Анотація:Радіометрична ідентифікація - це проблема віднесення сигналу до певного джерела. У цій роботі розроблено алгоритм радіометричної ідентифікації з використанням перетворення відбілювання. Цей підхід відрізняється від більш усталених методів тим, що він працює безпосередньо з необробленими даними IQ і, отже, не має особливостей. Як такі, зазвичай використовувані алгоритми зменшення розмірності не застосовуються. Передумова ідеї полягає в тому, що набір даних є «найбільш білим», коли проектується на його відбілюючу матрицю, ніж на будь-яку іншу. На практиці перетворені дані ніколи не є абсолютно білими, оскільки дані навчання та тестування відрізняються. Міра Ферстнера-Мунена, яка кількісно визначає подібність коваріаційних матриць, використовується для встановлення ступеня білизни. Перетворення відбілювання, яке створює набір даних з мінімальною відстанню Ферстнера-Мунена до процесу білого шуму, є вихідним сигналом. Джерело визначається виходом функції режиму, що працює на основі рішень Класифікатора голосування більшості. Використання міри Ферстнера-Мунена представляє іншу перспективу порівняно з максимальною правдоподібністю та метрикою евклідової відстані. Перетворення відбілювання також контрастує з новішими підходами глибокого навчання, які все ще залежать від векторів функцій із великими розмірами та тривалими фазами навчання. Показано, що запропонований метод простіший у реалізації, не потребує векторів ознак, потребує мінімального навчання та завдяки своїй неітераційній структурі є швидшим за існуючі підходи.

Згідно з відповідними дослідженнями,цистанчеце звичайна трава, яку називають «чудодійною травою, що продовжує життя». Його основним компонентом єцистанозид, який має різні ефекти, такі якантиоксидантний, протизапальні ліки, істимулювання імунної функції. Механізм між цистанком і відбілюванням шкіри полягає в антиоксидантній діїцистанчеглікозиди. Меланін у шкірі людини утворюється шляхом окислення тирозину, що каталізуєтьсятирозиназа, а реакція окислення вимагає участі кисню, тому безкисневі радикали в організмі стають важливим фактором, що впливає на вироблення меланіну. Цистанхе містить цистанозид, який є антиоксидантом і може зменшити утворення вільних радикалів в організмі, таким чиномпригнічення вироблення меланіну.

Клацніть «Як використовувати Cistanche Tubulosa».

Для отримання додаткової інформації:

david.deng@wecistanche.com WhatApp:86 13632399501

1. Введення 

Радіометрична ідентифікація — проблема віднесення сигналу до джерела; часто марка або модель. Ідентифікація джерела здійснюється за допомогою радіочастотних відбитків пальців пристроїв шляхом пошуку сигнатур, які можуть виникнути через виробничі допуски, недосконалості або звичайні статистичні відхилення у виробництві. Існує значна робота з класифікації сигналів і розпізнавання модуляції [1,2]. Однак радіометрична ідентифікація не вписується ні в одну з двох категорій. У багатьох відношеннях радіометрична ідентифікація є складнішою проблемою, оскільки сигнали, що надходять з різних джерел, можуть мати схожі характеристики, такі як модуляція, швидкість передачі даних, форми імпульсу тощо. Цей факт робить незначні варіації пристроїв основним ознакою радіометричної ідентифікації. Такі варіації, однак, невеликі, непомітні і їх важко моделювати. Радіометрична ідентифікація представляє інтерес для багатьох. Військові вже деякий час цікавляться цією можливістю як засобом ідентифікації своїх радарів від ворожих [3,4]. Супутниковий зв'язок може стикнутися з навмисним або ненавмисним глушінням з фальшивих джерел. Знання джерела та марки заважаючого може допомогти ідентифікувати джерело-порушник. Радіометрична ідентифікація також є цінним інструментом для захисту бездротових пристроїв. Спроби спуфінгу в бездротових мережах і пристроях IoT можна запобігти, якщо джерело сигналу можна ідентифікувати та заблокувати [5,6]. Важче імітувати характеристики пристрою, вбудовані в сигнали, ніж відтворити модуляцію або формування імпульсу.

Радіометрична ідентифікація може бути сформульована в контексті статистичного класифікатора. Класичний підхід передбачає виділення ознак і зменшення розмірності за допомогою таких методів, як PCA і, нарешті, класифікатор множинного дискримінантного аналізу [7,8]. У [9] квадратичний інтегральний біспектр (SIB) використовується для виділення унікальних паразитних характеристик окремих переданих сигналів, а потім PCA для виділення вектора ознак низької розмірності. Було помічено, що ознаки, збережені після зменшення розмірності, не обов’язково є оптимальними для класифікації.

Комбінована оптимізація зменшення розмірності та класифікації відбитків пальців запропонована в [10]. Ідея полягає в тому, щоб зменшити розмірність шляхом мінімізації помилки класифікованих катіонів і максимального збільшення взаємної інформації між функціями зменшеної розмірності та міткою класу одночасно. Характеристики радіочастотних відбитків витягуються зі статистики нормалізованої миттєвої амплітуди, фази та частоти сигналу, що призводить до векторів ознак до 960 розмірів. Однак проблема зменшення розмірності залишається. Вилучення ознак для алгоритмів ідентифікації передавача було розроблено для роботи в перехідних [11] або стаціонарних фазах [12]. Перехідна фаза – це аналоговий стан сигналу, що виникає одразу після активації передавача, тоді як стаціонарна фаза характеризується модуляцією.

Нещодавні роботи з радіометричної ідентифікації відбувалися під впливом розвитку інструментів глибокого навчання (DL). Прикладами є відбитки радіочастот [13], відбитки пристроїв Інтернету речей [14], зондування спектру [15] та ідентифікація радіочастотних пристроїв у когнітивних мережах [16]. Що все ще потрібно у всій такій роботі, так це вилучення векторів ознак із подальшим трудомістким зменшенням розмірності. Вектори ознак, виділені в [10], наприклад, мають 960 розмірів до зменшення розмірності. Іншими словами, основна проблема залишається. Використання DL часто досягається шляхом програмування готових інструментів або використання різноманітних процедур згорткових нейронних мереж (CNN), реалізованих у Matlab. Наприклад, стислий біспектр ідентифікується як функція, а потім використовується для навчання тришарової CNN [17]. Що відрізняється, так це кількість шарів, кранів, фільтрів, функцій активації тощо. Інший приклад у цьому ключі з’являється в [18], де Keras API використовується з TensorFlow на сервері для визначення відволікаючих драйверів. У [15] DL реалізовано для відбитків пальців радіочастотного пристрою в когнітивних мережах Zigbee з використанням комплексного сигналу помилки основної смуги у часовій області як тренувальних і тестових даних. Результати показують хорошу точність (≈90 відсотків), але при високому SNR (більше або дорівнює 20 дБ). У [19] вхідні дані попередньо обробляються як зображення спектру Гільберта в градаціях сірого і досягають прийнятної точності за помірних рівнів SNR (середній рівень точності 70 відсотків для SNR 15 дБ). Повне порівняння продуктивності для різних алгоритмів DL показано в [13], повідомляючи про середню точність 98 відсотків, виміряну для 12 передавачів.

Той факт, що ML працює з набагато меншими наборами даних і потребує набагато менше часу на навчання порівняно з DL (годин навчання [15]), забезпечує більшу універсальність для сигналізації про зміни характеристик, які відбуваються за різних умов навколишнього середовища (перегрів, надлишковий струм тощо). , що може сильно вплинути на класифікацію обраної ознаки. Ця властивість ML (керований даними) дозволяє швидко оновлювати функції та, отже, забезпечує більш точну класифікацію в довгостроковій перспективі. Крім того, менша складність порівняно з DL дозволяє легше реалізувати апаратне забезпечення та швидко класифікувати на льоту.

Іншою парадигмою радіометричної ідентифікації є спеціальна ідентифікація випромінювачів (SEI) [20–22]. Підхід SEI намагається ідентифікувати унікальний передавач сигналу, використовуючи лише вимірювання зовнішніх ознак [22]. SEI реалізується у два етапи: (1) перехідний стан сигналу та (2) стан сигналу в стаціонарному стані. Перехідний підхід застосовується до конкретних сигнатур, вбудованих у сигнал, коли передавач вмикається або вимикається [23,24]. Тимчасові підходи складніше реалізувати через недоступність або тимчасовий характер даних, які часто недоступні або збережені. Стаціонарний підхід відноситься до періоду, коли перехідні процеси стабілізувалися. Серед доступних функцій — модуляція та преамбула [25,26]. У методах, заснованих на модуляції, отримані та цільові сузір'я порівнюються, де різниця створює радіочастотний відбиток [27]. Швидкий алгоритм ідентифікації рішень з’являється в [28]. Ідентифікація базується на подібності вектора сигналу та його порівнянні з шаблонами, доступними в базі даних. Цей підхід класифікується як приклад SEI, що застосовується для радіолокаційної ідентифікації. Алгоритм було застосовано до сотень записів радіолокаційних сигналів, які надходили від кількох різних типів радарів. У деяких випадках досліджувалися копії однотипних РЛС. Якщо зважити всі функції однаково, то для типів радарів рівень правильного розпізнавання становить 85 відсотків. Змішаний метод радіолокаційної ідентифікації на основі електромагнітного випромінювання та внутрішньоімпульсного аналізу з’являється в [29]. Передумова полягає в тому, що електронні пристрої надають електричні властивості переданому імпульсу. Модель сигналу - це N неперекриваючих імпульсів від K передавачів. Використовується лінійний дискримінантний аналіз. Для класифікації невідомого імпульсу використовуються чотири показники відстані. Повідомляється, що три екземпляри одного типу радара успішно розпізнані.

Радіометрична ідентифікація протоколів зв'язку також представляє інтерес. Про ідентифікацію джерел, які використовують протокол LTE, повідомляється в [30,31]. Ідентифікація базується на унікальних модуляційних характеристиках передавачів, що є результатом дрібних недоліків, допущених під час виробництва радіообладнання. Недосконалості пристрою використовувалися як підпис для радіометричної ідентифікації, включаючи джиттер годинника [32], помилки цифро-аналогових перетворювачів (DAC) [33], локальний синтезатор частоти [34], нелінійність підсилювача потужності [35–37] . Недосконалості підсилювача потужності також використовують для ідентифікації джерела [38]. Для ідентифікації випромінювача використовуються реальні радіолокаційні сигнали [39].

Зовсім іншим застосуванням радіометричної ідентифікації є радар. Навіть якщо передавачі можуть належати до одного типу радарів, вони можуть демонструвати незначні відмінності в переданих імпульсах. У [33] 18 ознак використовуються для ідентифікації трьох класів РЛС. Порівнюється п’ять відбитків пальців ідентифікації випромінювача радара на основі перехідних процесів радіолокаційного сигналу. Традиційні методи включають радіочастоту (РЧ), амплітуду імпульсу, ширину імпульсу, тип навмисної модуляції імпульсу або інтервали повторення імпульсу. У [40] інформація про ненавмисну ​​модуляцію на хвилі випромінювача використовується як радіочастотні відбитки пальців, щоб зв’язати прийнятий сигнал і його відповідний випромінювач. Ненавмисна імпульсна модуляція (UMoP) — це метод, який використовує варіації через виробничі відмінності апаратного забезпечення передавача, включаючи підсилювачі потужності. UMoP схожий на відбиток пальця випромінювача та може ідентифікувати передавачі однієї моделі [41]. Декомпозиція варіаційного режиму для радіолокаційної ідентифікації описана в [42]. Набір даних складається з 47 випромінювачів. Деякі з цих випромінювачів були продуктами того самого радара. Результати демонструють, що ефективне значення SNR має становити близько 47 дБ, щоб отримати вірогідність правильної класифікації більше 0,9.

2. Структура для радіометричної ідентифікації

Отриманий сигнал спочатку коригується на зміщення фази, зсув частоти генератора та помилки синхронізації символів перед застосуванням відбілювального перетворення. Перетворення відбілювання є ортогональною проекцією на основі варіації PCA і пов’язане з ортогональною проекцією підпростору [43]. Одна матриця перетворення відбілювання на джерело оцінюється на основі навчальних даних. Немає необхідності знати тип модуляції, частоту, фазу чи щось інше про сигнал. Ідентифікація невідомого джерела ґрунтується на спостереженні, що набір даних є «найбільш білим» при проектуванні на його матрицю відбілювання, ніж на будь-яку іншу, отже, узгоджене відбілювання. Проекція невідомих даних на відбілювання перетворює та відбілює дані лише за наявності збігу між матрицею відбілювання та даними. Навіть якщо дані збігаються зі своїм відбілюючим перетворенням, прогнозовані дані ніколи не будуть справді білими. Міра «білості» розробляється шляхом вибору метрики розбіжності для порівняння коваріаційних матриць. Ця міра є сумою квадратів логарифмів спільних власних значень еталонної та тестової коваріаційних матриць; відстань Ферстнер-Мунен. Відбілювання добре відоме у виявленні сигналу, і його часто формулюють як відбілюючий узгоджений фільтр. Мета полягає в тому, щоб декорелювати зразки шуму на виході фільтра. Тривимірна реалізація WMF використовується для досліджень впливу на навколишнє середовище в гіперспектральних зображеннях [44]. Виявлення об’єктів за допомогою відбілювання/відбілювання для перетворення цільових сигнатур у мультитемпоральний гіперспектр з’являється в [45]. Приклади таких підходів до відбілювання здебільшого застосовуються до виявлення сигналів і об’єктів і не мають відношення до запропонованої тут радіометричної ідентифікації.

2.1. Трансформація відбілювання

Нехай X ∈ Rp×n — матриця даних, що складається з n вимірювань p змінних з коваріаційною матрицею Σ. Статистичне відбілювання — це лінійне перетворення, яке перетворює дані таким чином, що коваріаційна матриця Y=WX є одиничною матрицею. Матриця перетворення відбілювання не є унікальною. Насправді [46] згадує п’ятнадцять різних проекційних матриць, які відбілюють дані, з найбільш помітними з них є відбілювання PCA та ZCA [47]. Зокрема,

де U і Λ — матриці власних векторів і власних значень у розкладі коваріаційної матриці Σ=UΛU T. Перетворення відбілювання створюють дані, пов’язані з декором, але з якою метою? Що ще важливіше, яку роль відіграє відбілювання в радіометричній ідентифікації? Саме тут узгоджене відбілювальне перетворення відхиляється від існуючого використання PCA в радіометричній ідентифікації. PCA найбільш відомий завдяки стисненню даних, керуючи видаленням компонентів Y з незначною енергією. Характеристики, які залишаються, не обов’язково є найкращими для класифікації. Тим не менш, майже всі методи радіометричної класифікації на основі PCA використовують функції, які переживають стиснення в наступній дискримінаційній функції для класифікації даних. ZCA має додаткову властивість нульової фази, скасовуючи обертання, викликане PCA. Жодне з двох тут не застосовується. Створення некорельованих даних є етапом попередньої обробки, з якого витягуються вектори ознак меншої розмірності. Зменшення розмірності не стосується зразків IQ, оскільки, по-перше, є лише два виміри, які вже значною мірою пов’язані з декором. PCA також використовувався в глибокому навчанні, прискорюючи конвергенцію в згорткових нейронних мережах [48].

2.2. Класифікація за відповідним відбілюванням

Дані організовано в матрицю N × M X=[x1, x2, . . . , xM], xi ∈ RN×1, де M – кількість вимірювань, а N – кількість змінних або розмірів. Для даних IQ N=2, а M — кількість символів у записі. Нехай Wi , i=1, 2, . . . , m — матриці перетворення відбілювання для m вихідних сигналів {c1, c2, . . . , см}. Залежні від класу матриці відбілювання обчислюються в автономному режимі з навчальних даних. Оскільки на дані IQ впливають зміщення фази та частоти, дані потрібно виправити перед обчисленням матриць відбілювання. Тестові дані розділені на блоки, які використовуються для створення статистики. «Правильної» довжини блоку не існує. Це залежить від швидкості зміни фази, зміщення частоти або доплерівського зсуву. У разі нелінійного зміщення фази довжини блоків вибираються достатньо короткими, щоб забезпечити майже стаціонарну фазу під час оцінювання фази. Докладніше про те, як вибрати довжину блоку для реверсування зміщення частоти, наведено в розділі 3.

Щоб проілюструвати цю думку, створено три багатовимірні нормальні сукупності, які показано на малюнку 1а. 3-й набір даних (чорним) використовується як «невідоме» джерело та неодноразово проектується на Wi, i=1, 2, 3. Після кожної проекції будується діаграма розсіювання та показана на малюнку 1 bd. Коли дані з групи 3 висвітлюються W1, рисунок 1b, головна вісь спроектованих даних виглядає під кутом до головної осі матриці проекції. Це означає, що дані та матриця відбілювання не збігаються. Повторні проекції дають малюнок 1b–d. Лише на малюнку 1d перетворення відбілювання створює кругову діаграму розсіювання. Проекція, яка дає найменш корельовані дані, визначає бренд. Ця властивість вказує на те, що джерело невідомих даних відповідає перетворенню відбілювання групи 3. Детектор може бути реалізований як банк паралельних узгоджених фільтрів, показаних на малюнку 2.

2.3. Розробка міри відбілювання

Існує кілька проблем із прив’язуванням невідомих даних до його матриці відбілювання. По-перше, компоненти IQ реальних даних уже досить декорельовані, тому відбілювання може не принести значної додаткової декореляції. По-друге, підпростір, визначений у (1), створюється в автономному режимі з навчальних даних. Однак дані тестування відрізняються, навіть якщо надходять з тієї самої групи населення, що й дані навчання. Якщо використовуються дані, відмінні від навчального набору, відбілювання даних буде приблизним. Основна властивість полягає в тому, що коваріаційна матриця невідомих даних буде схожа на матрицю ідентичності, якщо її проектувати на її підпростір більше, ніж на будь-який інший. По-третє, як виміряти «білину». Це проблема підбору коваріаційної матриці [49].

Існує будь-яка кількість метрик для вимірювання відстані між двома симетричними позитивно визначеними коваріаційними матрицями. Вони включають розбіжність KL, евклідову відстань, квадрат норми Фробеніуса, відстань Бхаттачарія, розбіжність матриці Брегмана та LogDet [50], серед інших. У цій роботі ми використовуємо метрику Ферстнера-Мунена [49] як міру подібності двох коваріаційних матриць. В якості точки відліку вивчаються добре цитована метрика кореляційної матриці відстані (CMD) [51] і заходи Кульбака-Лейблера. Немає єдиного визначення подібності, але три є монотонними з кореляцією і, отже, є дійсними мірами. Для порівняння ми наклали графіки CMD, KL і Förstner-Moonen. Графіки з’являються пізніше на малюнку 3а. Як і очікувалося, попарна відстань збільшується зі збільшенням кореляції, що означає, що коваріаційна матриця корельованих змінних знаходиться на більшій відстані від діагональної коваріаційної матриці. Слід зазначити, що міра KL практично збігається з метрикою Ферстнера-Мунена, отже, виправдовує її використання як індексу подібності.

де λi(A, B), спільні власні значення A і B, є коренями |λA − B|=0. У контексті перетворення відбілювання еталонною коваріаційною матрицею є одинична матриця A=I, а B=cov(Yi) є коваріаційною матрицею невідомих даних, відбілених за допомогою Wi. Таким чином, спільні власні значення зводяться просто до власних значень виміряної коваріаційної матриці B невідомих даних.

Класифікатор, побудований на (3), є класифікатором більшості або множини голосів [52], керованим правилами h1, h2, . . . , хм. Правила є функціями членства. Враховуючи вимірювання Xi з невідомого джерела,

де p – кількість блоків. Функція режиму — це число, яке найчастіше зустрічається в наборі, тобто hj(Xi) — це кількість разів, коли Xi приналежність до JC. Невідоме вимірювання Xi класифікується як клас, який отримує найбільшу кількість голосів. Цей процес зображено на малюнку 2. Це приклад «жорсткого» голосування. Альтернативою є «м’яке» голосування, де зберігається періодичність розподілу по класах.

Обчислювальна складність алгоритму складається з матриці відбілювання, перетворення відбілювання та розкладання на власні значення. Якщо X ∈ Rd×M, де d — кількість змінних, а M — кількість вимірювань, складність перетворення відбілювання дорівнює O(d2M плюс d3), перетворення відбілювання дорівнює O(d2M), а власне розкладання дорівнює O(d3) . З представленням сигналу IQ, d=2, і воно постійно. Таким чином, кожна з наведених вище складностей зрештою зменшує загальну складність до O(M). тобто лінійно з кількістю вимірювань.

3. Реверсування зсувів фази та частоти

Першим завданням є радіометрична ідентифікація поверхонь до впровадження алгоритму. Сигнали часто стають доступними з невиправленими поворотами фаз. Існує два типи обертання. Фіксоване обертання викликане постійним зміщенням фази опорної несучої. Обертання, що змінюється в часі, викликане невідповідністю частот опорної несучої. Невідповідність може бути пов’язана з апаратним забезпеченням або спричинена допплером. У будь-якому випадку це невідома величина. Невідповідність частоти, яка називається частотою зсуву fd, викликає відповідну фазу, що змінюється в часі, що призводить до розмивання сузір'я. Це відрізняється від фіксованого зсуву фази, який змушує все сузір'я обертатися. На рисунку 4 показано змінний у часі зсув фази при двох рівнях SNR. Як фіксоване, так і змінне в часі обертання необхідно змінити перед радіометричною ідентифікацією.

3.1. Фон

Корекція зміщення фази та частоти перед ідентифікацією джерела не завжди розглядається в літературі з радіометричної ідентифікації [17]. Традиційним підходом до відновлення фази несучої є метод степеневого закону [53]. Підвищення сигналу до M-го ступеня створює тональний сигнал, який у M разів перевищує частоту зсуву, який можна використати для зменшення сузір’я. Однак цей метод працює лише для зсувів фіксованої фази. Представлений тут підхід виділяє довільні фазові траєкторії шляхом підгонки моделі до оцінки максимальної правдоподібності фазових точок, виміряних на кількох сегментах сигналу. Фазова траєкторія спочатку оцінюється з сегментів сигналу, які є достатньо короткими, щоб фазу можна було вважати стаціонарною; по суті, це моментальний знімок фази в часі. Нахил лінії, підігнаної до фазових кутів за допомогою методу найменших квадратів, пропорційний частоті зсуву. Крім того, метод найменших квадратів обробляє нелінійні фазові траєкторії, спричинені ефектом зміщення частоти другого порядку. Це неможливо з методом степеневого закону.

3.2. Модель сигналу

Дискретна модель для фазового зсуву є {θk=2π fd t, t=kTs, k=1, 2, . . . K}, де Ts — довжина символу, а K — кількість символів у блоці, що використовується для оцінки обертання фази. Послідовні символи повертаються на 2π і підходять у радіанах від номінальних позицій. Цей рух з часом утворює дугу, що спричиняє ефект розмиття, показаний на малюнку 4. Щоб виправити це обертання, необхідно знайти оцінку θk, ˆθk, і використати її для відновлення fd і відхилення блоку символів. Максимальне обертання символу над блоком становить T=KTs.

Оцінка частоти зсуву може бути досягнута шляхом попередньої оцінки фазової траєкторії. Оцінка θ(t) виконується для коротких блоків довжиною T, щоб забезпечити стаціонарність фази, тобто {θ(t) ≈ θk, t ∈ T}. Таким чином, існує одна оцінка фази на блок даних. Величина fdT є частковим обертанням сузір'я на 2π для довжини блоку T. Ця величина має бути малою з двох причин. Один менший fdT означає більш тонку дискретизацію фазової кривої. Це важливо для визначення фазової нелінійності за допомогою покроково-лінійного моделювання. Два, великі fdT висувають символи за межі їх початкового квадранта символів. Цей ефект можна побачити на малюнку 4b, де символи з першого квадранта були переміщені в другий квадрант. У наступному розділі пояснюється, що таке короткі чи довгі сегменти.

Для отримання додаткової інформації: david.deng@wecistanche.com WhatApp:86 13632399501