4. 결과

시탕슈의 기능을 갖는다콜라겐 생성 촉진, 피부의 탄력과 윤기를 증가시킬 수 있는손상된 피부 세포 회복에 도움. Cistanche Phenylethanol 배당체에 상당한 하향 조절 효과가 있습니다.티로시나아제활동 및 tyrosinase에 대한 효과는 경쟁적이고 가역적인 억제로 나타나 Cistanche의 미백 성분을 개발하고 활용하기 위한 과학적 근거를 제공할 수 있습니다. 따라서 cistanche는피부 미백. 할 수 있습니다멜라닌 억제변색 및 칙칙함을 줄이기 위한 생산; 콜라겐 생성을 촉진하여 피부 탄력과 윤기를 개선합니다. Cistanche의 이러한 효과에 대한 광범위한 인식으로 인해 많은 피부 미백 제품이 소비자 요구를 충족시키기 위해 Cistanche와 같은 허브 성분을 주입하기 시작하여 Cistanche의 상업적 가치를 증가시켰습니다.피부 미백 제품. 요약하면, 피부 미백에 있어서 cistanche의 역할은 매우 중요합니다. 그것은산화 방지제효과 및 콜라겐 생성 효과로 색소 침착 및 칙칙함을 감소시키고 피부 탄력 및 윤기를 개선하여 미백 효과를 얻을 수 있습니다. 또한 피부 미백 제품에 Cistanche를 광범위하게 사용하는 것은 상업적 가치에서 그 역할을 과소평가할 수 없음을 보여줍니다.

Cistanche Tubulosa 보충제를 클릭하십시오.

더 많은 정보를 위해서:

david.deng@wecistanche.com WhatApp:86 13632399501

이 섹션에서는 시뮬레이션 및 실제 데이터를 사용하여 제안된 방사성 식별을 구현합니다. 첫째, 데이터는 오프셋 주파수에 대해 수정되고 시변 위상 오프셋을 반전시키는 데 사용됩니다. 둘째, 규칙 (6)에 의해 제어되는 제안된 알고리즘이 구현되어 혼동 행렬을 생성합니다.

4.1. 신호 위상 및 오프셋 주파수 보정

데이터는 국부 발진기 주파수 오프셋에 따라 QPSK 신호에 대해 시뮬레이션됩니다. 표 1은 시뮬레이션 매개변수를 보여줍니다.

그림 5는 모델 피팅 단계에서 순시 위상 값을 수집하고 사용하는 프로세스를 보여줍니다. 이 단계는 위상 곡선의 샘플링으로도 설명할 수 있습니다. 블록당 기호 위상은 히스토그램으로 표시된 다음 다항식을 적용합니다. 다항식의 피크는 k번째 블록의 ˆθk입니다. 이 단계는 여러 블록에 걸쳐 반복되며 그림 5a-f에 나와 있습니다. 추정된 위상 { ˆθk, k=1, 2, . . . , M}은 기울기가 fd를 결정하는 선형 위상 궤적을 정의합니다. 그림 6은 데이터에 대한 위상 모델의 최소 제곱 적합입니다. 그림 6a 및 b는 각각 SNR=20dB 및 10dB에 해당합니다. 그림 6c는 비선형 위상 궤적이 모델링되고 추적될 수 있음을 보여줍니다. SNR=20dB 및 10dB에서 추정된 f ˆ d=0.0505Hz 및 f ˆ d=0.0455Hz. 실제 오프셋 주파수는 0.05Hz입니다.

기호는 블록 길이에 대해 2π fdT 라디안만큼 회전합니다. 이 회전은 기호가 속한 사분면의 작은 부분으로 유지되어야 합니다. 예를 들어, QPSK에서 각 사분면은 π/2 라디안입니다. 적절한 블록 길이는 위상 히스토그램의 형식에 따라 결정됩니다. 뚜렷한 피크가 있는 단봉 위상 히스토그램은 위상 변동이 공칭 값에 가깝게 유지됨을 나타냅니다(그림 7a). 큰 fd 또는 긴 블록 길이 T로 인해 큰 2π fdT의 경우 히스토그램은 뚜렷한 피크가 없는 다중 모달이 됩니다(그림 7b). 큰 fdT의 또 다른 단점은 기호가 여러 주기 동안 원 주위를 이동하는 2π 위상 모호성입니다.

4.2. 방사성 식별

우리는 이제 Agilent[54], Viasat EBEM[55], Teledyne Paradise[56], KRATOS Real-Time Channel Simulator(RTsim)[57], 및 USRP [58]. 데이터에는 모델당 총 3,500만 개의 기호에 대해 2.95MHz로 샘플링된 QPSK 변조가 있습니다. 그림 8a 및 b는 다양한 양의 스미어링에 의해 영향을 받는 신호 배열을 보여줍니다. 그림 8b는 기호가 잠재적으로 2π의 배수로 회전하는 큰 fdT 곱으로 인해 특히 심각한 경우입니다. fdT의 추정과 기호의 역회전에 따라 그림 8c에서 원래 별자리가 복원됩니다. 그림 9는 모든 위상 및 주파수 오프셋이 제거된 후 6개의 별자리를 클로즈업한 것입니다. 이제 과제는 신호를 개별 소스에 귀속시키는 것입니다. 성상도의 구조와 특징이 유사하다는 점을 감안할 때 방사성 식별이 변조 정보를 기반으로 하는 기존의 신호 분류보다 훨씬 더 어려운 문제임이 분명합니다.

4.3. 클래스 혼동 행렬

분류기 훈련에는 5개의 일치하는 미백 행렬 Wi, i=1, 2, ...의 계산이 포함됩니다. . . , 5. 데이터는 5개의 서로 다른 무선 장치에서 발생하는 QPSK 변조 신호에서 가져온 3,500만 개의 기호로 구성됩니다. 훈련 세트는 전체 데이터의 약 1.4%인 5 × 105개의 기호로 구성됩니다. 다수결 분류기에는 투표 체계가 필요합니다. 투표는 데이터를 각각 5 × 105샘플의 72개 블록으로 나누어 생성됩니다. 각 블록은 하나의 투표를 생성한 다음 전체 신호 길이에 대해 표로 작성합니다. 테스트 블록은 "알 수 없는" 소스에서 가져와 가우시안 노이즈에 의해 손상되고 각 소스에 해당하는 화이트닝 매트릭스에 반복적으로 투사됩니다. Förstner-Moonen 거리는 (6)의 모드 함수를 계산하는 데 사용되어 혼동 행렬을 컴파일합니다.

혼동 행렬을 만들기 전에 Förstner-Moonen 거리 측정의 동작을 연구해야 합니다. (3)에 따르면 프로세스가 점점 희게 될수록 희게된 공분산 행렬과 항등 행렬 사이의 Förstner-Moonen 거리가 좁아집니다. 이론적인 최소 거리는 백색 잡음의 경우 0입니다. 이 동작을 테스트하기 위해 조정 가능한 상관 계수가 있는 두 개의 랜덤 변수가 생성되어 2열 행렬에 배치됩니다. 이 행렬의 공분산은 상관 값의 함수로 계산되며 해당 Förstner-Moonen 거리가 표시됩니다. 결과는 그림 3에 표시되어 있습니다. 그림 3a에서 볼 수 있듯이 거리는 상관 관계의 증가 함수이며 공분산 행렬이 상관 관계 증가를 위해 백색 잡음 프로세스에서 멀어지고 있음을 반영합니다. 이것은 예상됩니다. Förstner-Moonen 측정의 두 번째 속성은 미지의 데이터가 다른 어떤 것보다 백색화 변환에 의해 백색화될 때 백색 잡음 프로세스에 더 가깝다는 것입니다. 따라서 일치 백색화입니다. 이 속성을 표시하기 위해 애질런트의 데이터는 미백 매트릭스로 미백 처리된 다음 Viasat EBEM의 미백 매트릭스로 미백 처리됩니다. 거리 계산은 40개의 데이터 블록에 대해 수행되며 그림 3b에 표시됩니다. 눈에 띄는 것은 Agilent 데이터의 Förstner-Moonen 거리가 Viasat EBEM 미백 매트릭스를 사용할 때보다 거의 항상 작다는 것입니다. 이 동작은 예상되며, 이는 발생할 때마다 올바른 결정이 내려진다는 것을 의미합니다. 이 개수는 본질적으로 모든 소스에 대한 혼동 행렬을 채우기 위한 기초입니다.

위의 관찰에 따라 이제 해당 혼동 행렬을 계산할 수 있으며 표 2에 나와 있습니다. 숫자는 테스트 데이터의 72개 프레임에 대해 각 소스에 대한 올바른 투표 비율을 나타냅니다. (6)의 모드 분류기는 승자를 선택하기 위해 복수의 투표를 찾습니다. 어려운 투표 제도입니다. 예를 들어 Paradise는 77.1%의 득표율만 얻었지만 알 수 없는 신호는 여전히 Paradise로 올바르게 분류됩니다. 따라서 표 2는 100% 올바른 분류를 나타냅니다. 혼동 행렬은 실제 투표율을 유지함으로써 소프트 투표 체계에서도 사용할 수 있습니다.

다음으로 더 작은 데이터 세트의 영향과 이미 데이터에 있는 것 이상으로 추가된 노이즈를 조사합니다. 총 샘플 크기는 이제 107이며 각각 100밀리초 미만으로 변환되는 25만 개의 샘플 블록으로 나뉩니다. 이 길이는 혼동 행렬의 형태로 분류 통계를 얻는 데 사용되는 40개의 블록을 생성합니다. 표 3은 SNR=15dB 추가된 가우시안 잡음에서의 결과를 보여줍니다. 이것은 이미 데이터에 있는 것 이상입니다. Teledyne Paradise로 식별되는 KRATOS RTSim을 제외한 모든 소스가 올바르게 식별됩니다. 그럼에도 불구하고 2.5%의 차이는 실행의 통계적 변동 범위 내에 있습니다. 각 소스에 대한 올바른 분류 수의 백분율은 표 2에 비해 크게 떨어졌지만 다수결 방식은 마진이 줄어들긴 했지만 여전히 올바른 결정을 내립니다. 예를 들어, Agilent 데이터는 30%의 시간에만 Agilent와 올바르게 연결되지만 여전히 다른 데이터보다 높습니다. 표 4 및 5는 SNR=5dB 및 0dB에 대한 프로세스를 반복합니다. 요율과 마진이 더 낮더라도 다수결 방식은 여전히 ​​올바른 클래스를 선택합니다. 마진이 낮을 때 통계적 변동성은 올바른 소스 식별을 만드는 역할을 합니다. 표 2에서 USRP의 큰 마진은 표 4에서 5dB SNR에서도 정확한 식별을 대체로 유지하는 데 도움이 됩니다. 상황이 얼마나 심각한지 보여주기 위해 그림 10은 SNR=5dB 노이즈의 별자리를 보여줍니다. 식별 기능의 부족은 전체적으로 분명합니다. RTSim과 Paradise는 연결되어 있습니다. 이 어려움은 물론 표 4에도 반영되어 있지만 정확한 식별은 여전히 ​​가능합니다. 5개 소스 중 4개가 올바르게 식별되었으며 다섯 번째 소스는 동점입니다. 표 5는 SNR=0dB의 극단적인 경우입니다. EBEM과 파라다이스는 여전히 정확하게 식별됩니다.

4.4. 비교

SVM, CNN 및 D(eep)NN의 포괄적인 비교는 [13]에서 6개의 라디오에 대해 보고됩니다. 올바른 분류 비율은 44.8%(SVM), 82.4%(CNN) 및 71.9%(DNN)입니다. 그러나 존재하지 않는 방사성 식별에 대해 허용된 벤치마크가 없는 경우 순수한 수치 비교는 결정적이지 않습니다. 알고리즘의 복잡도, 처리 속도, 훈련 데이터의 크기, 기타 가정 등의 요소를 고려하여 비교가 어렵다. 라디오나 프로토콜의 선택조차 일반적이지 않습니다. [13]에서 보고된 훈련 샘플 크기는 10%인 반면 여기서는 1.4%입니다. 더 중요한 것은 캐리어 복구 단계가 보고되지 않았다는 것입니다. 로컬 오실레이터에서 완벽한 위상 및 주파수 정렬을 가정함으로써 여기에 보고된 종류의 성상 번짐에 대한 완화가 수행되지 않았습니다. 이것은 중요한 누락입니다. 시스템에 소음도 없습니다. 높은 차원을 다루는 것은 또 다른 요소입니다. 화이트닝 변환은 특징이 없으므로 [10]에서 추출된 특징 벡터가 960차원인 반면 차원 감소를 우회합니다. 인지 Zigbee 네트워크의 RF 장치 핑거프린팅은 우수한 정확도(≈90%)를 나타내지만 높은 SNR(20dB 이상)[15]입니다. [19]에서 입력 데이터는 Hilbert 스펙트럼 그레이스케일 이미지로 사전 처리되고 적당한 SNR 수준(15dB의 SNR에 대한 평균 70% 정확도)에서 허용 가능한 정확도를 달성합니다.

5. 결론

참조

1. 난디, AK; Azzouz, EE 통신 신호의 자동 변조 인식을 위한 알고리즘. IEEE 트랜스. 공동. 1998, 46, 431–436.

2. 푸칸, GJ; Bora, PK 디지털 변조의 블라인드 분류를 위한 파라미터 추정. IET 신호 프로세스. 2016, 10, 758–769.

3. Ata'a, AW; Abdullah, SN 레이더 신호 및 PRF 식별 알고리즘의 디인터리빙. IET 레이더 소나 내비게이션. 2007, 1, 340–347.

4. Gok, G.; 알프, YK; Arikan, O. 실제 레이더 측정 결과를 사용한 특정 방출기 식별을 위한 새로운 방법. IEEE 트랜스. Inf. 법의학 보안. 2020, 15, 3335–3346.

5. 사, 케이. 랭, D.; 왕 C.; Bai, Y. 사물 인터넷을 위한 특정 이미터 식별 기술. IEEE 액세스 2020, 8, 1644–1652.

6. 우, H.; Wang, W. 사물 인터넷 시스템을 위한 게임 이론 기반 협업 보안 탐지 방법. IEEE 트랜스. Inf. 법의학 보안. 2018, 13, 1432–1445.

7. Padilla, J.; Padilla, P.; Valenzuela-Valdés, J.; Ramírez, J.; Górriz, J. 기능 축소 및 부분 공간 변환을 기반으로 무선 통신 네트워크에서 장치를 식별하기 위한 RF 지문 측정. 측정 2014, 58, 468–475.

8. 빌, TJ; 바우어, KW; Temple, MA 다중 판별 분석 및 ZigBee 장치 방출 사용을 통한 RF 핑거프린팅을 위한 기능 선택. IEEE 트랜스. Inf. 법의학 보안. 2016, 11, 1862–1874.

9. 쉬, S.; 황비; 쉬, L.; Xu, Z. PCA와 결합된 새로운 표유 특징 분석 방법을 사용한 무선 송신기 분류. In Proceedings of the MILCOM 2007-IEEE Military Communications Conference, Orlando, FL, USA, 2007년 10월 29-31일; 1~5쪽.

10. Jia, Y.; 엄마, J.; Gan, L. 방사성 식별을 위한 특징 감소 및 분류의 결합된 최적화. IEEE 신호 프로세스. 레트 사람. 2017, 24, 584–588.

11. Danev, B.; Capkun, S. 무선 센서 노드의 과도 기반 식별. 센서 네트워크의 정보 처리에 관한 2009년 국제 회의 절차, 미국 캘리포니아주 샌프란시스코, 2009년 4월 13-16일; 25~36쪽.

12. 케네디, IO; Scanlon, P.; 멀라니, FJ; Buddhikot, MM; 놀런, KE; Rondeau, TW 무선 송신기 핑거프린팅: 정상 상태 주파수 도메인 접근법. 2008 IEEE 68차 차량 기술 컨퍼런스 절차, 캐나다 AB, 캘거리, 2008년 9월 21-24일; 1~5쪽.

13. Youssef, K.; Bouchard, L.; 하이, 케이; Silovsky, J.; 타파, B.; Valk, CV RF 송신기 식별에 대한 기계 학습 접근 방식. IEEE J. 라디오 주파수. 식별하다. 2018, 2, 197–205.

14. 자파리, H.; 오모테레, O.; 아데시나, D.; 우, H.; Qian, L. 딥 러닝을 이용한 IoT 장치 핑거프린팅. MILCOM 2018-2018 IEEE 군사 통신 회의(MILCOM) 절차, 미국 캘리포니아주 로스앤젤레스, 2018년 10월 29-31일; 1~9쪽.

15. 상인, K.; 레베이, S.; Stantchev, G.; Nousain, B. 인지 통신 네트워크에서 RF 장치 핑거프린팅을 위한 딥 러닝. IEEE J.Sel. 맨 위. 신호 프로세스. 2018, 12, 160–167.

16. Rajendran, S.; 미르트, W.; Giustiniano, D.; 대출 기관, V.; Pollin, S. 분산 저비용 스펙트럼 센서를 사용한 무선 신호 분류를 위한 딥 러닝 모델. IEEE 트랜스. 인지 공동. 네트워크 2018, 4, 433–445.

17. 딩, L.; 왕 S.; 왕, F.; Zhang, W. Convolutional Neural Networks를 통한 특정 이미터 식별. IEEE Commun. 레트 사람. 2018, 22, 2591–2594.

18. Masood, S.; 라이, A.; 아가왈, A.; 미네소타주 도자; Ahmad, M. 컨볼루션 신경망을 사용하여 운전자의 주의 산만 감지. 패턴 인식. 레트 사람. 2018, 139, 79–85.

19. 팬, Y.; Yang, S.; Peng, H.; 리, 티.; Wang, W. Deep Residual Networks 기반의 특정 이미 터 식별. IEEE 액세스 2019, 7, 54425–54434.

20. Qian, Y.; Qi, J.; 쿠아이, X.; 걸다.; Sun, H.; Hong, S. 자동 식별 시스템에서 다단계 희소 표현에 기반한 특정 방출기 식별. IEEE 트랜스. Inf. 법의학 보안. 2021, 16, 2872–2884.

21. Du, M.; 그는 X.; 카이, X.; Bi, D. 균형 잡힌 신경 구조 검색 및 특정 이미 터 식별에서의 응용. IEEE 트랜스. 신호 프로세스. 2021, 69, 5051–5065.

22. Huang, G.; Yuan, Y.; 왕, X.; Huang, Z. 비선형 동적 특성에 기반한 특정 이미터 식별. 할 수 있다. J.Electr. 컴퓨팅 공학 2016, 39, 34–41.

23. Huang, G.; Yuan, Y.; 왕, X.; Huang, Z. 다중 측정을 사용하는 통신 송신기에 대한 특정 방출기 식별. Wirel. 당. 공동. 2017, 94, 1523–1542.

24. Yuan, Y.; 황, ZT; 우, H.; Wang, X. Hilbert-Huang 변환 기반 시간-주파수-에너지 분포 기능을 기반으로 한 특정 이미 터 식별. IET 커먼. 2014, 8, 2404–2412.

25. Padilla, P.; 파딜라, J.; Valenzuela-Valdes, J. RF 지문 기반 무선 장치의 무선 주파수 식별. 전자. 레트 사람. 2013, 49, 1409–1410.

26. Hu, A. Wi-Fi 송신기 RF 지문의 프리앰블 기반 감지. 전자. 레트 사람. 2010, 46, 1165–1167.

27. 칸도르, A.; 코카바스, O.; Koushanfar, F. 무선 장치를 위한 견고하고 안정적인 방사 지문. 2009년 하드웨어 지향 보안 및 신뢰에 관한 IEEE 국제 워크숍 진행, 미국 캘리포니아주 샌프란시스코, 2009년 7월 27~29일; 43~49쪽.

28. Dudczyk, J.; Kawalec, A. 데이터베이스에서 방출원 패턴의 빠른 결정 식별 알고리즘. 황소. 폴. Acad. 과학 기술. 과학. 2015, 63, 385–389.

29. Kawalec, A.; 라파키, T.; Wnuczek, S.; Dudczyk, J.; Owczarek, R. 인트라펄스 데이터 및 이미 터 소스 인식에 대한 복사 방출에 기반한 혼합 방법. In Proceedings of the 2006 International Conference on Microwaves, Radar Wireless Communications, 폴란드 크라쿠프, 2006년 5월 22-24일; 487~490쪽.

30. 데머스, F.; St-Hilaire, M. LTE 송신기의 라디오메트릭 식별. 2013 IEEE 글로벌 커뮤니케이션 컨퍼런스(GLOBECOM) 절차, 미국 조지아주 애틀랜타, 2013년 12월 9-13일; 4116~4121쪽.

31. Tan, K.; Yan, W.; 장, L.; Tang, M.; Zhang, Y. 소프트웨어 정의 라디오 및 결정 융합에 기반한 특정 방출기 식별. IEEE 액세스 2021, 9, 86217–86229.

32. Jana, S.; Kasera, SK On 클록 스큐를 사용하여 승인되지 않은 무선 액세스 포인트를 빠르고 정확하게 감지합니다. IEEE 트랜스. 무리. 컴퓨팅 2009, 9, 449–462.

33. 코닝, M.; Potgieter, F. 특정 방출기 식별을 위해 측정된 레이더 데이터 분석. 2010 IEEE Radar Conference 절차, 미국 워싱턴 DC, 2010년 5월 10-14일; 35~38쪽.

34. 폴락, AC; Goeckel, RF 발진기 결함에 기반한 DL 무선 장치 식별. IEEE 트랜스. Inf. 법의학 보안. 2015, 10, 2492–2501.

35. 폴락, AC; Goeckel, DL 인공 왜곡으로 자신의 신원을 적극적으로 마스킹하는 사용자의 RF 핑거프린팅. 2011년 11월 6-9일 미국 캘리포니아 주 퍼시픽 그로브에서 신호, 시스템 및 컴퓨터(ASILOMAR)에 관한 45차 Asilomar 회의의 2011년 회의 기록 회의록; 270~274쪽.

36. 리우, MW; Doherty, JF 비선형 장치 추정을 사용한 특정 이미터 식별. 2008 IEEE Sarnoff 심포지엄 절차, 미국 뉴저지주 프린스턴, 2008년 4월 28-30일; 1~5쪽.

37. Li, Y.; 첸, X.; Lin, Y.; Srivastava, G.; Liu, S. 장치 결함에 기반한 무선 송신기 식별. IEEE 액세스 2020, 8, 59305–59314.

38. Dolatshahi, S.; 폴락, A.; Goeckel, DL 전력 증폭기 결함을 통한 무선 사용자 식별. 신호, 시스템 및 컴퓨터에 관한 44차 Asilomar 회의의 2010년 회의 기록 회의록, 미국 캘리포니아주 퍼시픽 그로브, 2010년 11월 7-10일; 1553~1557쪽.

39. 다고스티노, S.; Foglia, G.; Pistoia, D. 특정 방사체 식별: 실제 레이더 신호 데이터에 대한 분석. 2009년 유럽 레이더 회의(EuRAD) 절차, 이탈리아 로마, 2009년 9월 30일~10월 2일; 242~245쪽.

40. Guo, S.; 화이트, RE; Low, M. 신호 과도 현상에 기반한 레이더 이미터 식별 비교 연구. 2018 IEEE Radar Conference(RadarConf18) 절차, 미국 오클라호마시티, 2018년 4월 23~27일; 286~291쪽.

41. 탈보트, KI; 덜리, PR; Hyatt, MH 특정 방출기 식별 및 확인. 기술. 2003, 113, 113–133.

42. Dragomiretskiy, K.; Zosso, D. 변형 모드 분해. IEEE 트랜스. 신호 프로세스. 2013, 62, 531–544.

43. Chang, CI OSP(Orthogonal Subspace Projection) 재검토: 포괄적인 연구 및 분석. IEEE 트랜스. 지리학. Remote Sens. 2005, 43, 502–518. ): 미국 워싱턴주 리치랜드, 2007년.

45. 메이어, R.; 부콜츠, F.; Scribner, D. 다중 시간 하이퍼스펙트럼 및 다중 스펙트럼 이미지에서 대상 서명을 변환하기 위해 미백/백화 제거를 사용하여 개체 감지. 지리학. 원격 감지 IEEE Trans. 2003, 41, 1136–1142.

46. ​​케시, A.; Lewin, A.; Strimmer, K. 최적의 미백 및 상관 관계. 오전. 통계 2018, 72, 309–314.

47. 벨, AJ; Sejnowski, TJ 자연 장면의 "독립 구성 요소"는 에지 필터입니다. 비스. 해상도 1997, 37, 3327–3338.

48. 스리바스타바, N.; 힌튼, G.; Krizhevsky, A.; Sutskever, I.; Salakhutdinov, R. Dropout: 신경망의 과적합을 방지하는 간단한 방법입니다. J. 마하. 배우다. 해상도 2014, 15, 1929–1958.

49. Förstner, W.; Moonen, B. 공분산 행렬에 대한 메트릭. 측지학 - 3천년의 도전; 스프링거: 베를린/하이델베르크, 독일, 2003; 299~309쪽.

50. 쿨리스, B.; 메사추세츠 주 서스틱; Dhillon, IS Bregman Matrix Divergence를 사용한 하위 커널 학습. J. 마하. 배우다. 해상도 2009, 10, 341–376.

51. 헤르딘, M.; Czink, N.; Ozcelik, H.; Bonek, E. 비정적 MIMO 채널 평가를 위한 의미 있는 상관관계 매트릭스 거리. 2005년 IEEE 61차 차량 기술 컨퍼런스 절차, 스웨덴 스톡홀름, 2005년 5월 30일~6월 1일; 1권, 136-140쪽.

52. Kuncheva, LI 6가지 분류기 융합 전략에 대한 이론적 연구. IEEE 트랜스. 패턴 항문. 마하. 인텔. 2002, 24, 281–286.

53. 프로아키스, JG; Salehi, M. 디지털 커뮤니케이션; McGraw-Hill: 뉴욕, 뉴욕, 미국, 2008.

54. 애질런트 벡터 신호 발생기. 2021. (2021년 11월 26일 접속).

55. Viasat 향상된 대역폭 효율적인 SATCOM 모뎀. 2021. (2021년 11월 26일 접속).

56. 텔레다인 파라다이스 데이터콤. 2021. (2021년 11월 26일 접속).

57. 크라토스 RTSIM. 2021. (2021년 11월 26일 접속).

58. 에투스 USRP. 2021.

자세한 정보: david.deng@wecistanche.com WhatApp:86 13632399501