4. Risultati

Cistancheha la funzione dipromuovere la produzione di collagene, che può aumentare l'elasticità e la lucentezza della pelle eaiutare a riparare le cellule della pelle danneggiate. Cistanche Feniletanolo Glicosidiavere un significativo effetto di down-regulation sutirosinasiattività, e l'effetto sulla tirosinasi si è dimostrato essere un'inibizione competitiva e reversibile, che può fornire una base scientifica per lo sviluppo e l'utilizzo degli ingredienti sbiancanti in Cistanche. Pertanto, cistanche ha un ruolo chiave insbiancamento della pelle. Puòinibire la melaninaproduzione per ridurre lo scolorimento e l'ottusità; e promuovere la produzione di collagene per migliorare l'elasticità e la luminosità della pelle. A causa del diffuso riconoscimento di questi effetti della cistanche, molti prodotti sbiancanti per la pelle hanno iniziato a infondere ingredienti a base di erbe come la cistanche per soddisfare la domanda dei consumatori, aumentando così il valore commerciale della cistanche inprodotti sbiancanti per la pelle. In sintesi, il ruolo della cistanche nello sbiancamento della pelle è cruciale. SuoantiossidanteL'effetto e l'effetto di produzione del collagene possono ridurre lo scolorimento e l'ottusità, migliorare l'elasticità e la lucentezza della pelle e quindi ottenere un effetto sbiancante. Inoltre, l'ampia applicazione di Cistanche nei prodotti sbiancanti per la pelle dimostra che il suo ruolo nel valore commerciale non può essere sottovalutato.

Fare clic su Supplemento Cistanche Tubulosa

Per maggiori informazioni:

david.deng@wecistanche.com WhatApp:86 13632399501

Questa sezione implementa l'identificazione radiometrica proposta utilizzando dati simulati e reali. Innanzitutto, i dati vengono corretti per la frequenza di offset e utilizzati per invertire l'offset di fase variabile nel tempo. In secondo luogo, l'algoritmo proposto governato dalla regola (6) viene implementato producendo matrici di confusione.

4.1. Fase del segnale e correzione della frequenza di offset

I dati vengono simulati per un segnale QPSK soggetto all'offset di frequenza dell'oscillatore locale. La tabella 1 mostra i parametri di simulazione.

La Figura 5 mostra il processo mediante il quale i valori di fase istantanei vengono raccolti e utilizzati nella fase di adattamento del modello. Questo passaggio può anche essere spiegato come il campionamento della curva di fase. Le fasi del simbolo per blocco sono istogrammate seguite dall'adattamento di un polinomio. Il picco del polinomio è ˆθk per il k-esimo blocco. Questo passaggio viene ripetuto su più blocchi ed è mostrato nella Figura 5a-f. Le fasi stimate { ˆθk, k=1, 2, . . . , M} definiscono la traiettoria di fase lineare la cui pendenza determina fd. La Figura 6 è l'adattamento dei minimi quadrati del modello di fase ai dati. Le figure 6a e b corrispondono rispettivamente a SNR=20 dB e 10 dB. La Figura 6c illustra che è possibile modellare e tracciare anche una traiettoria di fase non lineare. La stima f ˆ d=0.0505 Hz e f ˆ d=0.0455 Hz a SNR=20 dB e 10 dB, rispettivamente. La vera frequenza di offset è 0,05 Hz.

I simboli ruotano di 2π fdT radianti sulla lunghezza di un blocco. Questa rotazione deve essere contenuta in una piccola frazione del quadrante a cui appartengono i simboli. Ad esempio, in QPSK, ogni quadrante è π/2 radianti. La corretta lunghezza del blocco è guidata dalla modalità degli istogrammi di fase. Un istogramma di fase unimodale con un picco distinto indica che le variazioni di fase rimangono vicine al valore nominale, Figura 7a. Per 2π fdT di grandi dimensioni, a causa della grande fd o della lunga lunghezza del blocco T, l'istogramma diventa multimodale senza picchi distinti, Figura 7b. Un altro svantaggio del grande fdT è l'ambiguità di fase 2π in cui i simboli si muovono attorno al cerchio più periodi.

4.2. Identificazione radiometrica

Applichiamo ora il metodo di identificazione radiometrica proposto ai segnali generati dai seguenti generatori di forme d'onda o standard: Agilent [54], Viasat EBEM [55], Teledyne Paradise [56], KRATOS Real-Time Channel Simulator (RTsim) [57], e USRP [58]. I dati hanno modulazione QPSK campionata a 2,95 MHz per un totale di 35 milioni di simboli per modello. Le figure 8a e b mostrano costellazioni di segnali che sono influenzate da quantità variabili di sbavatura. La Figura 8b è un caso particolarmente grave a causa del grande prodotto fdT che fa ruotare i simboli potenzialmente multipli di 2π. Dopo la stima di fdT e la derotazione dei simboli, la costellazione originale viene ripristinata nella Figura 8c. La Figura 9 è un primo piano di sei costellazioni dopo che tutti gli offset di fase e frequenza sono stati rimossi. Il compito ora è attribuire i segnali a singole fonti. Data la somiglianza delle costellazioni nella struttura e nelle caratteristiche, è chiaro che l'identificazione radiometrica è un problema molto più impegnativo rispetto alla classificazione del segnale convenzionale basata sulle informazioni di modulazione.

4.3. Matrici di confusione di classe

L'addestramento del classificatore comporta il calcolo di 5 matrici di sbiancamento abbinate, Wi, i=1, 2, . . . , 5. I dati sono costituiti da 35 milioni di simboli presi da segnali modulati QPSK provenienti da cinque diverse radio. Il set di addestramento è composto da 5 × 105 simboli, che rappresentano circa l'1,4 percento dei dati totali. Il classificatore del voto di maggioranza necessita di uno schema di voto. I voti vengono generati dividendo i dati in 72 blocchi di 5 × 105 campioni ciascuno. Ogni blocco genera un voto che viene poi tabulato sull'intera lunghezza del segnale. I blocchi di prova vengono prelevati da una sorgente "ignota", corrotta dal rumore gaussiano, e ripetutamente proiettati su matrici di sbiancamento corrispondenti a ciascuna sorgente. La distanza di Förstner-Moonen viene utilizzata per calcolare la funzione di modo in (6) che porta alla compilazione delle matrici di confusione.

Prima di creare le matrici di confusione, occorre studiare il comportamento della misura di distanza di Förstner-Moonen. Secondo (3), poiché il processo è sempre più sbiancato, la distanza di Förstner-Moonen tra la matrice di covarianza sbiancata e la matrice identità si restringe. La distanza minima teorica è zero per il rumore bianco. Per testare questo comportamento, vengono create due variabili casuali con coefficienti di correlazione regolabili e collocate in una matrice a due colonne. La covarianza di questa matrice viene calcolata in funzione dei valori di correlazione e viene tracciata la distanza di Förstner-Moonen corrispondente. I risultati sono riportati nella Figura 3. Come mostra la Figura 3a, la distanza è una funzione crescente della correlazione, che riflette il fatto che la matrice di covarianza si sta allontanando da quella di un processo di rumore bianco per aumentare la correlazione. Questo è previsto. La seconda proprietà della misura Förstner-Moonen è che i dati sconosciuti sono più vicini a un processo di rumore bianco quando sbiancati dalla sua trasformazione sbiancante rispetto a qualsiasi altro, quindi sbiancamento abbinato. Per mostrare questa proprietà, i dati di Agilent vengono sbiancati dalla sua matrice di sbiancamento e quindi dalla matrice di sbiancamento di Viasat EBEM. I calcoli della distanza vengono eseguiti su 40 blocchi di dati e tracciati nella Figura 3b. Ciò che colpisce è che la distanza Förstner-Moonen per i dati Agilent è quasi sempre inferiore a quella quando viene utilizzata la matrice di sbiancamento Viasat EBEM. Questo comportamento è previsto, il che significa che viene presa una decisione corretta ogni volta che accade. Questo conteggio è essenzialmente la base per popolare le matrici di confusione su tutte le fonti.

Seguendo le osservazioni di cui sopra, le corrispondenti matrici di confusione possono ora essere calcolate e sono mostrate nella Tabella 2. I numeri indicano la percentuale di voti corretti espressi per ciascuna fonte su 72 fotogrammi dei dati del test. Si noti che il classificatore di modalità in (6) cerca una pluralità di voti per scegliere un vincitore. È uno schema di voto difficile. Ad esempio, Paradise ha ricevuto solo il 77,1% dei voti, ma il segnale sconosciuto è ancora correttamente classificato come Paradise. Pertanto, la Tabella 2 indica una classificazione corretta al 100%. Le matrici di confusione possono essere utilizzate anche in uno schema di voto soft mantenendo le percentuali di voto effettive.

Successivamente, esaminiamo l'impatto di set di dati più piccoli e il rumore aggiunto al di là di ciò che è già nei dati. La dimensione totale del campione ora è 107, suddivisa in blocchi di un quarto di milione di campioni, ognuno dei quali si traduce in meno di 100 msec. Questa lunghezza genera 40 blocchi utilizzati per ottenere statistiche di classificazione sotto forma di matrici di confusione. La Tabella 3 mostra i risultati @ SNR=15 dB di rumore gaussiano aggiunto. Questo è al di là di ciò che è già nei dati. Tutte le fonti sono identificate correttamente ad eccezione di KRATOS RTSim che è identificato come Teledyne Paradise. Anche in questo caso, la differenza del 2,5% rientra ampiamente nelle variazioni statistiche della corsa. I numeri di classificazione percentuale corretta per ciascuna fonte mostrano un forte calo rispetto alla tabella 2, ma lo schema di voto a maggioranza prende ancora la decisione corretta, anche se con un margine ridotto. Ad esempio, i dati Agilent vengono associati correttamente ad Agilent solo il 30 percento delle volte, ma è comunque più alto di qualsiasi altro. Le tabelle 4 e 5 ripetono il processo per SNR=5 dB e 0 dB. Anche se i tassi e i margini sono inferiori, lo schema di voto maggioritario sceglie ancora la classe corretta. Quando i margini sono bassi, la variabilità statistica gioca un ruolo nella corretta identificazione della fonte. Si noti che l'ampio margine di USRP nella Tabella 2 aiuta in gran parte a mantenere una corretta identificazione anche a 5 dB SNR nella Tabella 4. Per mostrare quanto sia grave la situazione, la Figura 10 mostra la costellazione in SNR=5 dB di rumore. La mancanza di caratteristiche identificative è evidente ovunque. Nota che RTSim e Paradise sono legati. Questa difficoltà si riflette ovviamente anche nella Tabella 4, ma è ancora possibile una corretta identificazione. Quattro fonti su cinque sono identificate correttamente e la quinta è pari. La tabella 5 è il caso estremo di SNR=0 dB. EBEM e Paradise sono ancora correttamente identificati.

4.4. Confronti

Un confronto completo di SVM, CNN e D(eep)NN è riportato per sei radio in [13]. I tassi di classificazione corretti sono 44,8% (SVM), 82,4% (CNN) e 71,9% (DNN). Tuttavia, in assenza di parametri di riferimento accettati per l'identificazione radiometrica, che non esistono, i confronti puramente numerici non sono conclusivi. Vengono presi in considerazione fattori come la complessità dell'algoritmo, la velocità di elaborazione, la dimensione dei dati di addestramento e altri presupposti e il confronto è difficile. Anche la scelta delle radio o dei protocolli non è comune. La dimensione del campione di addestramento riportata in [13] è del 10%, mentre qui è dell'1,4%. Ancora più importante, non è stata segnalata alcuna fase di ripristino del vettore. Assumendo un perfetto allineamento di fase e frequenza all'oscillatore locale, non è stata effettuata alcuna mitigazione per lo smearing della costellazione del tipo qui riportato. Questa è un'omissione significativa. Inoltre, non c'è rumore nel sistema. Affrontare l'alta dimensionalità è un altro fattore. La trasformazione dello sbiancamento è senza caratteristiche, aggirando così la riduzione della dimensionalità mentre i vettori delle caratteristiche estratti in [10] hanno 960 dimensioni. L'impronta digitale del dispositivo RF nelle reti Zigbee cognitive mostra una buona precisione (≈90 percento) ma ad alto SNR (maggiore o uguale a 20 dB) [15]. In [19], i dati di input sono preelaborati come immagini in scala di grigi dello spettro di Hilbert e raggiungono un'accuratezza accettabile a livelli SNR moderati (tasso di accuratezza medio del 70% per SNR di 15 dB).

5. Conclusioni

Riferimenti

1. Nandi, AK; Azzouz, EE Algoritmi per il riconoscimento automatico della modulazione dei segnali di comunicazione. IEEE Trans. Comune. 1998, 46, 431–436.

2. Phukan, GJ; Bora, PK Stima dei parametri per la classificazione cieca delle modulazioni digitali. Processo di segnale IET. 2016, 10, 758–769.

3. Ata'a, AW; Abdullah, SN Deinterleaving di segnali radar e algoritmi di identificazione PRF. IET Radar Sonar Navig. 2007, 1, 340–347.

4. Gok, G.; Alpe, YK; Arikan, O. Un nuovo metodo per l'identificazione di emettitori specifici con risultati su misurazioni radar reali. IEEE Trans. Inf. Forense Secur. 2020, 15, 3335–3346.

5. Sa, K.; Lang, D.; Wang, C.; Bai, Y. Tecniche specifiche di identificazione dell'emettitore per l'Internet delle cose. Accesso IEEE 2020, 8, 1644–1652.

6. Wu, H.; Wang, W. Un metodo di rilevamento della sicurezza collaborativo basato sulla teoria dei giochi per i sistemi Internet of Things. IEEE Trans. Inf. Forense Secur. 2018, 13, 1432–1445.

7. Padilla, J.; Padilla, P.; Valenzuela-Valdés, J.; Ramírez, J.; Górriz, J. Misurazioni delle impronte digitali RF per identificare i dispositivi nelle reti di comunicazione wireless basate sulla riduzione delle caratteristiche e sulla trasformazione del subspazio. Misurazione 2014, 58, 468–475.

8.Bihl, TJ; Bauer, KW; Temple, MA Selezione delle funzioni per il rilevamento delle impronte digitali RF con analisi discriminante multipla e utilizzo delle emissioni del dispositivo ZigBee. IEEE Trans. Inf. Forense Secur. 2016, 11, 1862–1874.

9. Xu, S.; Huang, B.; Xu, L.; Xu, Z. Classificazione del trasmettitore radio utilizzando un nuovo metodo di analisi delle caratteristiche vaganti combinato con PCA. In Proceedings of the MILCOM 2007-IEEE Military Communications Conference, Orlando, FL, USA, 29–31 ottobre 2007; pp. 1–5.

10. Jia, Y.; Mamma, J.; Gan, L. Ottimizzazione combinata della riduzione delle caratteristiche e della classificazione per l'identificazione radiometrica. Processo di segnale IEEE. Lett. 2017, 24, 584–588.

11. Danev, B.; Capkun, S. Identificazione basata sui transitori dei nodi dei sensori wireless. In Proceedings of the 2009 International Conference on Information Processing in Sensor Networks, San Francisco, CA, USA, 13–16 aprile 2009; pp. 25-36.

12. Kennedy, IO; Scanlon, P.; Mullany, FJ; Buddhikot, MM; Nolan, KE; Rondeau, TW Radio Transmitter Fingerprinting: un approccio al dominio della frequenza dello stato stazionario. In Proceedings of the 2008 IEEE 68th Vehicular Technology Conference, Calgary, AB, Canada, 21–24 settembre 2008; pp. 1–5.

13. Youssef, K.; Bouchard, L.; Haigh, K.; Silovsky, J.; Thapa, B.; Valk, CV Machine Learning Approccio all'identificazione del trasmettitore RF. Frequenza radio IEEE J. Identificare. 2018, 2, 197–205.

14. Jafari, H.; Omotere, O.; Adesina, D.; Wu, H.; Qian, L. Fingerprinting dei dispositivi IoT tramite il deep learning. In Proceedings of the MILCOM 2018—2018 IEEE Military Communications Conference (MILCOM), Los Angeles, CA, USA, 29–31 ottobre 2018; pp. 1–9.

15. Commerciante, K.; Revay, S.; Stantchev, G.; Nousain, B. Deep Learning per l'impronta digitale dei dispositivi RF nelle reti di comunicazione cognitiva. IEEE J. Sel. Superiore. Processo di segnale. 2018, 12, 160–167.

16. Rajendran, S.; Meert, W.; Giustiniano, D.; Prestatori, V.; Pollin, S. Modelli di deep learning per la classificazione del segnale wireless con sensori di spettro distribuiti a basso costo. IEEE Trans. Cogn. Comune. Rete. 2018, 4, 433–445.

17. Ding, L.; Wang, S.; Vanga, F.; Zhang, W. Identificazione specifica dell'emettitore tramite reti neurali convoluzionali. IEEE Comune. Lett. 2018, 22, 2591–2594.

18. Massud, S.; Rai, A.; Aggarval, A.; Doja, Minnesota; Ahmad, M. Rilevamento della distrazione dei conducenti utilizzando la rete neurale convoluzionale. Riconoscimento modello. Lett. 2018, 139, 79-85.

19. Pan, Y.; Yang, S.; Peng, H.; Illuminato.; Wang, W. Identificazione specifica dell'emettitore basata su reti residue profonde. Accesso IEEE 2019, 7, 54425–54434.

20.Qian, Y.; Qi, J.; Kuai, X.; Appendere.; Sole, H.; Hong, S. Identificazione specifica dell'emettitore basata sulla rappresentazione sparsa multilivello nel sistema di identificazione automatica. IEEE Trans. Inf. Forense Secur. 2021, 16, 2872–2884.

21. Du, M.; Esadecimale.; Cai, X.; Bi, D. Ricerca dell'architettura neurale bilanciata e sua applicazione nell'identificazione di emettitori specifici. IEEE Trans. Processo di segnale. 2021, 69, 5051–5065.

22. Huang, G.; Yuan, Y.; Wang, X.; Huang, Z. Identificazione specifica dell'emettitore basata su caratteristiche dinamiche non lineari. Potere. J. elettr. Calcola. Ing. 2016, 39, 34-41.

23. Huang, G.; Yuan, Y.; Wang, X.; Huang, Z. Identificazione specifica dell'emettitore per il trasmettitore di comunicazioni che utilizza misurazioni multiple. Wirel. pers. Comune. 2017, 94, 1523–1542.

24.Yuan, Y.; Huang, ZT; Wu, H.; Wang, X. Identificazione specifica dell'emettitore basata sulle caratteristiche di distribuzione dell'energia-frequenza-tempo basate sulla trasformazione di Hilbert-Huang. IET Comune. 2014, 8, 2404–2412.

25 Padilla, P.; Padilla, J.; Valenzuela-Valdes, J. Identificazione a radiofrequenza di dispositivi wireless basata sull'impronta digitale RF. Elettrone. Lett. 2013, 49, 1409–1410.

26. Hu, A. Rilevamento basato sul preambolo delle impronte digitali RF del trasmettitore Wi-Fi. Elettrone. Lett. 2010, 46, 1165–1167.

27. Candore, A.; Kocabas, O.; Koushanfar, F. Robusta impronta digitale radiometrica stabile per dispositivi wireless. In Proceedings of the 2009 IEEE International Workshop on Hardware-Oriented Security and Trust, San Francisco, CA, USA, 27–29 luglio 2009; pp. 43–49.

28. Dudczyk, J.; Kawalec, A. Algoritmo di identificazione a decisione rapida del modello di sorgente di emissione nel database. Toro. pol. Acad. Sci.-Tech. Sci. 2015, 63, 385–389.

29. Kawalec, A.; Rapacki, T.; Wnuczek, S.; Dudczyk, J.; Owczarek, R. Metodo misto basato su dati Intrapulse ed emissione irradiata al riconoscimento delle fonti di emissione. In Atti della conferenza internazionale 2006 sulle microonde, comunicazioni wireless radar, Cracovia, Polonia, 22–24 maggio 2006; pp. 487–490.

30. Demeri, F.; St-Hilaire, M. Identificazione radiometrica dei trasmettitori LTE. In Proceedings of the 2013 IEEE Global Communications Conference (GLOBECOM), Atlanta, GA, USA, 9–13 dicembre 2013; pp. 4116–4121.

31. Abbronzatura, K.; Yan, W.; Zhang, L.; Tang, M.; Zhang, Y. Identificazione specifica dell'emettitore basata su radio definita dal software e fusione decisionale. Accesso IEEE 2021, 9, 86217–86229.

32. Jana, S.; Kasera, SK Sul rilevamento rapido e accurato di punti di accesso wireless non autorizzati utilizzando le differenze di orario. IEEE Trans. Assalire. Calcola. 2009, 9, 449–462.

33. Conning, M.; Potgieter, F. Analisi dei dati radar misurati per l'identificazione specifica dell'emettitore. In Atti della IEEE Radar Conference 2010, Washington, DC, USA, 10–14 maggio 2010; pp. 35-38.

34. Polak, AC; Goeckel, DL Identificazione del dispositivo wireless basata sulle imperfezioni dell'oscillatore RF. IEEE Trans. Inf. Forense Secur. 2015, 10, 2492–2501.

35. Polak, AC; Goeckel, DL RF fingerprinting degli utenti che mascherano attivamente la propria identità con distorsioni artificiali. In Proceedings of the 2011 Conference Record of the Forty Fifth Asilomar Conference on Signals, Systems, and Computers (ASILOMAR), Pacific Grove, CA, USA, 6–9 novembre 2011; pp. 270–274.

36. Liu, MW; Doherty, JF Identificazione specifica dell'emettitore utilizzando la stima del dispositivo non lineare. In Proceedings of the 2008 IEEE Sarnoff Symposium, Princeton, NJ, USA, 28–30 aprile 2008; pp. 1–5.

37. Li, Y.; Chen, X.; Lin, Y.; Srivastava, G.; Liu, S. Identificazione del trasmettitore wireless basata sulle imperfezioni del dispositivo. Accesso IEEE 2020, 8, 59305–59314.

38. Dolatshahi, S.; Polak, A.; Goeckel, DL Identificazione di utenti wireless tramite imperfezioni dell'amplificatore di potenza. In Proceedings of the 2010 Conference Record of the Forty Fourth Asilomar Conference on Signals, Systems and Computers, Pacific Grove, CA, USA, 7–10 novembre 2010; pp. 1553–1557.

39. D'Agostino, S.; Foglia, G.; Pistoia, D. Identificazione specifica dell'emettitore: analisi su dati di segnali radar reali. In Proceedings of the 2009 European Radar Conference (EuRAD), Roma, Italia, 30 settembre–2 ottobre 2009; pp. 242–245.

40.Guo, S.; Bianco, RE; Basso, M. Uno studio comparativo dell'identificazione dell'emettitore radar basato sui transitori del segnale. In Proceedings of the 2018 IEEE Radar Conference (RadarConf18), Oklahoma City, OK, USA, 23–27 aprile 2018; pp. 286–291.

41.Talbot, KI; Duley, PR; Hyatt, MH Identificazione e verifica specifica dell'emettitore. Tecnol. Rev. 2003, 113, 113–133.

42. Dragomiretsky, K.; Zosso, D. Decomposizione in modalità variazionale. IEEE Trans. Processo di segnale. 2013, 62, 531–544.

43. Chang, CI Ortogonal Subspace Projection (OSP) rivisitato: uno studio e un'analisi completi. IEEE Trans. Geosci. Remote Sens. 2005, 43, 502–518. ): Richland, WA, Stati Uniti, 2007.

45. Mayer, R.; Bucholtz, F.; Scribner, D. Rilevamento di oggetti utilizzando lo sbiancamento/sbiancamento per trasformare le firme del bersaglio in immagini iperspettrali e multispettrali multitemporali. Geosci. Rilevamento remoto IEEE Trans. 2003, 41, 1136-1142.

46. ​​Kessy, A.; Lewin, A.; Strimmer, K. Sbiancamento ottimale e decorrelazione. Sono. Statistica. 2018, 72, 309–314.

47. Campana, AJ; Sejnowski, TJ I "componenti indipendenti" delle scene naturali sono filtri di bordo. Vis. Ris. 1997, 37, 3327–3338.

48. Srivastava, N.; Hinton, G.; Krizhevsky, A.; Sutskever, I.; Salakhutdinov, R. Dropout: un modo semplice per impedire l'overfitting delle reti neurali. J.Mach. Imparare. Ris. 2014, 15, 1929–1958.

49. Forstner, W.; Moonen, B. Una metrica per matrici di covarianza. In Geodesia: la sfida del terzo millennio; Springer: Berlino/Heidelberg, Germania, 2003; pp. 299–309.

50. Kulis, B.; Sostik, MA; Dhillon, IS Apprendimento del kernel di basso rango con divergenze di matrice Bregman. J.Mach. Imparare. Ris. 2009, 10, 341–376.

51. Herdin, M.; Czink, N.; Ozcelik, H.; Bonek, E. Correlation Matrix Distance, una misura significativa per la valutazione dei canali MIMO non stazionari. In Proceedings of the 2005 IEEE 61st Vehicular Technology Conference, Stoccolma, Svezia, 30 maggio–1 giugno 2005; Volume 1, pagine 136–140.

52. Kuncheva, LI Uno studio teorico su sei strategie di fusione del classificatore. IEEE Trans. Modello anale. Macch. Intell. 2002, 24, 281-286.

53. Proakis, JG; Salehi, M. Comunicazioni digitali; McGraw-Hill: New York, New York, USA, 2008.

54. Generatore di segnali vettoriali Agilent. 2021. (consultato il 26 novembre 2021).

55. Modem SATCOM efficiente con larghezza di banda migliorata Viasat. 2021. (consultato il 26 novembre 2021).

56. Teledyne Paradise Datacom. 2021. (consultato il 26 novembre 2021).

57. Kratos RTSIM. 2021. (consultato il 26 novembre 2021).

58. Ettus USRP. 2021.

Per maggiori informazioni: david.deng@wecistanche.com WhatApp:86 13632399501