4. Resultados

Cistanchetiene la función depromover la producción de colágeno, que puede aumentar la elasticidad y el brillo de la piel yayudar a reparar las células dañadas de la piel. Cistanche Feniletanol Glucósidostienen un efecto regulador negativo significativo sobretirosinasaactividad, y el efecto sobre la tirosinasa se muestra como una inhibición competitiva y reversible, lo que puede proporcionar una base científica para desarrollar y utilizar los ingredientes blanqueadores en Cistanche. Por lo tanto, la cistanche tiene un papel clave enblanqueamiento de la piel. Puedeinhibir la melaninaproducción para reducir la decoloración y la falta de brillo; y promover la producción de colágeno para mejorar la elasticidad y el brillo de la piel. Debido al reconocimiento generalizado de estos efectos de la cistanche, muchos productos para blanquear la piel han comenzado a infundir ingredientes herbales como la cistanche para satisfacer la demanda de los consumidores, aumentando así el valor comercial de la cistanche enproductos para blanquear la piel. En resumen, el papel de la cistanche en el blanqueamiento de la piel es crucial. EsantioxidanteEl efecto y el efecto productor de colágeno pueden reducir la decoloración y la falta de brillo, mejorar la elasticidad y el brillo de la piel y, por lo tanto, lograr un efecto blanqueador. Además, la amplia aplicación de Cistanche en productos para blanquear la piel demuestra que no se puede subestimar su papel en el valor comercial.

Haga clic en Cistanche Tubulosa Suplemento

Para más información:

david.deng@wecistanche.com WhatsApp:86 13632399501

Esta sección implementa la identificación radiométrica propuesta usando datos reales y simulados. En primer lugar, los datos se corrigen para la frecuencia de desplazamiento y se utilizan para invertir el desplazamiento de fase variable en el tiempo. En segundo lugar, se implementa el algoritmo propuesto que se rige por la regla (6) produciendo matrices de confusión.

4.1. Corrección de fase de señal y frecuencia compensada

Los datos se simulan para una señal QPSK sujeta a la compensación de frecuencia del oscilador local. La Tabla 1 muestra los parámetros de simulación.

La figura 5 muestra el proceso mediante el cual se recopilan y utilizan valores de fase instantáneos en el paso de ajuste del modelo. Este paso también se puede explicar como el muestreo de la curva de fase. Las fases del símbolo por bloque se histograman y luego se ajusta un polinomio. El pico del polinomio es ˆθk para el k-ésimo bloque. Este paso se repite en múltiples bloques y se muestra en la Figura 5a–f. Las fases estimadas { ˆθk, k=1, 2, . . . , M} definen la trayectoria de fase lineal cuya pendiente determina fd. La figura 6 es el ajuste de mínimos cuadrados del modelo de fase a los datos. Las figuras 6a yb corresponden a SNR=20 dB y 10 dB, respectivamente. La figura 6c ilustra que también se puede modelar y rastrear una trayectoria de fase no lineal. La f ˆ d=0.0505 Hz y f ˆ d=0.0455 Hz estimadas en SNR=20 dB y 10 dB, respectivamente. La verdadera frecuencia de compensación es de 0,05 Hz.

Los símbolos giran 2π fdT radianes a lo largo de un bloque. Esta rotación debe mantenerse en una pequeña fracción del cuadrante al que pertenecen los símbolos. Por ejemplo, en QPSK, cada cuadrante es π/2 radianes. La longitud adecuada del bloque se guía por la modalidad de los histogramas de fase. Un histograma de fase unimodal con un pico distinto indica que las variaciones de fase permanecen cerca del valor nominal, Figura 7a. Para 2π fdT grande, ya sea debido a una fd grande o a una longitud de bloque larga T, el histograma se vuelve multimodal sin picos definidos, Figura 7b. Otra desventaja de fdT grande es la ambigüedad de fase 2π donde los símbolos se mueven alrededor del círculo en múltiples períodos.

4.2. Identificación radiométrica

Ahora aplicamos el método de identificación radiométrica propuesto a las señales generadas por los siguientes generadores de forma de onda o estándares: Agilent [54], Viasat EBEM [55], Teledyne Paradise [56], KRATOS Real-Time Channel Simulator (RTsim) [57], y USRP [58]. Los datos tienen modulación QPSK muestreada a 2,95 MHz para un total de 35 millones de símbolos por modelo. Las Figuras 8a yb muestran constelaciones de señales que se ven afectadas por cantidades variables de smearing. La Figura 8b es un caso particularmente grave debido al gran producto fdT que hace que los símbolos giren potencialmente en múltiplos de 2π. Después de la estimación de fdT y la desrotación de los símbolos, la constelación original se restaura en la Figura 8c. La figura 9 es un primer plano de seis constelaciones después de eliminar todas las compensaciones de fase y frecuencia. La tarea ahora es atribuir las señales a fuentes individuales. Dada la similitud de las constelaciones en estructura y características, está claro que la identificación radiométrica es un problema mucho más desafiante que la clasificación de señales convencional basada en información de modulación.

4.3. Matrices de confusión de clases

El entrenamiento del clasificador implica el cálculo de 5 matrices de blanqueamiento combinadas, Wi, i=1, 2, . . . , 5. Los datos consisten en 35 millones de símbolos tomados de señales moduladas por QPSK que se originan en cinco radios diferentes. El conjunto de entrenamiento consta de 5 × 105 símbolos, que es aproximadamente el 1,4 por ciento de los datos totales. El clasificador de Voto Mayoritario necesita un esquema de votación. Los votos se generan dividiendo los datos en 72 bloques de 5 × 105 muestras cada uno. Cada bloque genera un voto que luego se tabula a lo largo de toda la señal. Los bloques de prueba se extraen de una fuente "desconocida", se corrompen con ruido gaussiano y se proyectan repetidamente en matrices de blanqueamiento correspondientes a cada fuente. La distancia de Förstner-Moonen se usa para calcular la función de modo en (6) que conduce a la compilación de las matrices de confusión.

Antes de crear las matrices de confusión, se debe estudiar el comportamiento de la medida de distancia de Förstner-Moonen. Según (3), a medida que el proceso se blanquea cada vez más, la distancia de Förstner-Moonen entre la matriz de covarianza blanqueada y la matriz de identidad se estrecha. La distancia mínima teórica es cero para el ruido blanco. Para comprobar este comportamiento, se crean dos variables aleatorias con coeficientes de correlación ajustables y se colocan en una matriz de dos columnas. La covarianza de esta matriz se calcula en función de los valores de correlación y se traza la distancia de Förstner-Moonen correspondiente. Los resultados se representan en la Figura 3. Como muestra la Figura 3a, la distancia es una función creciente de la correlación, lo que refleja que la matriz de covarianza se está alejando de la de un proceso de ruido blanco para una correlación creciente. Esto se espera. La segunda propiedad de la medida de Förstner-Moonen es que los datos desconocidos están más cerca de un proceso de ruido blanco cuando se blanquean por su transformación de blanqueamiento que cualquier otro, por lo tanto, el blanqueamiento combinado. Para mostrar esta propiedad, los datos de Agilent se blanquean con su matriz de blanqueamiento y luego con la matriz de blanqueamiento de Viasat EBEM. Los cálculos de distancia se realizan sobre 40 bloques de datos y se representan en la Figura 3b. Lo que destaca es que la distancia de Förstner-Moonen para los datos de Agilent es casi siempre menor que cuando se utiliza la matriz de blanqueamiento Viasat EBEM. Este comportamiento es el esperado, lo que significa que se toma una decisión correcta cada vez que sucede. Este conteo es esencialmente la base para poblar las matrices de confusión sobre todas las fuentes.

Siguiendo las observaciones anteriores, ahora se pueden calcular las matrices de confusión correspondientes y se muestran en la Tabla 2. Los números indican el porcentaje de votos correctos emitidos para cada fuente en 72 marcos de los datos de prueba. Tenga en cuenta que el clasificador de modo en (6) busca una pluralidad de votos para elegir un ganador. Es un esquema de votación difícil. Por ejemplo, Paradise recibió solo el 77,1 por ciento de los votos, pero la señal desconocida aún se clasifica correctamente como Paradise. Por lo tanto, la Tabla 2 indica una clasificación 100 por ciento correcta. Las matrices de confusión también se pueden usar en un esquema de votación suave manteniendo los porcentajes de voto reales.

A continuación, investigamos el impacto de conjuntos de datos más pequeños y el ruido agregado más allá de lo que ya está en los datos. El tamaño total de la muestra ahora es 107, que se dividen en bloques de un cuarto de millón de muestras, cada una de las cuales se traduce en menos de 100 mseg. Esta longitud genera 40 bloques que se utilizan para obtener estadísticas de clasificación en forma de matrices de confusión. La Tabla 3 muestra los resultados @ SNR=15 dB de ruido gaussiano añadido. Esto está por encima y más allá de lo que ya está en los datos. Todas las fuentes se identifican correctamente, excepto KRATOS RTSim, que se identifica como Teledyne Paradise. Incluso entonces, la diferencia del 2,5 por ciento está dentro de las variaciones estadísticas de la ejecución. Los números de clasificación correctos porcentuales para cada fuente muestran una gran caída en comparación con la Tabla 2, pero el esquema de votación por mayoría todavía toma la decisión correcta, aunque con un margen reducido. Por ejemplo, los datos de Agilent se asocian correctamente con Agilent solo el 30 por ciento de las veces, pero aún así es más alto que cualquier otro. Las tablas 4 y 5 repiten el proceso para SNR=5 dB y 0 dB. Aunque las tasas y los márgenes son más bajos, el esquema de voto mayoritario aún elige la clase correcta. Cuando los márgenes son bajos, la variabilidad estadística juega un papel en la correcta identificación de la fuente. Tenga en cuenta que el gran margen de USRP en la Tabla 2 lo ayuda en gran medida a mantener una identificación correcta incluso con una SNR de 5 dB en la Tabla 4. Para mostrar cuán grave es la situación, la Figura 10 muestra la constelación en SNR=5 dB de ruido. La falta de rasgos identificativos es evidente en todo momento. Tenga en cuenta que RTSim y Paradise están empatados. Por supuesto, esta dificultad también se refleja en la Tabla 4, pero aún es posible una identificación correcta. Cuatro de cinco fuentes están correctamente identificadas y la quinta está ligada. La Tabla 5 es el caso extremo de SNR=0 dB. EBEM y Paradise todavía están correctamente identificados.

4.4. comparaciones

En [13] se informa una comparación completa de SVM, CNN y D(eep)NN para seis radios. Las tasas de clasificación correctas son 44,8 por ciento (SVM), 82,4 por ciento (CNN) y 71,9 por ciento (DNN). Sin embargo, en ausencia de puntos de referencia aceptados para la identificación radiométrica, que no existen, las comparaciones numéricas puras no son concluyentes. Se consideran factores como la complejidad del algoritmo, la velocidad de procesamiento, el tamaño de los datos de entrenamiento y otras suposiciones, y la comparación es difícil. Incluso la elección de radios o protocolos no es común. El tamaño de la muestra de entrenamiento informado en [13] es del 10 por ciento, mientras que aquí es del 1,4 por ciento. Más importante aún, no se informó ningún paso de recuperación del operador. Suponiendo una alineación perfecta de fase y frecuencia en el oscilador local, no se ha llevado a cabo ninguna mitigación para el smearing de la constelación del tipo informado aquí. Esta es una omisión significativa. Tampoco hay ruido en el sistema. Tratar con alta dimensionalidad es otro factor. La transformación de blanqueamiento no tiene características, por lo que pasa por alto la reducción de dimensionalidad, mientras que los vectores de características extraídos en [10] tienen 960 dimensiones. La toma de huellas dactilares de dispositivos de RF en las redes cognitivas Zigbee muestra una buena precisión (≈90 por ciento) pero con una SNR alta (mayor o igual a 20 dB) [15]. En [19], los datos de entrada se preprocesan como imágenes en escala de grises del espectro de Hilbert y logran una precisión aceptable en niveles de SNR moderados (tasa de precisión promedio del 70 por ciento para SNR de 15 dB).

5. Conclusiones

Referencias

1. Nandi, Alaska; Azzouz, EE Algoritmos para el reconocimiento de modulación automática de señales de comunicación. Trans. IEEE. común 1998, 46, 431–436.

2. Phukan, GJ; Bora, PK Estimación de parámetros para clasificación ciega de modulaciones digitales. Proceso de señal IET. 2016, 10, 758–769.

3. Ata'a, AW; Abdullah, SN Desentrelazado de señales de radar y algoritmos de identificación de PRF. Navegación por sonda de radar IET. 2007, 1, 340–347.

4. Gok, G.; Alpes, YK; Arikan, O. Un nuevo método para la identificación de emisores específicos con resultados en mediciones de radar reales. Trans. IEEE. información Seguridad Forense. 2020, 15, 3335–3346.

5. Sa, K.; Lang, D.; Wang, C.; Bai, Y. Técnicas de identificación de emisores específicos para Internet de las cosas. Acceso IEEE 2020, 8, 1644–1652.

6. Wu, H.; Wang, W. Un método de detección de seguridad colaborativo basado en la teoría de juegos para sistemas de Internet de las cosas. Trans. IEEE. información Seguridad Forense. 2018, 13, 1432–1445.

7. Padilla, J.; Padilla, P.; Valenzuela-Valdés, J.; Ramírez, J.; Górriz, J. Mediciones de huellas dactilares RF para identificar dispositivos en redes de comunicación inalámbrica basadas en reducción de características y transformación subespacial. Medida 2014, 58, 468–475.

8. Bihl, TJ; Bauer, KW; Temple, MA Selección de funciones para huellas dactilares de RF con análisis discriminante múltiple y uso de emisiones de dispositivos ZigBee. Trans. IEEE. información Seguridad Forense. 2016, 11, 1862–1874.

9. Xu, S.; Huang, B.; Xu, L.; Xu, Z. Clasificación de transmisores de radio utilizando un nuevo método de análisis de características dispersas combinado con PCA. En Actas de la Conferencia de Comunicaciones Militares MILCOM 2007-IEEE, Orlando, FL, EE. UU., 29–31 de octubre de 2007; págs. 1 a 5.

10. Jia, Y.; Ma, J.; Gan, L. Optimización combinada de reducción de características y clasificación para identificación radiométrica. Proceso de señal IEEE. Letón. 2017, 24, 584–588.

11. Danev, B.; Capkun, S. Identificación basada en transitorios de nodos de sensores inalámbricos. En Actas de la Conferencia Internacional sobre Procesamiento de Información en Redes de Sensores de 2009, San Francisco, CA, EE. UU., 13–16 de abril de 2009; págs. 25–36.

12. Kennedy, IO; Scanlon, P.; Mullany, FJ; Budhikot, MM; Nolan, KE; Rondeau, TW Huellas dactilares de transmisores de radio: un enfoque de dominio de frecuencia de estado estacionario. En Actas de la 68.ª Conferencia de tecnología vehicular de IEEE de 2008, Calgary, AB, Canadá, 21 a 24 de septiembre de 2008; págs. 1 a 5.

13. Yousef, K.; Bouchard, L.; Haigh, K.; Silovsky, J.; Thapa, B.; Valk, CV Enfoque de aprendizaje automático para la identificación de transmisores de RF. IEEE J. Radiofrecuencia. Identificar. 2018, 2, 197–205.

14. Jafari, H.; Omotere, O.; Adesina, D.; Wu, H.; Qian, L. Identificación de dispositivos IoT mediante aprendizaje profundo. En Actas de la Conferencia de Comunicaciones Militares IEEE (MILCOM) MILCOM 2018—2018, Los Ángeles, CA, EE. UU., 29–31 de octubre de 2018; págs. 1 a 9.

15. Mercader, K.; Revay, S.; Stanchev, G.; Nousain, B. Aprendizaje profundo para huellas dactilares de dispositivos de RF en redes de comunicación cognitiva. IEEE J. Sel. Arriba. Proceso de señal. 2018, 12, 160–167.

16. Rajendran, S.; Meert, W.; Justiniano, D.; Prestamistas, V.; Pollin, S. Modelos de aprendizaje profundo para la clasificación de señales inalámbricas con sensores de espectro distribuidos de bajo costo. Trans. IEEE. Cog. común Neto. 2018, 4, 433–445.

17. Ding, L.; Wang, S.; Wang, F.; Zhang, W. Identificación de emisores específicos a través de redes neuronales convolucionales. Común IEEE. Letón. 2018, 22, 2591–2594.

18. Masood, S.; Ray, A.; Aggarwal, A.; Doja, MN; Ahmad, M. Detección de la distracción de los conductores mediante una red neuronal convolucional. Reconocimiento de patrones. Letón. 2018, 139, 79–85.

19. Pan, Y.; Yang, S.; Peng, H.; Iluminado.; Wang, W. Identificación de emisores específicos basada en redes residuales profundas. Acceso IEEE 2019, 7, 54425–54434.

20. Qian, Y.; Qi, J.; Kuai, X.; Colgar.; Sol, H.; Hong, S. Identificación de emisores específicos basada en representación dispersa multinivel en el sistema de identificación automática. Trans. IEEE. información Seguridad Forense. 2021, 16, 2872–2884.

21. Du, M.; él, X.; Cai, X.; Bi, D. Búsqueda de arquitectura neuronal equilibrada y su aplicación en la identificación de emisores específicos. Trans. IEEE. Proceso de señal. 2021, 69, 5051–5065.

22. Huang, G.; Yuan, Y.; Wang, X.; Huang, Z. Identificación de emisores específicos basada en características dinámicas no lineales. Poder. J. Electr. computar Ing. 2016, 39, 34–41.

23. Huang, G.; Yuan, Y.; Wang, X.; Huang, Z. Identificación de emisor específico para transmisor de comunicaciones mediante mediciones múltiples. Wirel. pers. común 2017, 94, 1523–1542.

24. Yuan, Y.; Huang, ZT; Wu, H.; Wang, X. Identificación de emisores específicos basada en características de distribución de energía de frecuencia de tiempo basadas en transformadas de Hilbert-Huang. IET Comun. 2014, 8, 2404–2412.

25. Padilla, P.; Padilla, J.; Valenzuela-Valdes, J. Identificación por radiofrecuencia de dispositivos inalámbricos basada en la huella dactilar de RF. Electrón. Letón. 2013, 49, 1409–1410.

26. Hu, A. Detección basada en el preámbulo de las huellas dactilares RF del transmisor Wi-Fi. Electrón. Letón. 2010, 46, 1165–1167.

27. Candore, A.; Kocabas, O.; Koushanfar, F. Huellas dactilares radiométricas robustas y estables para dispositivos inalámbricos. En Actas del Taller internacional IEEE de 2009 sobre seguridad y confianza orientadas al hardware, San Francisco, CA, EE. UU., 27–29 de julio de 2009; págs. 43–49.

28. Dudczyk, J.; Kawalec, A. Algoritmo de identificación de decisión rápida del patrón de fuente de emisión en la base de datos. Toro. polaco Academia Sci.-Tec. ciencia 2015, 63, 385–389.

29. Kawalec, A.; Rapaki, T.; Wnuczek, S.; Dudczyk, J.; Owczarek, R. Método Mixto Basado en Datos Intrapulso y Emisión Radiada para Reconocimiento de Fuentes Emisoras. En Actas de la Conferencia Internacional sobre Microondas de 2006, Radar Wireless Communications, Cracovia, Polonia, 22–24 de mayo de 2006; págs. 487–490.

30. Demers, F.; St-Hilaire, M. Identificación radiométrica de transmisores LTE. En Actas de la Conferencia de Comunicaciones Globales IEEE 2013 (GLOBECOM), Atlanta, GA, EE. UU., 9–13 de diciembre de 2013; págs. 4116–4121.

31. Bronceado, K.; Yan, W.; Zhang, L.; Tang, M.; Zhang, Y. Identificación de emisores específicos basada en radio definida por software y Decision Fusion. Acceso IEEE 2021, 9, 86217–86229.

32. Jana, S.; Kasera, SK Sobre la detección rápida y precisa de puntos de acceso inalámbrico no autorizados mediante sesgos de reloj. Trans. IEEE. Multitud. computar 2009, 9, 449–462.

33. Conning, M.; Potgieter, F. Análisis de datos de radar medidos para la identificación de emisores específicos. En Actas de la Conferencia de Radar IEEE de 2010, Washington, DC, EE. UU., 10 al 14 de mayo de 2010; págs. 35–38.

34. Polonia, AC; Goeckel, DL Identificación de dispositivos inalámbricos basada en imperfecciones del oscilador de RF. Trans. IEEE. información Seguridad Forense. 2015, 10, 2492–2501.

35. Polonia, AC; Goeckel, DL Huella digital RF de usuarios que enmascaran activamente sus identidades con distorsión artificial. En las Actas del Acta de la Conferencia de 2011 de la Cuadragésima Quinta Conferencia de Asilomar sobre Señales, Sistemas y Computadores (ASILOMAR), Pacific Grove, CA, EE. UU., 6 a 9 de noviembre de 2011; págs. 270–274.

36. Liu, MW; Doherty, JF Identificación de emisores específicos mediante estimación de dispositivos no lineales. En Actas del Simposio IEEE Sarnoff de 2008, Princeton, NJ, EE. UU., 28–30 de abril de 2008; págs. 1 a 5.

37. Li, Y.; Chen, X.; Lin, Y.; Srivastava, G.; Liu, S. Identificación de transmisor inalámbrico basada en imperfecciones del dispositivo. Acceso IEEE 2020, 8, 59305–59314.

38. Dolatshahi, S.; Polak, A.; Goeckel, DL Identificación de usuarios inalámbricos a través de imperfecciones del amplificador de potencia. En las Actas del Acta de la Conferencia de 2010 de la Cuadragésima Cuarta Conferencia de Asilomar sobre Señales, Sistemas y Computadores, Pacific Grove, CA, EE. UU., del 7 al 10 de noviembre de 2010; págs. 1553–1557.

39. D'Agostino, S.; Foglia, G.; Pistoia, D. Identificación específica de emisores: análisis de datos de señales de radar reales. En Actas de la Conferencia Europea de Radar de 2009 (EuRAD), Roma, Italia, 30 de septiembre a 2 de octubre de 2009; págs. 242–245.

40. Guo, S.; Blanco, OD; Low, M. Un estudio comparativo de identificación de emisores de radar basado en transitorios de señal. En Actas de la Conferencia de radares IEEE de 2018 (RadarConf18), Oklahoma City, OK, EE. UU., 23–27 de abril de 2018; págs. 286–291.

41. Talbot, KI; Duley, Puerto Rico; Hyatt, MH Identificación y verificación de emisores específicos. Tecnología Rev. 2003, 113, 113–133.

42. Dragomiretsky, K.; Zosso, D. Descomposición del modo variacional. Trans. IEEE. Proceso de señal. 2013, 62, 531–544.

43. Chang, CI Proyección subespacial ortogonal (OSP) revisada: un estudio y análisis exhaustivo. Trans. IEEE. Geosci. Remote Sens. 2005, 43, 502–518. ): Richland, WA, EE. UU., 2007.

45. Mayer, R.; Bucholtz, F.; Scribner, D. Detección de objetos mediante el uso de blanqueamiento/desblanqueamiento para transformar firmas de objetivos en imágenes hiperespectrales y multiespectrales multitemporales. Geosci. Sensor remoto IEEE Trans. 2003, 41, 1136–1142.

46. ​​Kessy, A.; Lewin, A.; Strimmer, K. Optimal Whitening and Decorrelation. Soy. Estadística 2018, 72, 309–314.

47. Campana, AJ; Sejnowski, TJ Los "componentes independientes" de las escenas naturales son filtros de borde. Vis. Res. 1997, 37, 3327-3338.

48. Srivastava, N.; Hinton, G.; Krizhevsky, A.; Sutskever, I.; Salakhutdinov, R. Dropout: una forma sencilla de evitar el sobreajuste de las redes neuronales. J. Mach. Aprender. Res. 2014, 15, 1929–1958.

49. Förstner, W.; Moonen, B. Una métrica para matrices de covarianza. En Geodesia: el desafío del tercer milenio; Springer: Berlín/Heidelberg, Alemania, 2003; págs. 299–309.

50. Kulis, B.; Sustik, MA; Dhillon, IS Aprendizaje de kernel de bajo rango con divergencias de matriz de Bregman. J. Mach. Aprender. Res. 2009, 10, 341–376.

51. Herdin, M.; Czink, N.; Ozcelik, H.; Bonek, E. Distancia de matriz de correlación, una medida significativa para la evaluación de canales MIMO no estacionarios. En Actas de la 61.ª Conferencia de tecnología vehicular de IEEE de 2005, Estocolmo, Suecia, 30 de mayo a 1 de junio de 2005; Volumen 1, págs. 136–140.

52. Kuncheva, LI Un estudio teórico sobre seis estrategias de fusión de clasificadores. Trans. IEEE. Patrón Anal. Mach. Intel. 2002, 24, 281–286.

53. Proakis, JG; Salehi, M. Comunicaciones digitales; McGraw-Hill: Nueva York, NY, EE. UU., 2008.

54. Generador vectorial de señales de Agilent. 2021. (consultado el 26 de noviembre de 2021).

55. Módem SATCOM eficiente de ancho de banda mejorado de Viasat. 2021. (consultado el 26 de noviembre de 2021).

56. Teledyne Paradise Datacom. 2021. (consultado el 26 de noviembre de 2021).

57. RTSIM de Kratos. 2021. (consultado el 26 de noviembre de 2021).

58. Ettus USRP. 2021.

Para más información: david.deng@wecistanche.com WhatApp:86 13632399501