4. Résultats

Cistanchea pour fonction defavorisant la production de collagène, ce qui peut augmenter l'élasticité et l'éclat de la peau etaider à réparer les cellules cutanées endommagées. Cistanche Phényléthanol Glycosidesavoir un effet de régulation à la baisse significatif surtyrosinaseactivité, et l'effet sur la tyrosinase s'avère être une inhibition compétitive et réversible, ce qui peut fournir une base scientifique pour développer et utiliser les ingrédients blanchissants de Cistanche. Par conséquent, le cistanche a un rôle clé dansblanchiment de la peau. Ça peutinhiber la mélanineproduction pour réduire la décoloration et la matité; et favorisent la production de collagène pour améliorer l'élasticité et l'éclat de la peau. En raison de la reconnaissance généralisée de ces effets de cistanche, de nombreux produits de blanchiment de la peau ont commencé à infuser des ingrédients à base de plantes tels que Cistanche pour répondre à la demande des consommateurs, augmentant ainsi la valeur commerciale de Cistanche dansproduits de blanchiment de la peau. En résumé, le rôle du cistanche dans le blanchiment de la peau est crucial. C'estantioxydantL'effet et l'effet producteur de collagène peuvent réduire la décoloration et la matité, améliorer l'élasticité et l'éclat de la peau, et ainsi obtenir un effet blanchissant. De plus, la large application de Cistanche dans les produits de blanchiment de la peau démontre que son rôle dans la valeur commerciale ne peut être sous-estimé.

Cliquez sur Supplément Cistanche Tubulosa

Pour plus d'informations:

david.deng@wecistanche.com WhatApp :86 13632399501

Cette section met en œuvre l'identification radiométrique proposée à l'aide de données simulées et réelles. Tout d'abord, les données sont corrigées pour la fréquence de décalage et utilisées pour inverser le décalage de phase variant dans le temps. Deuxièmement, l'algorithme proposé qui est régi par la règle (6) est mis en œuvre en produisant des matrices de confusion.

4.1. Correction de la phase du signal et de la fréquence de décalage

Les données sont simulées pour un signal QPSK soumis à un décalage de fréquence d'oscillateur local. Le tableau 1 montre les paramètres de simulation.

La figure 5 montre le processus par lequel les valeurs de phase instantanées sont recueillies et utilisées dans l'étape d'ajustement du modèle. Cette étape peut également être expliquée comme l'échantillonnage de la courbe de phase. Les phases de symbole par bloc sont histogrammes suivies de l'ajustement d'un polynôme. Le pic du polynôme est ˆθk pour le kième bloc. Cette étape est répétée sur plusieurs blocs et est illustrée à la figure 5a–f. Les phases estimées { ˆθk, k=1, 2, . . . , M} définissent la trajectoire de phase linéaire dont la pente détermine fd. La figure 6 est l'ajustement des moindres carrés du modèle de phase aux données. Les figures 6a et b correspondent respectivement à SNR=20 dB et 10 dB. La figure 6c illustre qu'une trajectoire de phase non linéaire peut également être modélisée et suivie. Les estimations f ˆ d=0.0505 Hz et f ˆ d=0.0455 Hz à SNR=20 dB et 10 dB, respectivement. La vraie fréquence de décalage est de 0,05 Hz.

Les symboles tournent de 2π fdT radians sur la longueur d'un bloc. Cette rotation doit être limitée à une petite fraction du quadrant auquel appartiennent les symboles. Par exemple, en QPSK, chaque quadrant est de π/2 radians. La longueur de bloc appropriée est guidée par la modalité des histogrammes de phase. Un histogramme de phase unimodal avec un pic distinct indique que les variations de phase restent proches de la valeur nominale, figure 7a. Pour un grand 2π fdT, soit en raison d'un grand fd ou d'une longue longueur de bloc T, l'histogramme devient multimodal sans pics distincts, figure 7b. Un autre inconvénient du grand fdT est l'ambiguïté de phase 2π où les symboles se déplacent autour du cercle sur plusieurs périodes.

4.2. Identification radiométrique

Nous appliquons maintenant la méthode d'identification radiométrique proposée aux signaux générés par les générateurs de formes d'onde ou standards suivants : Agilent [54], Viasat EBEM [55], Teledyne Paradise [56], KRATOS Real-Time Channel Simulator (RTsim) [57], et USRP [58]. Les données ont une modulation QPSK échantillonnée à 2,95 MHz pour un total de 35 millions de symboles par modèle. Les figures 8a et b montrent des constellations de signaux qui sont affectées par des quantités variables de maculage. La figure 8b est un cas particulièrement grave en raison du grand produit fdT provoquant la rotation de symboles potentiellement multiples de 2π. Suite à l'estimation de fdT et à la dérotation des symboles, la constellation d'origine est restaurée sur la figure 8c. La figure 9 est un gros plan de six constellations après suppression de tous les décalages de phase et de fréquence. La tâche consiste maintenant à attribuer les signaux à des sources individuelles. Compte tenu de la similitude des constellations dans la structure et les caractéristiques, il est clair que l'identification radiométrique est un problème beaucoup plus difficile que la classification conventionnelle des signaux basée sur les informations de modulation.

4.3. Matrices de confusion de classe

La formation du classificateur implique le calcul de 5 matrices de blanchiment appariées, Wi, i=1, 2, . . . , 5. Les données consistent en 35 millions de symboles extraits de signaux modulés QPSK provenant de cinq radios différentes. L'ensemble d'apprentissage se compose de 5 × 105 symboles, soit environ 1,4 % du total des données. Le classificateur de vote majoritaire a besoin d'un schéma de vote. Les votes sont générés en divisant les données en 72 blocs de 5 × 105 échantillons chacun. Chaque bloc génère un vote qui est ensuite tabulé sur toute la longueur du signal. Les blocs de test sont tirés d'une source "inconnue", corrompue par un bruit gaussien, et projetés de manière répétée sur des matrices de blanchiment correspondant à chaque source. La distance de Förstner-Moonen est utilisée pour calculer la fonction de mode dans (6) conduisant à la compilation des matrices de confusion.

Avant de créer les matrices de confusion, le comportement de la mesure de distance de Förstner-Moonen doit être étudié. Selon (3), à mesure que le processus est de plus en plus blanchi, la distance de Förstner-Moonen entre la matrice de covariance blanchie et la matrice d'identité se rétrécit. La distance minimale théorique est nulle pour le bruit blanc. Pour tester ce comportement, deux variables aléatoires avec des coefficients de corrélation ajustables sont créées et placées dans une matrice à deux colonnes. La covariance de cette matrice est calculée en fonction des valeurs de corrélation et la distance de Förstner-Moonen correspondante est tracée. Les résultats sont représentés graphiquement sur la figure 3. Comme le montre la figure 3a, la distance est une fonction croissante de la corrélation, reflétant que la matrice de covariance s'éloigne de celle d'un processus de bruit blanc pour une corrélation croissante. C'est prévu. La deuxième propriété de la mesure de Förstner-Moonen est que les données inconnues sont plus proches d'un processus de bruit blanc lorsqu'elles sont blanchies par sa transformation de blanchiment que de toute autre, d'où un blanchiment assorti. Pour montrer cette propriété, les données d'Agilent sont blanchies par sa matrice de blanchiment puis par la matrice de blanchiment de Viasat EBEM. Les calculs de distance sont effectués sur 40 blocs de données et tracés à la figure 3b. Ce qui ressort, c'est que la distance Förstner-Moonen pour les données Agilent est presque toujours inférieure à celle lorsque la matrice de blanchiment Viasat EBEM est utilisée. Ce comportement est attendu, ce qui signifie qu'une décision correcte est prise chaque fois que cela se produit. Ce comptage est essentiellement la base pour remplir les matrices de confusion sur toutes les sources.

Suite aux observations ci-dessus, les matrices de confusion correspondantes peuvent maintenant être calculées et sont présentées dans le tableau 2. Les nombres indiquent le pourcentage de votes corrects exprimés pour chaque source sur 72 images des données de test. Notez que le classificateur de mode dans (6) recherche une pluralité de votes pour choisir un gagnant. C'est un système de vote difficile. Par exemple, Paradise n'a reçu que 77,1% des voix, mais le signal inconnu est toujours correctement classé comme Paradise. Par conséquent, le tableau 2 indique une classification correcte à 100 %. Les matrices de confusion peuvent également être utilisées dans un système de vote souple en conservant les pourcentages de vote réels.

Ensuite, nous étudions l'impact des ensembles de données plus petits et du bruit ajouté au-delà de ce qui est déjà dans les données. La taille totale de l'échantillon est désormais de 107, qui sont divisés en blocs d'un quart de million d'échantillons chacun se traduisant par moins de 100 ms. Cette longueur génère 40 blocs qui sont utilisés pour obtenir des statistiques de classification sous forme de matrices de confusion. Le tableau 3 montre les résultats @ SNR=15 dB bruit gaussien ajouté. C'est au-delà de ce qui est déjà dans les données. Toutes les sources sont identifiées correctement à l'exception de KRATOS RTSim qui est identifié comme Teledyne Paradise. Même dans ce cas, la différence de 2,5 % se situe bien dans les variations statistiques de la série. Le pourcentage de numéros de classement corrects pour chaque source montre une forte baisse par rapport au tableau 2, mais le système de vote à la majorité prend toujours la bonne décision, bien qu'avec une marge réduite. Par exemple, les données Agilent ne sont correctement associées à Agilent que 30 % du temps, mais c'est toujours plus que toutes les autres. Les tableaux 4 et 5 répètent le processus pour SNR=5 dB et 0 dB. Même si les taux et les marges sont plus faibles, le système de vote à la majorité choisit toujours la bonne classe. Lorsque les marges sont faibles, la variabilité statistique joue un rôle dans l'identification correcte de la source. Notez que la grande marge d'USRP dans le tableau 2 l'aide en grande partie à maintenir une identification correcte même à 5 dB SNR dans le tableau 4. Pour montrer à quel point la situation est grave, la figure 10 montre la constellation en SNR=5 bruit dB. L'absence de caractéristiques d'identification est évidente partout. Notez que RTSim et Paradise sont liés. Cette difficulté est bien sûr également reflétée dans le tableau 4, mais une identification correcte est toujours possible. Quatre sources sur cinq sont correctement identifiées et la cinquième est à égalité. Le tableau 5 est le cas extrême de SNR=0 dB. EBEM et Paradise sont toujours correctement identifiés.

4.4. Comparaisons

Une comparaison complète de SVM, CNN et D(eep)NN est rapportée pour six radios dans [13]. Les taux de classification corrects sont de 44,8 % (SVM), 82,4 % (CNN) et 71,9 % (DNN). Cependant, en l'absence de repères acceptés pour l'identification radiométrique, qui n'existent pas, les comparaisons numériques pures ne sont pas concluantes. Des facteurs tels que la complexité de l'algorithme, la vitesse de traitement, la taille des données d'apprentissage et d'autres hypothèses sont pris en compte, et la comparaison est difficile. Même le choix des radios ou des protocoles n'est pas courant. La taille de l'échantillon d'apprentissage rapportée dans [13] est de 10 % alors qu'elle est de 1,4 % ici. Plus important encore, aucune étape de récupération des porteurs n'a été signalée. En supposant un alignement parfait de la phase et de la fréquence au niveau de l'oscillateur local, aucune atténuation du maculage de constellation du type rapporté ici n'a été effectuée. C'est une omission importante. Il n'y a pas non plus de bruit dans le système. La gestion de la haute dimensionnalité est un autre facteur. La transformation de blanchiment est sans caractéristiques, contournant ainsi la réduction de dimensionnalité alors que les vecteurs de caractéristiques extraits dans [10] ont 960 dimensions. L'empreinte digitale des appareils RF dans les réseaux cognitifs Zigbee montre une bonne précision (≈90%) mais à un SNR élevé (supérieur ou égal à 20 dB) [15]. Dans [19], les données d'entrée sont prétraitées en tant qu'images en niveaux de gris du spectre de Hilbert et atteignent une précision acceptable sous des niveaux de SNR modérés (taux de précision moyen de 70 % pour un SNR de 15 dB).

5. Conclusions

Les références

1. Nandi, AK ; Azzouz, EE Algorithmes de reconnaissance automatique de la modulation des signaux de communication. IEEE Trans. Commun. 1998, 46, 431–436.

2. Phukan, GJ ; Bora, PK Estimation des paramètres pour la classification aveugle des modulations numériques. Processus de signal IET. 2016, 10, 758–769.

3. Ata'a, AW; Abdullah, SN Désentrelacement des signaux radar et algorithmes d'identification PRF. IET Radar Sonar Navig. 2007, 1, 340–347.

4. Gok, G. ; Alp, YK ; Arikan, O. Une nouvelle méthode d'identification d'émetteur spécifique avec des résultats sur des mesures radar réelles. IEEE Trans. Inf. Sécurité médico-légale. 2020, 15, 3335–3346.

5. Sa, K. ; Lang, D.; Wang, C.; Bai, Y. Techniques spécifiques d'identification des émetteurs pour l'Internet des objets. Accès IEEE 2020, 8, 1644–1652.

6. Wu, H. ; Wang, W. Une méthode de détection de sécurité collaborative basée sur la théorie des jeux pour les systèmes de l'Internet des objets. IEEE Trans. Inf. Sécurité médico-légale. 2018, 13, 1432-1445.

7. Padilla, J. ; Padilla, P.; Valenzuela-Valdés, J.; Ramírez, J.; Górriz, J. Mesures d'empreintes digitales RF pour identifier les appareils dans les réseaux de communication sans fil en fonction de la réduction des fonctionnalités et de la transformation du sous-espace. Mesure 2014, 58, 468–475.

8. Bihl, TJ; Bauer, KW; Temple, MA Sélection de fonctionnalités pour l'empreinte RF avec analyse discriminante multiple et utilisation des émissions de dispositifs ZigBee. IEEE Trans. Inf. Sécurité médico-légale. 2016, 11, 1862–1874.

9. Xu, S.; Huang, B.; Xu, L.; Xu, Z. Classification des émetteurs radio à l'aide d'une nouvelle méthode d'analyse des caractéristiques parasites combinée à l'ACP. Dans Actes de la MILCOM 2007-Conférence sur les communications militaires de l'IEEE, Orlando, Floride, États-Unis, 29-31 octobre 2007 ; p. 1–5.

10. Jia, Y. ; Ma, J.; Gan, L. Optimisation combinée de la réduction des caractéristiques et de la classification pour l'identification radiométrique. Processus de signal IEEE. Lett. 2017, 24, 584–588.

11. Danev, B. ; Capkun, S. Identification basée sur les transitoires des nœuds de capteurs sans fil. Dans Actes de la Conférence internationale 2009 sur le traitement de l'information dans les réseaux de capteurs, San Francisco, Californie, États-Unis, 13-16 avril 2009 ; p. 25–36.

12. Kennedy, IO ; Scanlon, P.; Mullany, FJ; Buddhikot, MM; Nolan, KE; Rondeau, TW Radio Transmitter Fingerprinting: A Steady State Frequency Domain Approach. Dans Actes de la 68e Conférence sur la technologie des véhicules de l'IEEE 2008, Calgary, AB, Canada, 21-24 septembre 2008 ; p. 1–5.

13. Youssef, K. ; Bouchard, L.; Haigh, K.; Silovsky, J.; Thapa, B.; Valk, CV Approche d'apprentissage automatique pour l'identification des émetteurs RF. IEEE J. Fréquence radio. Identité. 2018, 2, 197–205.

14. Jafari, H. ; Omotere, O.; Adesina, D.; Wu, H.; Qian, L. Empreintes digitales des appareils IoT à l'aide de l'apprentissage en profondeur. Dans Actes de la MILCOM 2018—2018 IEEE Military Communications Conference (MILCOM), Los Angeles, Californie, États-Unis, 29-31 octobre 2018 ; p. 1–9.

15. Marchand, K. ; Revay, S.; Stantchev, G.; Nousain, B. Deep Learning pour l'empreinte digitale des appareils RF dans les réseaux de communication cognitive. IEEE J. Sel. Haut. Processus de signalisation. 2018, 12, 160–167.

16. Rajendran, S. ; Meert, W.; Giustiniano, D.; Prêteurs, V. ; Pollin, S. Modèles d'apprentissage en profondeur pour la classification des signaux sans fil avec des capteurs de spectre distribués à faible coût. IEEE Trans. Conn. Commun. Réseau 2018, 4, 433–445.

17. Ding, L. ; Wang, S.; Wang, F.; Zhang, W. Identification d'émetteur spécifique via des réseaux de neurones convolutifs. IEEE commun. Lett. 2018, 22, 2591-2594.

18. Masood, S.; Rai, A.; Aggarwal, A.; Doja, MN ; Ahmad, M. Détection de la distraction des conducteurs à l'aide d'un réseau neuronal convolutif. Reconnaissance de modèle. Lett. 2018, 139, 79–85.

19. Pan, Y. ; Yang, S.; Peng, H.; Li, T.; Wang, W. Identification d'émetteur spécifique basée sur des réseaux résiduels profonds. Accès IEEE 2019, 7, 54425–54434.

20. Qian, Y. ; Qi, J.; Kuai, X.; Accrocher.; Soleil, H. ; Hong, S. Identification spécifique de l'émetteur basée sur la représentation clairsemée à plusieurs niveaux dans le système d'identification automatique. IEEE Trans. Inf. Sécurité médico-légale. 2021, 16, 2872–2884.

21. Du, M. ; Lui, X. ; Cai, X.; Bi, D. Recherche d'architecture neurale équilibrée et son application dans l'identification d'émetteurs spécifiques. IEEE Trans. Processus de signalisation. 2021, 69, 5051–5065.

22. Huang, G. ; Yuan, Y.; Wang, X.; Huang, Z. Identification d'émetteur spécifique basée sur des caractéristiques dynamiques non linéaires. Peut. J. Electr. Calcul. Ing. 2016, 39, 34–41.

23. Huang, G. ; Yuan, Y.; Wang, X.; Huang, Z. Identification spécifique de l'émetteur pour l'émetteur de communication utilisant plusieurs mesures. Wirel. Pers. Commun. 2017, 94, 1523-1542.

24. Yuan, Y. ; Huang, ZT; Wu, H.; Wang, X. Identification spécifique de l'émetteur basée sur les caractéristiques de distribution temps-fréquence-énergie basées sur la transformée de Hilbert-Huang. IET Commun. 2014, 8, 2404–2412.

25. Padilla, P. ; Padilla, J.; Valenzuela-Valdes, J. Identification par radiofréquence des appareils sans fil basée sur l'empreinte RF. Électron. Lett. 2013, 49, 1409-1410.

26. Hu, A. Détection basée sur le préambule des empreintes digitales RF de l'émetteur Wi-Fi. Électron. Lett. 2010, 46, 1165-1167.

27. Candore, A. ; Kocabas, O.; Koushanfar, F. Empreinte radiométrique stable et robuste pour les appareils sans fil. Dans Actes de l'atelier international IEEE 2009 sur la sécurité et la confiance orientées matériel, San Francisco, Californie, États-Unis, 27-29 juillet 2009 ; p. 43–49.

28. Dudczyk, J.; Kawalec, A. Algorithme d'identification à décision rapide du modèle de source d'émission dans la base de données. Taureau. Pol. Acad. Sci.-Tech. Sci. 2015, 63, 385–389.

29. Kawalec, A.; Rapacki, T.; Wnuczek, S.; Dudczyk, J.; Owczarek, R. Méthode mixte basée sur les données intrapulse et la reconnaissance des émissions rayonnées vers les sources émettrices. Dans Actes de la Conférence internationale 2006 sur les micro-ondes, Radar Wireless Communications, Cracovie, Pologne, 22-24 mai 2006 ; p. 487–490.

30. Demers, F. ; St-Hilaire, M. Identification radiométrique des émetteurs LTE. Dans Actes de la Conférence mondiale sur les communications de l'IEEE 2013 (GLOBECOM), Atlanta, Géorgie, États-Unis, 9-13 décembre 2013 ; pages 4116–4121.

31. Tan, K. ; Yan, W.; Zhang, L.; Tang, M.; Zhang, Y. Identification d'émetteur spécifique basée sur la radio définie par logiciel et la fusion de décision. Accès IEEE 2021, 9, 86217–86229.

32. Jana, S.; Kasera, SK Sur la détection rapide et précise des points d'accès sans fil non autorisés à l'aide des décalages d'horloge. IEEE Trans. Foule. Calcul. 2009, 9, 449–462.

33. Conning, M. ; Potgieter, F. Analyse des données radar mesurées pour l'identification spécifique de l'émetteur. Dans Actes de la conférence IEEE Radar 2010, Washington, DC, États-Unis, 10-14 mai 2010 ; p. 35–38.

34. Polak, AC ; Goeckel, DL Identification des appareils sans fil basée sur les imperfections de l'oscillateur RF. IEEE Trans. Inf. Sécurité médico-légale. 2015, 10, 2492-2501.

35. Polak, AC ; Goeckel, DL Empreinte RF des utilisateurs qui masquent activement leur identité avec une distorsion artificielle. Dans Actes du compte rendu de la conférence 2011 de la quarante-cinquième conférence d'Asilomar sur les signaux, les systèmes et les ordinateurs (ASILOMAR), Pacific Grove, Californie, États-Unis, 6-9 novembre 2011 ; p. 270–274.

36. Liu, MW ; Doherty, JF Identification d'émetteur spécifique à l'aide d'une estimation de dispositif non linéaire. Dans Actes du Symposium IEEE Sarnoff 2008, Princeton, NJ, États-Unis, 28–30 avril 2008 ; p. 1–5.

37. Li, Y. ; Chen, X.; Lin, Y.; Srivastava, G.; Liu, S. Identification de l'émetteur sans fil basée sur les imperfections de l'appareil. Accès IEEE 2020, 8, 59305–59314.

38. Dolatshahi, S.; Polak, A.; Goeckel, DL Identification des utilisateurs sans fil via les imperfections de l'amplificateur de puissance. Dans Actes du compte rendu de la conférence 2010 de la quarante-quatrième conférence d'Asilomar sur les signaux, les systèmes et les ordinateurs, Pacific Grove, Californie, États-Unis, 7-10 novembre 2010 ; pp. 1553–1557.

39. D'Agostino, S.; Foglia, G.; Pistoia, D. Identification spécifique des émetteurs : Analyse sur des données de signaux radar réels. Dans Actes de la Conférence européenne sur les radars 2009 (EuRAD), Rome, Italie, 30 septembre-2 octobre 2009 ; p. 242–245.

40. Guo, S. ; Blanc, RE ; Low, M. Une étude comparative de l'identification des émetteurs radar basée sur les transitoires de signal. Dans Actes de la conférence IEEE Radar 2018 (RadarConf18), Oklahoma City, OK, États-Unis, 23-27 avril 2018 ; p. 286–291.

41. Talbot, KI ; Duley, PR ; Hyatt, MH Identification et vérification spécifiques des émetteurs. Technol. Rév. 2003, 113, 113–133.

42. Dragomiretsky, K. ; Zosso, D. Décomposition en mode variationnel. IEEE Trans. Processus de signalisation. 2013, 62, 531–544.

43. Chang, CI Projection orthogonale du sous-espace (OSP) revisitée : une étude et une analyse approfondies. IEEE Trans. Géosci. Remote Sens. 2005, 43, 502–518. ): Richland, WA, États-Unis, 2007.

45. Mayer, R. ; Bucholtz, F.; Scribner, D. Détection d'objets en utilisant le blanchiment/déblanchiment pour transformer les signatures cibles en imagerie hyperspectrale et multispectrale multitemporelle. Géosci. Télédétection IEEE Trans. 2003, 41, 1136-1142.

46. ​​Kessy, A.; Lewin, A.; Strimmer, K. Blanchiment optimal et décorrélation. Suis. Statistique 2018, 72, 309–314.

47. Cloche, AJ ; Sejnowski, TJ Les "composants indépendants" des scènes naturelles sont les filtres de contour. Vis. Rés. 1997, 37, 3327-3338.

48. Srivastava, N. ; Hinton, G.; Krizhevsky, A.; Sutskever, I. ; Salakhutdinov, R. Dropout : Un moyen simple d'empêcher les réseaux de neurones de se suradapter. J.Mach. Apprendre. Rés. 2014, 15, 1929–1958.

49. Förstner, W.; Moonen, B. Une métrique pour les matrices de covariance. Dans Géodésie - Le défi du 3e millénaire ; Springer : Berlin/Heidelberg, Allemagne, 2003 ; pages 299–309.

50. Kulis, B. ; Sustik, MA; Dhillon, IS Apprentissage du noyau de bas rang avec les divergences de la matrice de Bregman. J.Mach. Apprendre. Rés. 2009, 10, 341–376.

51. Herdin, M. ; Czink, N.; Ozcelik, H.; Bonek, E. Distance de la matrice de corrélation, une mesure significative pour l'évaluation des canaux MIMO non stationnaires. Dans Actes de la 61e Conférence sur la technologie des véhicules de l'IEEE 2005, Stockholm, Suède, 30 mai-1er juin 2005 ; Volume 1, p. 136–140.

52. Kuncheva, LI Une étude théorique sur six stratégies de fusion de classificateurs. IEEE Trans. Modèle Anal. Mach. Renseignement. 2002, 24, 281-286.

53. Proakis, JG ; Salehi, M. Communications numériques ; McGraw-Hill : New York, NY, États-Unis, 2008.

54. Générateur de signaux vectoriels Agilent. 2021. (consulté le 26 novembre 2021).

55. Modem SATCOM à bande passante améliorée Viasat. 2021. (consulté le 26 novembre 2021).

56. Teledyne Paradise Datacom. 2021. (consulté le 26 novembre 2021).

57. Kratos RTSIM. 2021. (consulté le 26 novembre 2021).

58. Ettus USRP. 2021.

Pour plus d'informations : david.deng@wecistanche.com WhatApp :86 13632399501