของข้อมูลที่มักไม่สามารถเข้าถึงได้หรือบันทึกไว้ แนวทางสภาวะคงที่หมายถึงช่วงเวลาที่สภาวะชั่วคราวมีความเสถียร คุณสมบัติที่มีอยู่รวมถึงการมอดูเลตและคำนำ [25,26] และอื่น ๆ ในเทคนิคการมอดูเลต กลุ่มดาวที่ได้รับและกลุ่มดาวเป้าหมายจะถูกเปรียบเทียบโดยที่ความแตกต่างจะสร้างลายนิ้วมือ RF [27] อัลกอริทึมการระบุการตัดสินใจที่รวดเร็วปรากฏใน [28] การระบุขึ้นอยู่กับความคล้ายคลึงกันของเวกเตอร์สัญญาณและการเปรียบเทียบกับรูปแบบที่มีอยู่ในฐานข้อมูล แนวทางดังกล่าวจัดเป็นตัวอย่างของ SEI ที่นำไปใช้กับการระบุตัวตนด้วยเรดาร์ อัลกอริทึมถูกนำไปใช้กับบันทึกสัญญาณเรดาร์หลายร้อยรายการที่มาจากเรดาร์หลายประเภท ในบางกรณี มีการตรวจสอบสำเนาของเรดาร์ประเภทเดียวกัน เมื่อชั่งน้ำหนักคุณสมบัติทั้งหมดเท่าๆ กัน มีการรายงานอัตราการรับรู้ที่ถูกต้อง 85 เปอร์เซ็นต์สำหรับประเภทเรดาร์ วิธีการระบุเรดาร์แบบผสมขึ้นอยู่กับการปล่อยคลื่นแม่เหล็กไฟฟ้าและการวิเคราะห์การเต้นของชีพจรปรากฏใน [29] หลักฐานคืออุปกรณ์อิเล็กทรอนิกส์ให้คุณสมบัติทางไฟฟ้าแก่พัลส์ที่ส่ง รูปแบบสัญญาณคือ N การผลักที่ไม่ทับซ้อนกันจากเครื่องส่งสัญญาณ K ใช้การวิเคราะห์จำแนกเชิงเส้น การวัดระยะทางสี่แบบใช้เพื่อจำแนกพัลส์ที่ไม่รู้จัก มีรายงานว่าตรวจพบเรดาร์ประเภทเดียวกันสามชุดได้สำเร็จ

การระบุโปรโตคอลการสื่อสารด้วยรังสีก็เป็นที่สนใจเช่นกัน การยืนยันแหล่งที่มาที่ใช้โปรโตคอล LTE มีการรายงานใน [30,31] การระบุจะขึ้นอยู่กับลักษณะการมอดูเลตเฉพาะที่แสดงโดยเครื่องส่งสัญญาณ ซึ่งเป็นผลมาจากความไม่สมบูรณ์เล็กน้อยที่เกิดขึ้นระหว่างการผลิตฮาร์ดแวร์วิทยุ ความไม่สมบูรณ์ของอุปกรณ์ถูกใช้เป็นลายเซ็นสำหรับการระบุด้วยคลื่นวิทยุรวมถึงสัญญาณรบกวนสัญญาณนาฬิกา [32] ข้อผิดพลาดของตัวแปลงดิจิตอลเป็นอะนาล็อก (DAC) [33] ตัวสังเคราะห์ความถี่ท้องถิ่น [34] เพาเวอร์แอมป์ที่ไม่ใช่เชิงเส้น [35–37] . ความไม่สมบูรณ์ของเพาเวอร์แอมป์ยังใช้สำหรับการระบุแหล่งที่มาด้วย [38] สัญญาณเรดาร์จริงใช้สำหรับระบุอิมิตเตอร์ [39]

แอปพลิเคชั่นที่แตกต่างอย่างสิ้นเชิงสำหรับการระบุตัวตนด้วยรังสีคือเรดาร์ แม้ว่าเครื่องส่งสัญญาณอาจเป็นของเรดาร์ประเภทเดียวกัน แต่อาจแสดงความแตกต่างเล็กน้อยในพัลส์ที่ส่ง ใน [33] มีการใช้คุณลักษณะ 18 ประการเพื่อระบุเรดาร์สามประเภท เปรียบเทียบลายนิ้วมือระบุตัวปล่อยเรดาร์ห้าตัวตามสัญญาณเรดาร์ชั่วคราว เทคนิคแบบดั้งเดิมรวมถึงความถี่วิทยุ (RF), แอมพลิจูดของพัลส์, ความกว้างของพัลส์, ประเภทการมอดูเลตพัลส์โดยเจตนา หรือช่วงเวลาการทำซ้ำของพัลส์ ใน [40] ข้อมูลการมอดูเลตโดยไม่ได้ตั้งใจบนรูปคลื่นอิมิตเตอร์จะถูกใช้เป็นลายนิ้วมือ RF เพื่อเชื่อมโยงสัญญาณที่ได้รับและอิมิตเตอร์ที่สอดคล้องกัน การมอดูเลตโดยไม่ได้ตั้งใจบนพัลส์ (UMoP) เป็นวิธีการที่ใช้ประโยชน์จากรูปแบบต่างๆ เนื่องจากความแตกต่างด้านการผลิตของฮาร์ดแวร์เครื่องส่งสัญญาณ รวมถึงเครื่องขยายสัญญาณเสียง UMoP เปรียบเสมือนลายนิ้วมือของเครื่องส่งสัญญาณและสามารถระบุเครื่องส่งสัญญาณจากรุ่นเดียวกันได้ [41] มีรายงานการสลายตัวของโหมด Variational เพื่อระบุเรดาร์ใน [42] ชุดข้อมูลประกอบด้วยอิมิตเตอร์ 47 ตัว ตัวปล่อยเหล่านี้บางส่วนเป็นการผลิตของเรดาร์เดียวกัน ผลลัพธ์แสดงให้เห็นว่าค่า SNR ที่มีประสิทธิภาพควรอยู่ที่ประมาณ 47 dB เพื่อให้ได้ความน่าจะเป็นในการจำแนกประเภทที่ถูกต้องซึ่งมากกว่า 0.9

2. กรอบสำหรับการระบุด้วยรังสี

สัญญาณที่ได้รับจะได้รับการแก้ไขเป็นครั้งแรกสำหรับเฟสออฟเซ็ต ออสซิลเลเตอร์ความถี่ออฟเซ็ต และสัญลักษณ์ไทม์มิ่งข้อผิดพลาดก่อนที่จะใช้การแปลงไวท์เทนนิ่ง การฟอกสีฟันเป็นการฉายภาพมุมฉากตามการเปลี่ยนแปลงของ PCA และเกี่ยวข้องกับการฉายภาพย่อยในมุมฉาก [43] เมทริกซ์การแปลงไวท์เทนนิ่งหนึ่งรายการต่อแหล่งที่มาประเมินจากข้อมูลการฝึกอบรม ไม่จำเป็นต้องทราบประเภทการมอดูเลต ความถี่ เฟส หรือสิ่งอื่นใดเกี่ยวกับสัญญาณ การระบุแหล่งที่มาที่ไม่รู้จักนั้นขึ้นอยู่กับการสังเกตว่าชุดข้อมูล "ขาวที่สุด" เมื่อฉายบนเมทริกซ์ไวท์เทนนิ่งของมันมากกว่าชุดข้อมูลอื่น ดังนั้นการจับคู่ไวท์เทนนิ่ง การฉายข้อมูลที่ไม่รู้จักในการฟอกสีฟันจะแปลงและทำให้ข้อมูลขาวขึ้นก็ต่อเมื่อมีการจับคู่ระหว่างเมทริกซ์การฟอกสีฟันและข้อมูลเท่านั้น แม้ว่าข้อมูลจะตรงกับการเปลี่ยนแปลงของการฟอกสีฟัน ข้อมูลที่คาดการณ์ไว้จะไม่มีวันเป็นสีขาวอย่างแท้จริง การวัด "ความขาว" ได้รับการพัฒนาโดยการเลือกเมตริกไดเวอร์เจนซ์สำหรับการเปรียบเทียบเมทริกซ์ความแปรปรวนร่วม การวัดนี้คือผลรวมของลอการิทึมกำลังสองของค่าลักษณะเฉพาะร่วมของเมทริกซ์อ้างอิงและทดสอบความแปรปรวนร่วม ระยะทาง Förstner-Moonen ไวท์เทนนิ่งเป็นที่รู้จักกันดีในการตรวจจับสัญญาณ และมักถูกกำหนดให้เป็นไวท์เทนนิ่งจับคู่ฟิลเตอร์ เป้าหมายคือการตกแต่งตัวอย่างสัญญาณรบกวนที่เอาต์พุตตัวกรอง การใช้งาน 3 มิติของ WMF ใช้สำหรับการศึกษาผลกระทบด้านสิ่งแวดล้อมในภาพถ่ายไฮเปอร์สเปกตรัม [44] การตรวจจับวัตถุโดยใช้ไวท์เทนนิ่ง/ดีไวท์เทนนิ่งเพื่อแปลงลายเซ็นเป้าหมายในมัลติสเปกตรัมไฮเปอร์สเปกตรัมปรากฏใน [45] ตัวอย่างของวิธีการฟอกสีฟันดังกล่าวส่วนใหญ่จะนำไปใช้กับการตรวจจับสัญญาณและวัตถุ และไม่เกี่ยวข้องกับการระบุด้วยรังสีตามที่เสนอในที่นี้

2.1. ไวท์เทนนิ่งทรานส์ฟอร์ม

ให้ X ∈ Rp×n เป็นเมทริกซ์ข้อมูลที่ประกอบด้วยการวัด n ตัวแปร p ด้วยเมทริกซ์ความแปรปรวนร่วม Σ การทำให้ขาวขึ้นทางสถิติเป็นการแปลงเชิงเส้นที่แปลงข้อมูลในลักษณะที่เมทริกซ์ความแปรปรวนร่วมของ Y=WX เป็นเมทริกซ์เอกลักษณ์ เมทริกซ์การแปลงไวท์เทนนิ่งนั้นไม่เหมือนใคร ในความเป็นจริง [46] กล่าวถึงเมทริกซ์การฉายภาพที่แตกต่างกันสิบห้ารายการที่ทำให้ข้อมูลขาวขึ้น โดยรายการที่โดดเด่นที่สุดคือ PCA และ ZCA ไวท์เทนนิ่ง [47] โดยเฉพาะ

โดยที่ U และ Λ คือเมทริกซ์ของค่าลักษณะเฉพาะและค่าลักษณะเฉพาะในการสลายตัวของเมทริกซ์ความแปรปรวนร่วม Σ=UΛU T การแปลงไวท์เทนนิ่งสร้างข้อมูลที่เกี่ยวข้องกับการตกแต่ง แต่จะลงเอยอย่างไร ที่สำคัญกว่านั้น การฟอกสีฟันมีบทบาทอย่างไรในการระบุด้วยรังสี นี่คือจุดที่การแปลงการฟอกสีฟันที่ตรงกันเบี่ยงเบนไปจากการใช้ PCA ที่มีอยู่เดิมในการระบุด้วยรังสี PCA เป็นที่รู้จักกันดีที่สุดสำหรับการบีบอัดข้อมูลโดยแนะนำการลบส่วนประกอบของ Y ด้วยพลังงานที่ไม่มีนัยสำคัญ คุณลักษณะที่ยังคงอยู่ไม่จำเป็นต้องดีที่สุดสำหรับการจำแนกประเภท ถึงกระนั้น เทคนิคการจำแนกประเภทด้วยรังสีแบบใช้ PCA เกือบทั้งหมดใช้คุณสมบัติที่รอดจากการบีบอัดในฟังก์ชันการจำแนกที่ตามมาเพื่อจัดประเภทข้อมูล ZCA มีคุณสมบัติเพิ่มเติมของเฟสศูนย์โดยการเลิกทำการหมุนที่เกิดจาก PCA ไม่สามารถใช้ทั้งสองอย่างได้ที่นี่ การสร้างข้อมูลที่ไม่สัมพันธ์กันเป็นขั้นตอนก่อนการประมวลผลซึ่งแยกเวกเตอร์ที่มีมิติต่ำกว่าออกมา การลดขนาดใช้ไม่ได้กับตัวอย่าง IQ เนื่องจากมีเพียงสองมิติเท่านั้น และส่วนใหญ่เกี่ยวข้องกับการตกแต่งอยู่แล้ว PCA ถูกนำมาใช้ในการเรียนรู้เชิงลึกเช่นกันโดยเร่งการบรรจบกันในเครือข่ายประสาทเทียม [48]

2.2. จำแนกตามการจับคู่ไวท์เทนนิ่ง

ข้อมูลถูกจัดอยู่ในเมทริกซ์ N × M X=[x1, x2, . . . , xM], xi ∈ RN×1 โดยที่ M คือจำนวนของการวัด และ N คือจำนวนของตัวแปรหรือขนาด สำหรับข้อมูล IQ N=2 และ M คือจำนวนสัญลักษณ์ในบันทึก ให้ Wi , i=1, 2, . . . , m เป็นเมทริกซ์การแปลงไวท์เทนนิ่งสำหรับ m สัญญาณแหล่งที่มา {c1, c2, . . , ซม.} เมทริกซ์ไวท์เทนนิ่งที่ขึ้นกับคลาสจะคำนวณแบบออฟไลน์จากข้อมูลการฝึกอบรม เนื่องจากข้อมูล IQ ได้รับผลกระทบจากการชดเชยเฟสและความถี่ ข้อมูลจึงจำเป็นต้องแก้ไขก่อนที่จะคำนวณเมทริกซ์ไวท์เทนนิ่ง ข้อมูลการทดสอบถูกแบ่งพาร์ติชันเป็นบล็อกที่ใช้สร้างสถิติ ไม่มีความยาวของบล็อกที่ "ถูกต้อง" ขึ้นอยู่กับอัตราการเปลี่ยนแปลงของเฟส การชดเชยความถี่ หรือการเลื่อนดอปเปลอร์ ในกรณีของการชดเชยเฟสแบบไม่เชิงเส้น ความยาวของบล็อกจะถูกเลือกให้สั้นพอที่จะทำให้เฟสใกล้คงที่ในระหว่างการประมาณค่าเฟส ข้อมูลเพิ่มเติมเกี่ยวกับวิธีเลือกความยาวบล็อกสำหรับการย้อนกลับการชดเชยความถี่ปรากฏในส่วนที่ 3

เพื่อแสดงประเด็นนี้ ประชากรปกติหลายตัวแปรสามกลุ่มถูกสร้างขึ้นและแสดงในรูปที่ 1a ชุดข้อมูลที่ 3 (สีดำ) ใช้เป็นแหล่งข้อมูล "ไม่ทราบ" และฉายซ้ำบน Wi, i=1, 2, 3 หลังจากการฉายภาพแต่ละครั้ง แผนภาพกระจายจะถูกลงจุดและแสดงในรูปที่ 1 bd เมื่อข้อมูลจากกลุ่ม 3 ถูกทำให้ขาวด้วย W1 รูปที่ 1b แกนหลักของข้อมูลที่ฉายจะปรากฏเป็นมุมกับแกนหลักของเมทริกซ์การฉาย สิ่งนี้บ่งชี้ว่าข้อมูลและเมทริกซ์ไวท์เทนนิ่งไม่ตรงกัน การฉายภาพซ้ำทำให้เกิดรูปที่ 1b–d เฉพาะในรูปที่ 1d เท่านั้นที่การเปลี่ยนแปลงการฟอกสีฟันจะสร้างไดอะแกรมการกระจายแบบวงกลม การฉายภาพที่สร้างข้อมูลที่สัมพันธ์กันน้อยที่สุดจะระบุแบรนด์ได้ คุณสมบัตินี้บ่งชี้ว่าแหล่งที่มาของข้อมูลที่ไม่รู้จักตรงกับการแปลงไวท์เทนนิ่งของกลุ่ม 3 เครื่องตรวจจับสามารถนำไปใช้เป็นธนาคารของตัวกรองที่จับคู่แบบขนานที่แสดงในรูปที่ 2

2.3. การพัฒนาเครื่องวัดความขาว

มีปัญหาหลายอย่างในการผูกข้อมูลที่ไม่รู้จักกับเมทริกซ์การทำให้ขาว ประการแรก ส่วนประกอบ IQ ของข้อมูลจริงนั้นค่อนข้างสัมพันธ์กันอยู่แล้ว ดังนั้นการฟอกสีฟันอาจไม่นำมาซึ่งความสัมพันธ์เพิ่มเติมที่มีนัยสำคัญ ประการที่สอง พื้นที่ย่อยที่กำหนดไว้ใน (1) ถูกสร้างขึ้นแบบออฟไลน์จากข้อมูลการฝึกอบรม อย่างไรก็ตาม ข้อมูลการทดสอบจะแตกต่างกันแม้ว่าจะมาจากกลุ่มประชากรเดียวกันกับข้อมูลการฝึกอบรมก็ตาม หากใช้ข้อมูลที่แตกต่างจากชุดการฝึก การทำให้ข้อมูลขาวขึ้นจะเป็นค่าโดยประมาณ คุณสมบัติหลักคือเมทริกซ์ความแปรปรวนร่วมของข้อมูลที่ไม่รู้จักจะคล้ายกับเมทริกซ์เอกลักษณ์หากคาดการณ์ไว้บนพื้นที่ย่อยมากกว่าที่อื่น ประการที่สาม วิธีการวัด "ความขาว" นี่เป็นปัญหาในการจับคู่เมทริกซ์ความแปรปรวนร่วม [49]

มีเมตริกจำนวนเท่าใดก็ได้ที่จะวัดระยะห่างระหว่างเมทริกซ์ความแปรปรวนร่วมแบบกำหนดบวกที่สมมาตรและแน่นอนสองรายการ ซึ่งรวมถึงความแตกต่างของ KL, ระยะทางแบบยุคลิด, บรรทัดฐาน Frobenius กำลังสอง, ระยะทาง Bhattacharyya, ความแตกต่างของเมทริกซ์ Bregman และ LogDet [50] และอื่น ๆ ในงานนี้ เราใช้เมตริก Förstner-Moonen [49] เป็นการวัดความคล้ายคลึงกันของเมทริกซ์ความแปรปรวนร่วมสองรายการ เพื่อเป็นข้อมูลอ้างอิง มีการศึกษาตัวชี้วัด Correlation Matrix Distance (CMD) [51] และการวัด Kullback-Leibler ไม่มีคำจำกัดความเดียวสำหรับความคล้ายคลึงกัน แต่มีสามคำที่มีความหมายเดียวที่มีความสัมพันธ์กันและด้วยเหตุนี้จึงเป็นมาตรการที่ถูกต้อง เราได้ซ้อนแผน CMD, KL และ Förstner-Moonen เพื่อเปรียบเทียบ กราฟจะปรากฏในภายหลังในรูปที่ 3a ตามที่คาดไว้ ระยะทางแบบคู่จะเพิ่มขึ้นตามความสัมพันธ์ที่เพิ่มขึ้น หมายความว่าเมทริกซ์ความแปรปรวนร่วมของตัวแปรที่สัมพันธ์กันนั้นอยู่ห่างจากเมทริกซ์ความแปรปรวนร่วมในแนวทแยงมากขึ้น เป็นที่น่าสังเกตว่ามาตรวัด KL นั้นแทบจะตรงกันกับมาตรวัด Förstner-Moonen ดังนั้นจึงให้เหตุผลที่ใช้เป็นดัชนีความคล้ายคลึงกัน

โดยที่ λi(A, B) ค่าลักษณะเฉพาะร่วมของ A และ B คือรากของ |λA - B|=0. ในบริบทของการแปลงไวท์เทนนิ่ง เมทริกซ์ความแปรปรวนร่วมอ้างอิงคือเมทริกซ์เอกลักษณ์ A=I และ B=cov(Yi) คือเมทริกซ์ความแปรปรวนร่วมของข้อมูลที่ไม่รู้จักที่ถูกทำให้ขาวโดย Wi ดังนั้นค่าลักษณะเฉพาะร่วมกันจึงลดลงเหลือเพียงค่าลักษณะเฉพาะของเมทริกซ์ความแปรปรวนร่วม B ที่วัดได้ของข้อมูลที่ไม่รู้จัก

ลักษณนามที่สร้างขึ้นบน (3) คือเสียงข้างมากหรือพหูพจน์ ลักษณนามการลงคะแนนเสียง [52] ซึ่งควบคุมโดยกฎ h1, h2, . . , หืม. กฎคือฟังก์ชันการเป็นสมาชิก ให้การวัดค่า Xi จากแหล่งที่ไม่รู้จัก

โดยที่ p คือจำนวนบล็อก ฟังก์ชันโหมดคือตัวเลขที่เกิดขึ้นบ่อยที่สุดในชุด เช่น hj(Xi) คือจำนวนครั้งที่ Xi ถูกโหวตให้เป็นของ JC หน่วยวัดที่ไม่รู้จัก Xi จัดเป็นคลาสที่ได้รับคะแนนโหวตมากที่สุด กระบวนการนี้แสดงในรูปที่ 2 นี่คือตัวอย่างของการลงคะแนนแบบ "ฮาร์ด" ทางเลือกคือการลงคะแนนแบบ "นุ่มนวล" โดยที่ความถี่ของการมอบหมายงานให้กับชั้นเรียนจะยังคงอยู่

ความซับซ้อนในการคำนวณของอัลกอริทึมประกอบด้วยเมทริกซ์ไวท์เทนนิ่ง การแปลงไวท์เทนนิ่ง และการสลายตัวของค่าลักษณะเฉพาะ ถ้า X ∈ Rd×M โดยที่ d คือจำนวนของตัวแปรและ M คือจำนวนของการวัด ความซับซ้อนของการแปลงรูปไวท์เทนนิ่งคือ O(d2M บวก d3) การแปลงรูปไวท์เทนนิ่งคือ O(d2M) และองค์ประกอบเฉพาะขององค์ประกอบคือ O(d3) . ด้วยการแสดงสัญญาณ IQ d=2 และมีค่าคงที่ตลอด ดังนั้น ความซับซ้อนแต่ละข้อข้างต้นจะลดความซับซ้อนโดยรวมลงเหลือ O(M) ในท้ายที่สุด คือเชิงเส้นกับจำนวนการวัด

3. การกลับเฟสและการชดเชยความถี่

ความท้าทายแรกคือการระบุพื้นผิวการระบุด้วยรังสีก่อนที่จะใช้อัลกอริทึม สัญญาณมักจะพร้อมใช้งานเมื่อมีการหมุนเฟสที่ไม่ถูกต้อง การหมุนมีสองประเภท การหมุนคงที่เกิดจากการชดเชยเฟสคงที่ของตัวพาอ้างอิง การหมุนตามเวลามีสาเหตุมาจากความถี่ของพาหะอ้างอิงไม่ตรงกัน ความไม่ตรงกันอาจเกี่ยวข้องกับฮาร์ดแวร์หรือเกิดจาก Doppler ทั้งสองวิธีมันเป็นปริมาณที่ไม่รู้จัก ความถี่ที่ไม่ตรงกัน ซึ่งเรียกว่าความถี่ออฟเซ็ต fd ทำให้เกิดเฟสที่แปรผันตามเวลาที่สอดคล้องกัน ซึ่งส่งผลให้เกิดการละเลงของกลุ่มดาว ซึ่งแตกต่างจากการชดเชยเฟสคงที่ซึ่งทำให้กลุ่มดาวทั้งหมดหมุน รูปที่ 4 แสดงการชดเชยเฟสที่แปรตามเวลาภายใต้ SNR สองระดับ ต้องย้อนกลับทั้งการหมุนแบบคงที่และแบบแปรผันตามเวลาก่อนการระบุแบบเรดิโอเมตริก

3.1. พื้นหลัง

การแก้ไขการชดเชยเฟสและความถี่ก่อนการระบุแหล่งที่มาไม่ได้กล่าวถึงเสมอในวรรณกรรมการระบุด้วยรังสี [17] วิธีดั้งเดิมในการกู้คืนเฟสของพาหะคือวิธีกฎหมายพลังงาน [53] การเพิ่มสัญญาณไปที่กำลัง Mth จะสร้างเสียงที่ M คูณด้วยความถี่ออฟเซ็ต ซึ่งสามารถใช้เพื่อทำลายกลุ่มดาวได้ อย่างไรก็ตาม วิธีนี้ใช้ได้กับการชดเชยเฟสคงที่เท่านั้น วิธีการที่นำเสนอในที่นี้จะแยกวิถีเฟสตามอำเภอใจโดยการปรับแบบจำลองให้เข้ากับค่าประมาณความเป็นไปได้สูงสุดของจุดเฟสที่วัดได้จากส่วนสัญญาณหลายส่วน วิถีการเคลื่อนที่ของเฟสจะถูกประเมินครั้งแรกจากส่วนของสัญญาณที่สั้นพอสำหรับเฟสที่จะพิจารณาว่าอยู่นิ่ง โดยพื้นฐานแล้วจะเป็นภาพรวมของเฟสในเวลา ความชันของเส้นที่พอดีกับมุมเฟสโดยใช้กำลังสองน้อยที่สุดนั้นแปรผันตามความถี่ออฟเซ็ต นอกจากนี้ วิธีการพอดีกำลังสองน้อยที่สุดยังจัดการวิถีเฟสแบบไม่เชิงเส้นที่เกิดจากเอฟเฟกต์ความถี่ออฟเซ็ตอันดับสอง สิ่งนี้ไม่สามารถทำได้ด้วยวิธีของกฎแห่งอำนาจ

3.2. โมเดลสัญญาณ

โมเดลแยกสำหรับเฟสออฟเซ็ตคือ {θk=2π fd t, t=kTs, k=1, 2, . . K} โดยที่ Ts คือความยาวของสัญลักษณ์ และ K คือจำนวนของสัญลักษณ์ในบล็อกที่ใช้ประมาณการหมุนเฟส สัญลักษณ์ที่ตามมาจะหมุนไป 2π และใส่เรเดียนให้ห่างจากตำแหน่งที่กำหนด การเคลื่อนไหวนี้ก่อให้เกิดส่วนโค้งเมื่อเวลาผ่านไปจึงทำให้เกิดรอยเปื้อนตามที่แสดงในรูปที่ 4 ในการแก้ไขสำหรับการหมุนนี้ จะต้องหาค่าประมาณของ θk, ˆθk และใช้เพื่อกู้คืน fd และทำให้บล็อกของสัญลักษณ์เสียหาย การหมุนสัญลักษณ์สูงสุดในบล็อกคือ T=KTs

การประมาณค่าความถี่ออฟเซ็ตสามารถทำได้โดยการประมาณระยะวิถีก่อน การประมาณค่าของ θ(t) ดำเนินการเหนือบล็อกสั้นๆ ที่มีความยาว T เพื่อรับประกันความคงที่ของเฟส เช่น {θ(t) ≈ θk, t ∈ T} ดังนั้นจึงมีการประมาณหนึ่งเฟสต่อบล็อกข้อมูล ปริมาณ fdT คือการหมุนเศษส่วนของกลุ่มดาวที่มากกว่า 2π สำหรับความยาวบล็อก T ปริมาณนี้ต้องคงไว้เพียงเล็กน้อยด้วยเหตุผลสองประการ หนึ่ง fdT ที่เล็กกว่าหมายถึงการสุ่มตัวอย่างที่ละเอียดกว่าของเส้นโค้งเฟส สิ่งนี้มีความสำคัญในการจับภาพความไม่เป็นเชิงเส้นของเฟสโดยการสร้างแบบจำลองเชิงเส้นแบบแยกส่วน fdT ขนาดใหญ่สองตัวดันสัญลักษณ์เกินควอแดรนต์สัญลักษณ์ดั้งเดิม ผลกระทบนี้สามารถเห็นได้ในรูปที่ 4b ซึ่งสัญลักษณ์ในควอแดรนท์แรกถูกผลักไปยังควอแดรนท์ที่สอง สิ่งที่ประกอบเป็นเซ็กเมนต์สั้นหรือยาวจะอธิบายในหัวข้อต่อไปนี้

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