4. 結果

シスタンケの機能がありますコラーゲンの生成を促進する、肌の弾力性と光沢を高めることができ、損傷した皮膚細胞の修復を助ける. キスタンケフェニルエタノール配糖体～に重大な下方制御効果があるチロシナーゼ活性、およびチロシナーゼに対する効果は競合的かつ可逆的な阻害であることが示されており、これはシスタンシュの美白成分を開発および利用するための科学的根拠を提供することができます。 したがって、シスタンシェは重要な役割を果たします。美白。 できるメラニンを抑制する変色やくすみを軽減するための製造。 コラーゲンの生成を促進し、肌の弾力性と輝きを改善します。 カンクサのこれらの効果が広く認識されたため、多くの美白製品には消費者の需要を満たすためにカンクサイなどのハーブ成分が配合され始めており、その結果、カンクサの商品価値が高まりました。美白製品。 要約すると、皮膚の美白におけるシスタンシュの役割は非常に重要です。 これは抗酸化物質コラーゲン生成効果とシミ・くすみを軽減し、肌の弾力・ツヤを改善し、美白効果をもたらします。 また、シスタンケが美白製品に広く応用されているということは、その商品価値における役割を過小評価できないことを示しています。

カンカ・チューブロサ・サプリメントをクリックしてください

詳細については:

david.deng@wecistanche.com WhatApp:86 13632399501

このセクションでは、シミュレートされた実際のデータを使用して、提案された放射分析識別を実装します。 まず、データはオフセット周波数に対して補正され、時間とともに変化する位相オフセットを反転するために使用されます。 第 2 に、ルール (6) に準拠する提案されたアルゴリズムが実装され、混同行列が生成されます。

4.1. 信号位相とオフセット周波数の補正

データは、局部発振器周波数オフセットの影響を受ける QPSK 信号に対してシミュレートされます。 表 1 にシミュレーションパラメータを示します。

図 5 は、瞬時位相値が収集され、モデル フィッティング ステップで使用されるプロセスを示しています。 このステップは、位相曲線のサンプリングとしても説明できます。 ブロックごとのシンボル位相がヒストグラム化され、続いて多項式がフィッティングされます。 k 番目のブロックの多項式のピークは ＾θk です。 このステップは複数のブロックにわたって繰り返され、図 5a ～ f に示されています。 推定された位相 { ＾θk, k=1, 2, . 。 。 、Ｍ｝は、その傾きがｆｄを決定する線形位相軌道を定義する。 図 6 は、データに対する位相モデルの最小二乗フィッティングです。 図 6a と図 6b は、それぞれ SNR=20 dB と 10 dB に対応します。 図 6c は、非線形位相軌跡もモデル化および追跡できることを示しています。 SNR=20 dB および 10 dB での推定 f ^ d=0.0505 Hz および f ^ d=0.0455 Hz。 真のオフセット周波数は 0.05 Hz です。

シンボルは、ブロックの長さにわたって 2π fdT ラジアンずつ回転します。 この回転は、シンボルが属する象限のごく一部に留める必要があります。 たとえば、QPSK では、各象限は π/2 ラジアンです。 適切なブロック長は、位相ヒストグラムのモダリティによって決まります。 明確なピークを持つ単峰性の位相ヒストグラムは、位相変動が公称値に近いままであることを示しています (図 7a)。 2π fdT が大きい場合、fd が大きいかブロック長 T が長いため、ヒストグラムは明確なピークのない多峰性になります (図 7b)。 fdT が大きいことのもう 1 つの欠点は、シンボルが複数の周期で円周上を移動する 2π 位相の曖昧さです。

4.2. 放射分析による識別

ここで、提案された放射識別方法を、次の波形発生器または標準によって生成された信号に適用します: Agilent [54]、Viasat EBEM [55]、Teledyne Paradise [56]、KRATOS Real-Time Channel Simulator (RTsim) [57]、およびUSRP[58]。 データには、2.95 MHz でサンプリングされた QPSK 変調が含まれており、モデルごとに合計 3,500 万シンボルが含まれています。 図 8a と図 8b は、さまざまな量のスミアリングによって影響を受ける信号コンスタレーションを示しています。 図 8b は、fdT 積が大きいため、シンボルが 2π の倍数回転する可能性があるため、特に深刻なケースです。 fdT の推定とシンボルの逆回転の後、図 8c では元のコンスタレーションが復元されます。 図 9 は、すべての位相オフセットと周波数オフセットが除去された後の 6 つのコンスタレーションの拡大図です。 ここでの課題は、信号を個々の発生源に帰属させることです。 構造と特徴におけるコンスタレーションの類似性を考慮すると、放射識別は変調情報に基づく従来の信号分類よりもはるかに困難な問題であることは明らかです。

4.3. クラス混同行列

分類器のトレーニングには、5 つの一致する白色化行列 Wi、i=1、2、...、の計算が含まれます。 。 。 , 5. データは、5 つの異なる無線から発信された QPSK 変調信号から取得された 3,500 万個のシンボルで構成されています。 トレーニング セットは 5 × 105 シンボルで構成されており、これはデータ全体の約 1.4 パーセントに相当します。 Majority Vote 分類子には投票スキームが必要です。 投票は、データをそれぞれ 5 × 105 サンプルの 72 ブロックに分割することによって生成されます。 各ブロックは 1 つの投票を生成し、信号全体にわたって表にまとめられます。 テスト ブロックは「未知の」ソースから抽出され、ガウス ノイズによって破損され、各ソースに対応する白色化マトリックスに繰り返し投影されます。 フェルストナー・ムーネン距離は、(6) でモード関数を計算するために使用され、混同行列のコンパイルにつながります。

混同行列を作成する前に、フェルストナー・ムーネン距離測定の動作を研究する必要があります。 (3) によれば、プロセスが徐々に白色化されるにつれて、白色化された共分散行列と単位行列の間のフェルストナー・ムーネン距離は狭くなります。 ホワイト ノイズの理論上の最小距離はゼロです。 この動作をテストするには、調整可能な相関係数を持つ 2 つの確率変数を作成し、2 列の行列に配置します。 この行列の共分散は相関値の関数として計算され、対応するフェルストナー・ムーネン距離がプロットされます。 結果を図 3 にプロットします。図 3a が示すように、距離は相関の増加関数であり、共分散行列が相関を増加させるためのホワイト ノイズ プロセスの行列から遠ざかっていることを反映しています。 これは予想通りです。 フェルストナー・ムーネン測定の 2 番目の特性は、未知のデータは、その白色化変換によって白色化された場合、他のデータよりもホワイト ノイズ プロセスに近く、したがって白色化が一致するということです。 この特性を示すために、Agilent のデータはその白色化マトリックスによって白色化され、次に Viasat EBEM の白色化マトリックスによって白色化されます。 距離の計算は 40 ブロックのデータに対して実行され、図 3b にプロットされています。 際立っているのは、Agilent データのフェルストナー・ムーネン距離が、ほとんどの場合、Viasat EBEM ホワイトニング マトリックスを使用した場合の距離よりも小さいことです。 この動作は予期されたものであり、この動作が発生するたびに正しい決定が行われることを意味します。 このカウントは基本的に、すべてのソースに対して混同行列を設定するための基礎となります。

上記の観察に従って、対応する混同行列を計算できるようになりました。これを表 2 に示します。数値は、テスト データの 72 フレームにわたって各ソースに投じられた正票の割合を示します。 (6) のモード分類子は複数の投票を探して勝者を選択することに注意してください。 それは厳しい投票制度です。 たとえば、Paradise は投票の 77.1 パーセントしか受け取っていませんが、未知の信号は依然として Paradise として正しく分類されています。 したがって、表 2 は 100% 正しい分類を示しています。 混同行列は、実際の投票率を保持することにより、ソフト投票スキームでも使用できます。

次に、より小さなデータ セットと、データ内に既に存在するものを超えた追加ノイズの影響を調査します。 合計サンプル サイズは 107 になり、25 万個のサンプルのブロックに分割され、各ブロックは 100 ミリ秒未満に変換されます。 この長さにより、混同行列の形式で分類統計を取得するために使用される 40 個のブロックが生成されます。 表 3 は、SNR=15 dB にガウス ノイズを追加した場合の結果を示しています。 これは、すでにデータにあるものを超えています。 Teledyne Paradise として識別される KRATOS RTSim を除き、すべてのソースが正しく識別されます。 それでも、2.5% の差は、実行の統計的なばらつきの範囲内に十分収まります。 各情報源の正しい分類数は、表 2 に比べて大幅に低下していますが、マージンは低くなりましたが、多数決方式により依然として正しい決定が行われています。 たとえば、Agilent データが Agilent に正しく関連付けられる確率はわずか 30% ですが、それでも他のデータよりも高い確率です。 表 4 と 5 では、SNR=5 dB と 0 dB のプロセスを繰り返しています。 レートとマージンが低くても、多数決方式により正しいクラスが選択されます。 マージンが低い場合、統計的ばらつきが情報源の正確な特定に影響します。 表 2 の USRP のマージンが大きいため、表 4 の SNR が 5 dB であっても正しい識別をほぼ維持することができます。状況がどれほど悲惨であるかを示すために、図 10 に SNR=5 dB ノイズのコンスタレーションを示します。 識別機能の欠如は全体を通して明らかです。 RTSim と Paradise は結びついていることに注意してください。 もちろん、この困難さは表 4 にも反映されていますが、それでも正しい識別は可能です。 5 つのソースのうち 4 つが正しく識別され、5 つ目は同点です。 表 5 は、SNR=0 dB の極端なケースです。 EBEM と Paradise は依然として正しく識別されます。

4.4. 比較

SVM、CNN、および D(eep)NN の包括的な比較は、[13] で 6 つの無線機について報告されています。 正しい分類率は 44.8 パーセント (SVM)、82.4 パーセント (CNN)、および 71.9 パーセント (DNN) です。 ただし、放射分析識別のための受け入れられたベンチマークが存在しないため、純粋な数値比較は決定的ではありません。 アルゴリズムの複雑さ、処理速度、学習データのサイズ、その他の前提条件などの要因が考慮されるため、比較は困難です。 無線やプロトコルの選択さえ一般的ではありません。 [13] で報告されているトレーニング サンプル サイズは 10 パーセントですが、ここでは 1.4 パーセントです。 さらに重要なのは、キャリア回復ステップが報告されていないことです。 局部発振器で完全な位相と周波数の調整が行われていると仮定することにより、ここで報告されている種類のコンスタレーションスミアリングの軽減は行われていません。 これは重大な省略です。 システム内にノイズもありません。 高次元への対応も別の要素です。 [10] で抽出された特徴ベクトルは 960 次元ですが、白色化変換には特徴がないため、次元削減がバイパスされます。 コグニティブ Zigbee ネットワークにおける RF デバイスのフィンガープリンティングは、良好な精度 (約 90 パーセント) を示しますが、SNR は高くなります (20 dB 以上) [15]。 [19] では、入力データはヒルベルト スペクトル グレースケール画像として前処理され、中程度の SNR レベルで許容可能な精度 (15 dB の SNR で平均 70 パーセントの精度) を達成します。

5。結論

参考文献

1. アラスカ州ナンディ; Azzouz、EE 通信信号の自動変調認識のためのアルゴリズム。 IEEEトランス。 共通。 1998、46、431–436。

2. ジョージア州プーカン市。 Bora、PK デジタル変調のブラインド分類のためのパラメータ推定。 IET信号プロセス。 2016、10、758–769。

3. AW、アタア。 Abdullah, SN レーダー信号のデインターリーブと PRF 識別アルゴリズム。 IETレーダーソナーナビ。 2007、1、340–347。

4. ゴック、G. ＹＫ州アルプ。 Arikan, O. 実際のレーダー測定結果による特定のエミッタ識別のための新しい方法。 IEEEトランス。 情報 フォレンジックセキュリティ。 2020、15、3335–3346。

5. Sa, K. ラング、D. ワン、C. Bai, Y. モノのインターネットのための特定のエミッタ識別技術。 IEEE Access 2020、8、1644–1652。

6. ウー、H。 Wang, W. モノのインターネット システム向けのゲーム理論に基づく協調的なセキュリティ検出方法。 IEEEトランス。 情報 フォレンジックセキュリティ。 2018、13、1432–1445。

7. パディラ、J. パディラ、P. バレンズエラ・バルデス、J. ラミレス、J. Górriz, J. 特徴削減と部分空間変換に基づいて無線通信ネットワーク内のデバイスを識別するための RF フィンガープリント測定。 測定 2014、58、468–475。

8. テネシー州ビル; バウアー、KW; マサチューセッツ州テンプル、多重判別分析と ZigBee デバイス放射を使用した RF フィンガープリンティングの特徴選択。 IEEEトランス。 情報 フォレンジックセキュリティ。 2016、11、1862 ～ 1874 年。

9.徐、S。 ファン、Ｂ． 徐、Ｌ． Xu, Z. PCA と組み合わせた新しい浮遊特徴解析手法を使用した無線送信機の分類。 MILCOM 2007-IEEE 軍事通信会議議事録、米国フロリダ州オーランド、2007 年 10 月 29 ～ 31 日。 1 ～ 5 ページ。

10. ジア、Y. マ、ジェイ。 Gan, L. 放射識別のための特徴削減と分類の組み合わせ最適化。 IEEE 信号プロセス。 レット。 2017、24、584–588。

11. ダネフ、B. Capkun, S. ワイヤレス センサー ノードの一時ベースの識別。 2009 年 4 月 13 ～ 16 日に米国カリフォルニア州サンフランシスコで開催された、センサー ネットワークにおける情報処理に関する 2009 年国際会議の議事録。 25～36ページ。

12. イオ州ケネディ。 スキャンロン、P. フロリダ州マラニー。 ブディコット、MM; ノーラン、ケンタッキー州。 TW、ロンドーの無線送信機のフィンガープリンティング: 定常状態の周波数領域アプローチ。 2008 IEEE 68th Vehicular Technology Conference の議事録、カナダ、アラバマ州カルガリー、2008 年 9 月 21 ～ 24 日。 1 ～ 5 ページ。

13. ユセフ、K. ブシャール、L. ヘイ、K. シロフスキー、J. タパ、B. Valk、CV RF 送信機識別への機械学習アプローチ。 IEEE J. 無線周波数。 識別。 2018、2、197–205。

14. ジャファリ、H. オモテレ、O. アデシナ、D. ウー、H. Qian, L. 深層学習を使用した IoT デバイスのフィンガープリンティング。 MILCOM 2018—2018 IEEE Military Communications Conference (MILCOM) の議事録、米国カリフォルニア州ロサンゼルス、2018 年 10 月 29 ～ 31 日。 1 ～ 9 ページ。

マーチャント、Ｋ． リーベイ、S. スタンチェフ、G. Nousain、B. 認知通信ネットワークにおける RF デバイスのフィンガープリンティングのための深層学習。 IEEE J. Sel. 上。 信号プロセス。 2018、12、160–167。

16. ラジェンドラン、S. ミート、W. ジュスティニアーノ、D. レンダーズ、V. Pollin, S. 分散型低コスト スペクトル センサーを使用した無線信号分類のための深層学習モデル。 IEEEトランス。 認知。 共通。 ネット。 2018、4、433–445。

17. ディン、L. ワン、S. ワン、F. Zhang, W. 畳み込みニューラル ネットワークによる特定のエミッターの識別。 IEEE コミューン。 レット。 2018、22、2591–2594。

18. マスード、S. ライ、A. アガルワル、A. ミネソタ州ドージャ; Ahmad, M. 畳み込みニューラル ネットワークを使用してドライバーの注意散漫を検出。 パターン認識。 レット。 2018、139、79–85。

19. パン、Y. ヤン、Ｓ． ペン、H。 リー、T。 Wang, W. 深い残留ネットワークに基づく特定のエミッターの特定。 IEEE Access 2019、7、54425–54434。

20. 銭、Y。 Qi、J. クアイ、X。 下がる。; サン、H. ホン、S. 自動識別システムにおけるマルチレベルのスパース表現に基づく特定のエミッターの識別。 IEEEトランス。 情報 フォレンジックセキュリティ。 2021、16、2872–2884。

21. デュ、M. 彼、X。 カイ、X。 Bi、D. バランスのとれたニューラル アーキテクチャの検索と、特定のエミッターの識別におけるその応用。 IEEEトランス。 信号プロセス。 2021、69、5051–5065。

22. ファン、G. ユアン、Y. ワン、X。 Huang, Z. 非線形動的特性に基づく特定のエミッターの識別。 できる。 Ｊ．Ｅｌｅｃｔｒ． 計算します。 工学 2016、39、34–41。

23. ファン、G. ユアン、Y. ワン、X。 Huang, Z. マルチ測定を使用した通信送信機の特定の送信機の識別。 ワイレル。 パース。 共通。 2017、94、1523–1542。

24. ユアン、Y. 黄、ZT; ウー、H. Wang, X. ヒルベルト・ファン変換ベースの時間・周波数・エネルギー分布特徴に基づく特定のエミッターの識別。 IETコミュ。 2014、8、2404–2412。

25. パディラ、P. パディラ、J. Valenzuela-Valdes, J. RF フィンガープリンティングに基づく無線デバイスの無線周波数識別。 電子。 レット。 2013、49、1409–1410。

26. Hu, A. Wi-Fi 送信機の RF フィンガープリントのプリアンブルベースの検出。 電子。 レット。 2010、46、1165–1167。

27. カンドール、A. コカバス、O. Koushanfar, F. 無線デバイス向けの堅牢で安定した放射指紋認証。 2009 年 7 月 27 ～ 29 日に米国カリフォルニア州サンフランシスコで開催された、ハードウェア指向のセキュリティと信頼に関する 2009 IEEE 国際ワークショップの議事録。 43～49ページ。

28. ドゥドチック、J. Kawalec, A. データベース内の放出源パターンの高速決定識別アルゴリズム。 ブル。 ポール。 アカド。 科学技術。 科学。 2015、63、385–389。

29. カワレック、A. ラパッキ、T. ヴヌチェク、S. ドゥドチク、J. Owczarek, R. パルス内データと放射源への放射放出の認識に基づく混合法。 2006 年マイクロ波国際会議議事録、レーダー無線通信、ポーランド、クラクフ、2006 年 5 月 22 ～ 24 日。 487–490ページ。

30. デマーズ、F. St-Hilaire, M. LTE 送信機の放射分析による識別。 2013 IEEE Global Communications Conference (GLOBECOM) の議事録、米国ジョージア州アトランタ、2013 年 12 月 9 ～ 13 日。 4116–4121ページ。

31. タン、K。 ヤン、W。 張、Ｌ． タン、M. Zhang, Y. ソフトウェア無線と意思決定融合に基づく特定のエミッターの識別。 IEEE Access 2021、9、86217–86229。

32. ヤナ、S. サウスカロライナ州カセラ クロック スキューを使用した、不正なワイヤレス アクセス ポイントの高速かつ正確な検出について。 IEEEトランス。 モブ。 計算します。 2009、9、449–462。

33. コニング、M. Potgieter, F. 特定のエミッターを識別するための測定されたレーダー データの分析。 2010 IEEE Radar Conference の議事録、米国ワシントン DC、2010 年 5 月 10 ～ 14 日。 35～38ページ。

34.AC、ポラック。 Goeckel, DL RF 発振器の不完全性に基づく無線デバイスの識別。 IEEEトランス。 情報 フォレンジックセキュリティ。 2015、10、2492–2501。

35. 交流州ポラック； Goeckel 氏、DL 人工的な歪みを使って自分の身元を積極的に隠すユーザーの RF フィンガープリンティング。 米国カリフォルニア州パシフィックグローブで開催された第 45 回信号、システム、およびコンピュータに関するアシロマ会議 (ASILOMAR) の 2011 年会議記録、2011 年 11 月 6 ～ 9 日。 270–274ページ。

36. リュー、MW。 Doherty, JF 非線形デバイス推定を使用した特定のエミッターの特定。 2008 IEEE Sarnoff Symposium の議事録、米国ニュージャージー州プリンストン、2008 年 4 月 28 ～ 30 日。 1 ～ 5 ページ。

37. リー、Y。 チェン、X。 リン、Y. スリバスタヴァ、G. Liu, S. デバイスの欠陥に基づくワイヤレス送信機の識別。 IEEE Access 2020、8、59305–59314。

38. ドラシャヒ、S. ポラック、A. Goeckel, DL パワーアンプの欠陥による無線ユーザーの識別。 信号、システムおよびコンピュータに関する第 44 回アシロマ会議の 2010 年会議記録、米国カリフォルニア州パシフィック グローブ、2010 年 11 月 7 ～ 10 日。 1553–1557ページ。

39. ダゴスティーノ、S. フォリア、G. Pistoia, D. 特定のエミッターの識別: 実際のレーダー信号データの分析。 2009 年欧州レーダー会議 (EuRAD) の議事録、イタリア、ローマ、2009 年 9 月 30 日～10 月 2 日。 242–245ページ。

40. グオ、S. ホワイト、RE; Low、M。信号過渡現象に基づくレーダーエミッター識別の比較研究。 2018 IEEE レーダー会議 (RadarConf18) の議事録、米国オクラホマ州オクラホマシティ、2018 年 4 月 23 ～ 27 日。 286–291ページ。

41. キタ州タルボット。 デューリー、広報。 ハイアット、MH 特定のエミッターの特定と検証。 テクノロジー。 2003 年改訂、113、113–133。

42. ドラゴミレツキー、K. Zosso, D. 変分モード分解。 IEEEトランス。 信号プロセス。 2013、62、531–544。

43. Chang, CI 直交部分空間投影 (OSP) の再考: 包括的な研究と分析。 IEEEトランス。 地理学。 リモートセンズ、2005、43、502–518。 ): 米国ワシントン州リッチランド、2007 年。

45. メイヤー、R. ブコルツ、F. Scribner, D. 白色化/白色化解除を使用して、多時間ハイパースペクトル画像およびマルチスペクトル画像内のターゲット シグネチャを変換することによるオブジェクト検出。 地理学。 リモートセンシングIEEE Trans. 2003、41、1136–1142。

46. ケシー、A. ルーウィン、A. Strimmer, K. 最適なホワイトニングと相関除去。 午前。 統計 2018、72、309–314。

47. ベル、AJ; Sejnowski, TJ 自然シーンの「独立したコンポーネント」はエッジ フィルターです。 ヴィス。 解像度 1997、37、3327–3338。

48. スリバスタヴァ、N. ヒントン、G. クリジェフスキー、A. サツケヴァー、I. Salakhutdinov、R. Dropout: ニューラル ネットワークの過剰適合を防ぐ簡単な方法。 J.マッハ。 学び。 解像度 2014、15、1929 ～ 1958 年。

49. フェルストナー、W. Moonen, B. 共分散行列の指標。 測地学において—第 3 千年紀の挑戦。 シュプリンガー：ベルリン/ハイデルベルク、ドイツ、2003年。 299–309ページ。

50. クリス、B. マサチューセッツ州サスティック。 Dhillon、IS ブレグマン行列発散による低ランク カーネル学習。 J.マッハ。 学び。 解像度 2009、10、341–376。

51.ヘルディン、M. チンク、N. オズセリク、H. Bonek, E. 相関行列距離、非定常 MIMO チャネルの評価のための意味のある尺度。 2005 IEEE 61st Vehicular Technology Conference の議事録、スウェーデン、ストックホルム、2005 年 5 月 30 日～6 月 1 日。 第 1 巻、136 ～ 140 ページ。

52. Kuncheva, LI 6 つの分類子融合戦略に関する理論的研究。 IEEEトランス。 パターンアナル。 マッハ。 知性。 2002、24、281–286。

53. プロアキス、JG; サレヒ、M. デジタル コミュニケーションズ。 マグロウヒル: 米国ニューヨーク州ニューヨーク州、2008 年。

54. アジレントベクトル信号発生器。 2021. (2021 年 11 月 26 日にアクセス)。

55. Viasat 拡張帯域幅効率の高い SATCOM モデム。 2021. (2021 年 11 月 26 日にアクセス)。

56. テレダイン・パラダイス・データコム。 2021. (2021 年 11 月 26 日にアクセス)。

57. クレイトスRTSIM。 2021. (2021 年 11 月 26 日にアクセス)。

58.エタスUSRP。 2021年。

詳細については: david.deng@wecistanche.com WhatApp:86 13632399501