خلاصہ:ریڈیو میٹرک شناخت کسی مخصوص ذریعہ سے سگنل کو منسوب کرنے کا مسئلہ ہے۔ اس کام میں، سفیدی کی تبدیلی کا استعمال کرتے ہوئے ایک ریڈیو میٹرک شناختی الگورتھم تیار کیا گیا ہے۔ یہ نقطہ نظر زیادہ قائم شدہ طریقوں سے الگ ہے جس میں یہ خام IQ ڈیٹا پر براہ راست کام کرتا ہے اور اس وجہ سے یہ خصوصیت نہیں ہے۔ اس طرح، عام طور پر استعمال ہونے والے جہتی کمی کے الگورتھم لاگو نہیں ہوتے ہیں۔ خیال کی بنیاد یہ ہے کہ ڈیٹا سیٹ "سب سے زیادہ سفید" ہوتا ہے جب کسی دوسرے کے مقابلے اس کے سفید کرنے والے میٹرکس پر پیش کیا جاتا ہے۔ عملی طور پر، تبدیل شدہ ڈیٹا کبھی بھی سختی سے سفید نہیں ہوتا کیونکہ تربیت اور ٹیسٹ کے اعداد و شمار میں فرق ہوتا ہے۔ Förstner-Moonen پیمانہ جو ہمواری میٹرکس کی مماثلت کو درست کرتا ہے سفیدی کی ڈگری کو قائم کرنے کے لیے استعمال کیا جاتا ہے۔ وائٹننگ ٹرانسفارم جو سفید شور کے عمل سے کم از کم فرسٹنر-مونن فاصلے کے ساتھ ڈیٹا سیٹ تیار کرتا ہے وہ سورس سگنل ہے۔ ماخذ کا تعین اکثریتی ووٹ کی درجہ بندی کے فیصلوں پر چلنے والے موڈ فنکشن کے آؤٹ پٹ سے ہوتا ہے۔ Förstner-Moonen پیمائش کا استعمال زیادہ سے زیادہ امکانات اور Euclidean فاصلے کی پیمائش کے مقابلے میں ایک مختلف نقطہ نظر پیش کرتا ہے۔ وائٹننگ ٹرانسفارم بھی حالیہ گہری سیکھنے کے طریقوں سے متصادم ہے جو اب بھی بڑے جہتوں اور طویل تربیتی مراحل کے ساتھ فیچر ویکٹر پر منحصر ہیں۔ یہ دکھایا گیا ہے کہ مجوزہ طریقہ کو لاگو کرنا آسان ہے، اس میں کسی خصوصیت کے ویکٹر کی ضرورت نہیں ہے، کم سے کم تربیت کی ضرورت ہے اور اس کی غیر تکراری ساخت کی وجہ سے موجودہ طریقوں سے تیز ہے۔

متعلقہ مطالعات کے مطابق،cistancheایک عام جڑی بوٹی ہے جسے "معجزہ جڑی بوٹی جو زندگی کو طول دیتی ہے" کے نام سے جانا جاتا ہے۔ اس کا بنیادی جزو ہے۔cistanoside، جس کے مختلف اثرات ہوتے ہیں جیسےاینٹی آکسیڈینٹ, غیر سوزشی، اورمدافعتی فنکشن کو فروغ دینا. cistanche اور جلد کی سفیدی کے درمیان میکانزم کے اینٹی آکسیڈینٹ اثر میں مضمر ہے۔cistancheglycosائڈز. انسانی جلد میں میلانین ٹائروسین کے آکسیکرن کے ذریعے پیدا ہوتا ہے۔ٹائروسینیز، اور آکسیڈیشن ردعمل میں آکسیجن کی شرکت کی ضرورت ہوتی ہے، لہذا جسم میں آکسیجن فری ریڈیکلز میلانین کی پیداوار کو متاثر کرنے والا ایک اہم عنصر بن جاتے ہیں۔ Cistanche میں cistanoside ہوتا ہے، جو کہ ایک اینٹی آکسیڈنٹ ہے اور جسم میں آزاد ریڈیکلز کی پیداوار کو کم کر سکتا ہے، اس طرحمیلانین کی پیداوار کو روکتا ہے۔.

Cistanche Tubulosa کا استعمال کیسے کریں پر کلک کریں۔

مزید معلومات کے لیے:

david.deng@wecistanche.com WhatApp:86 13632399501

1. تعارف 

ریڈیو میٹرک شناخت ذریعہ سے سگنل کو منسوب کرنے کا مسئلہ ہے؛ اکثر برانڈ یا ماڈل۔ ماخذ کی شناخت آلات کی RF فنگر پرنٹنگ کے ذریعے دستخطوں کو تلاش کرکے مکمل کی جاتی ہے جو مینوفیکچرنگ رواداری، خامیوں، یا پیداوار میں عام شماریاتی تغیرات سے پیدا ہوسکتے ہیں۔ سگنل کی درجہ بندی اور ماڈیولیشن کی شناخت میں کافی کام ہے [1,2]۔ تاہم، ریڈیو میٹرک شناخت صاف طور پر دونوں زمروں میں سے کسی ایک میں فٹ نہیں ہوتی ہے۔ بہت سے طریقوں سے، ریڈیو میٹرک شناخت ایک زیادہ مشکل مسئلہ ہے کیونکہ مختلف ذرائع سے نکلنے والے سگنلز میں ایک جیسی خصوصیات ہو سکتی ہیں جیسے کہ ماڈیولیشن، بٹ ریٹ، نبض کی شکلیں وغیرہ۔ اس طرح کے تغیرات، تاہم، چھوٹے، ناقابل تصور، اور ماڈل کرنا مشکل ہیں۔ ریڈیو میٹرک شناخت کیوں دلچسپی کا باعث ہے اس کے کئی پہلو ہیں۔ دشمن دشمن ریڈار [3,4] سے دوستانہ شناخت کرنے کے ایک ذریعہ کے طور پر فوج کچھ عرصے سے اس صلاحیت میں دلچسپی لے رہی ہے۔ سیٹلائٹ مواصلات کو بدمعاش ذرائع سے جان بوجھ کر یا غیر ارادی طور پر جام کرنے کا سامنا کرنا پڑ سکتا ہے۔ مداخلت کرنے والے کے ماخذ اور برانڈ کو جاننے سے ناگوار ذریعہ کی شناخت میں مدد مل سکتی ہے۔ ریڈیو میٹرک شناخت بھی وائرلیس آلات کو محفوظ بنانے میں ایک قابل قدر ذریعہ ہے۔ وائرلیس نیٹ ورکس اور IoT آلات میں جعل سازی کی کوششوں کو ناکام بنایا جا سکتا ہے اگر سگنل کے ماخذ کی نشاندہی کی جائے اور اسے بلاک کیا جا سکے [5,6]۔ ڈیوائس کی خصوصیات کی نقل کرنا زیادہ مشکل ہے جو سگنلز میں سرایت شدہ ماڈیولیشن یا پلس کی شکل دینے سے زیادہ مشکل ہے۔

ریڈیو میٹرک شناخت کو شماریاتی درجہ بندی کے تناظر میں وضع کیا جا سکتا ہے۔ کلاسیکی نقطہ نظر PCA جیسی تکنیکوں اور آخر میں متعدد امتیازی تجزیہ درجہ بندی [7,8] کے ذریعہ خصوصیت نکالنے اور جہت میں کمی کی پیروی کرتا ہے۔ [9] میں، Square Integral Bispectra (SIB) کا استعمال انفرادی طور پر منتقل شدہ سگنلز کی منفرد بھٹکنے والی خصوصیات کو نکالنے کے لیے کیا جاتا ہے، جس کے بعد PCA ایک کم جہتی فیچر ویکٹر کو نکالنے کے لیے استعمال ہوتا ہے۔ یہ دیکھا گیا ہے کہ جہتی کمی کے بعد برقرار رکھی گئی خصوصیات ضروری نہیں کہ درجہ بندی کے لیے بہترین ہوں۔

جہت میں کمی اور فنگر پرنٹ کی درجہ بندی کی مشترکہ اصلاح [10] میں تجویز کی گئی ہے۔ خیال یہ ہے کہ درجہ بندی کی غلطی کو کم سے کم کرکے جہت میں کمی کو بڑھایا جائے اور بیک وقت کم جہتی خصوصیات اور کلاس لیبل کے درمیان باہمی معلومات کو زیادہ سے زیادہ کیا جائے۔ RF فنگر پرنٹ کی خصوصیات کو معمول کے فوری طول و عرض، مرحلے، اور سگنل کی فریکوئنسی کے اعدادوشمار سے نکالا جاتا ہے جس کے نتیجے میں 960 ڈائمینشنز والے فیچر ویکٹر ہوتے ہیں۔ تاہم، جہتی کمی کا مسئلہ باقی ہے۔ ٹرانسمیٹر شناختی الگورتھم کے لیے فیچر نکالنے کو یا تو عارضی [11] یا مستحکم حالت کے مراحل [12] میں کام کرنے کے لیے تیار کیا گیا ہے۔ عارضی مرحلہ سگنل کی ایک ینالاگ حالت ہے جو ٹرانسمیٹر کے چالو ہونے کے فوراً بعد ہوتی ہے جبکہ مستحکم حالت کا مرحلہ ماڈیولیشن کی خصوصیت رکھتا ہے۔

ریڈیو میٹرک شناخت پر حالیہ کام ڈیپ لرننگ (DL) ٹولز کے عروج سے متاثر ہوا ہے۔ مثالیں ہیں RF فنگر پرنٹنگ [13]، IoT ڈیوائس فنگر پرنٹنگ [14]، سپیکٹرم سینسنگ [15]، اور علمی نیٹ ورکس میں RF ڈیوائس کی شناخت [16]۔ اس طرح کے تمام کاموں میں اب بھی جس چیز کی ضرورت ہے وہ فیچر ویکٹرز کو نکالنا ہے جس کے بعد وقت گزارنے والی جہتی کمی ہے۔ [10] میں نکالے گئے فیچر ویکٹر، مثال کے طور پر، جہتی کمی سے پہلے 960 جہتیں رکھتے ہیں۔ دوسرے لفظوں میں اصل مسئلہ باقی ہے۔ ڈی ایل کا استعمال اکثر آف دی شیلف ٹولز کی پروگرامنگ یا متلب میں لاگو مختلف کنوولیشنل نیورل نیٹ ورکس (CNN) روٹینز کے استعمال سے ہوتا ہے۔ مثال کے طور پر، کمپریسڈ بائیسپیکٹرم کو خصوصیت کے طور پر شناخت کیا جاتا ہے اور پھر اسے تین پرتوں والے CNN کو تربیت دینے کے لیے استعمال کیا جاتا ہے [17]۔ تہوں، نلکوں، فلٹرز، ایکٹیویشن فنکشنز، وغیرہ کی تعداد میں کیا فرق ہے۔ اس رگ کے ساتھ ایک اور مثال [18] میں ظاہر ہوتی ہے جہاں کیرا API کا استعمال ٹینسر فلو کے ساتھ بیک اینڈ پر ٹینسر فلو کے ساتھ ہوتا ہے تاکہ پریشان ڈرائیوروں کو الگ کیا جا سکے۔ [15] میں، DL کو تربیت اور ٹیسٹ ڈیٹا کے طور پر ٹائم ڈومین کمپلیکس بیس بینڈ ایرر سگنل کا استعمال کرتے ہوئے علمی Zigbee نیٹ ورکس میں RF ڈیوائس فنگر پرنٹنگ کے لیے لاگو کیا گیا ہے۔ نتائج اچھی درستگی دکھاتے ہیں (≈90 فیصد) لیکن اعلی SNR پر (20 dB سے زیادہ یا اس کے برابر)۔ [19] میں، ان پٹ ڈیٹا کو ہلبرٹ اسپیکٹرم گرے اسکیل امیجز کے طور پر پہلے سے پروسیس کیا جاتا ہے اور اعتدال پسند SNR لیولز (15 dB کے SNR کے لیے اوسط 70 فیصد درستگی کی شرح) کے تحت قابل قبول درستگی حاصل کی جاتی ہے۔ مختلف DL الگورتھم کے لیے ایک جامع کارکردگی کا موازنہ [13] میں دکھایا گیا ہے، جس میں 12 ٹرانسمیٹر کے لیے 98 فیصد کی اوسط درستگی کی اطلاع دی گئی ہے۔

حقیقت یہ ہے کہ ML بہت چھوٹے ڈیٹا سیٹوں پر کام کرتا ہے اور DL (تربیت کے اوقات [15]) کے مقابلے میں بہت کم تربیتی وقت کی ضرورت ہوتی ہے، مختلف ماحولیاتی حالات (زیادہ گرمی، زیادہ کرنٹ، وغیرہ) کے تحت ہونے والی خصوصیات کی تبدیلیوں کو سگنل دینے کے لیے زیادہ استعداد فراہم کرتا ہے۔ ، جو درجہ بندی کی منتخب کردہ خصوصیت کو سختی سے متاثر کر سکتا ہے۔ ایم ایل (ڈیٹا سے چلنے والی) کی یہ خاصیت تیز رفتار فیچر اپ ڈیٹس کی اجازت دیتی ہے اور اس کے نتیجے میں طویل مدت میں اعلیٰ درست درجہ بندی ہوتی ہے۔ اس کے علاوہ، ڈی ایل کے مقابلے میں کم پیچیدگی آسان ہارڈ ویئر کے نفاذ اور پرواز پر تیز درجہ بندی کی اجازت دیتی ہے۔

مخصوص ایمیٹر شناخت (SEI) ریڈیو میٹرک شناخت [20-22] کے لیے ایک اور نمونہ ہے۔ SEI نقطہ نظر صرف بیرونی خصوصیت کی پیمائش کا استعمال کرتے ہوئے سگنل کے منفرد ٹرانسمیٹر کی شناخت کرنے کی کوشش کرتا ہے [22]۔ SEI کو دو مراحل میں لاگو کیا جاتا ہے، (1) عارضی سگنل کی حالت اور (2) مستحکم حالت سگنل کی حالت۔ عارضی نقطہ نظر سگنل میں شامل مخصوص دستخطوں پر لاگو ہوتا ہے کیونکہ ٹرانسمیٹر اوپر یا نیچے ہوتا ہے [23,24]۔ ڈیٹا کی عدم دستیابی یا عارضی نوعیت کی وجہ سے عارضی نقطہ نظر کو نافذ کرنا زیادہ مشکل ہے جو اکثر قابل رسائی یا محفوظ نہیں ہوتا ہے۔ مستحکم ریاست کے نقطہ نظر سے مراد وہ مدت ہے جہاں عارضی طور پر مستحکم ہوا ہے۔ دستیاب خصوصیات میں ماڈیولیشن اور تمہید [25,26] شامل ہیں۔ ماڈیولیشن پر مبنی تکنیکوں میں، موصولہ اور ہدف کے برجوں کا موازنہ کیا جاتا ہے جہاں فرق RF فنگر پرنٹ بناتا ہے [27]۔ ایک تیز فیصلہ کی شناخت کا الگورتھم [28] میں ظاہر ہوتا ہے۔ شناخت سگنل ویکٹر کی مماثلت اور ڈیٹا بیس میں دستیاب نمونوں سے اس کے موازنہ پر مبنی ہے۔ نقطہ نظر کو ریڈار کی شناخت پر لاگو SEI کی ایک مثال کے طور پر درجہ بندی کیا گیا ہے۔ الگورتھم کو سینکڑوں ریڈار سگنل ریکارڈز پر لاگو کیا گیا تھا جو کئی مختلف قسم کے ریڈاروں سے آئے تھے۔ کچھ معاملات میں، اسی قسم کے ریڈار کی کاپیاں چھان بین کی گئیں۔ تمام خصوصیات کو یکساں وزن کرتے ہوئے، راڈار کی اقسام کے لیے 85 فیصد درست شناخت کی شرح بتائی جاتی ہے۔ برقی مقناطیسی اخراج اور انٹراپلس تجزیہ پر مبنی ریڈار کی شناخت کا ایک مخلوط طریقہ [29] میں ظاہر ہوتا ہے۔ بنیاد یہ ہے کہ الیکٹرانک آلات منتقلی نبض کو برقی خصوصیات فراہم کرتے ہیں۔ سگنل ماڈل K ٹرانسمیٹر سے N نان اوورلیپنگ پشز ہے۔ لکیری امتیازی تجزیہ استعمال کیا جاتا ہے۔ نامعلوم نبض کی درجہ بندی کرنے کے لیے چار فاصلاتی میٹرکس کا استعمال کیا جاتا ہے۔ بتایا جاتا ہے کہ ایک ہی قسم کے ریڈار کی تین کاپیاں کامیابی سے پہچان لی گئی ہیں۔

مواصلاتی پروٹوکول کی ریڈیو میٹرک شناخت بھی دلچسپی کا باعث ہے۔ LTE پروٹوکول کا استعمال کرنے والے ذرائع کی شناخت کی اطلاع [30,31] میں دی گئی ہے۔ شناخت ٹرانسمیٹر کی طرف سے ظاہر کردہ منفرد ماڈیولیشن خصوصیات پر مبنی ہے، جس کا نتیجہ ریڈیو ہارڈویئر مینوفیکچرنگ کے دوران متعارف ہونے والی منٹ کی خرابیوں کے نتیجے میں ہوتا ہے۔ ڈیوائس کی خامیوں کو ریڈیومیٹرک شناخت کے لیے بطور دستخط استعمال کیا گیا ہے جس میں کلاک جٹر [32]، ڈیجیٹل سے اینالاگ کنورٹرز (DAC) کی خرابیاں [33]، لوکل فریکوئنسی سنتھیسائزر [34]، پاور ایمپلیفائر نان لائنیرٹی [35–37] . پاور ایمپلیفائر کی خامیاں ماخذ کی شناخت کے لیے بھی استعمال ہوتی ہیں [38]۔ اصلی ریڈار سگنل ایمیٹر کی شناخت کے لیے استعمال کیے جاتے ہیں [39]۔

ریڈیو میٹرک شناخت کے لیے ایک بالکل مختلف ایپلی کیشن ریڈار ہے۔ اگرچہ ٹرانسمیٹر ایک ہی قسم کے ریڈار سے تعلق رکھتے ہیں، وہ اپنی منتقلی دالوں میں ٹھیک ٹھیک فرق ظاہر کر سکتے ہیں۔ [33] میں، ریڈار کی تین کلاسوں کی شناخت کے لیے 18 خصوصیات کا استعمال کیا گیا ہے۔ ریڈار سگنل ٹرانزینٹس پر مبنی پانچ ریڈار ایمیٹر شناخت فنگر پرنٹس کا موازنہ کیا گیا ہے۔ روایتی تکنیکوں میں ریڈیو فریکوئنسی (RF)، نبض کا طول و عرض، نبض کی چوڑائی، جان بوجھ کر نبض کی ماڈیولیشن کی قسم، یا نبض کی تکرار کے وقفے شامل ہیں۔ [40] میں، ایمیٹر ویوفارم پر غیر ارادی ماڈیولیشن کی معلومات کو RF فنگر پرنٹس کے طور پر استعمال کیا جاتا ہے، موصول ہونے والے سگنل اور اس کے متعلقہ ایمیٹر کو باندھنے کے لیے۔ پلس پر غیر ارادی ماڈیولیشن (UMoP) ایک ایسا طریقہ ہے جو ٹرانسمیٹر ہارڈویئر کے مینوفیکچرنگ اختلافات کی وجہ سے مختلف حالتوں کا استحصال کرتا ہے، بشمول پاور ایمپلیفائر UMoP ایک ایمیٹر کے فنگر پرنٹ کی طرح ہے اور اسی ماڈل سے ٹرانسمیٹر کی شناخت کر سکتا ہے [41]۔ ریڈار کی شناخت میں تغیراتی موڈ سڑنے کی اطلاع [42] میں دی گئی ہے۔ ڈیٹا سیٹ 47 ایمیٹرز پر مشتمل ہے۔ ان میں سے کچھ ایمیٹرز ایک ہی ریڈار کی پروڈکشن تھے۔ نتائج ظاہر کرتے ہیں کہ 0.9 سے بڑی صحیح درجہ بندی کا امکان حاصل کرنے کے لیے مؤثر SNR قدر 47 dB کے قریب ہونی چاہیے۔

2. ریڈیو میٹرک شناخت کے لیے فریم ورک

وائٹننگ ٹرانسفارم کے اطلاق سے پہلے فیز آفسیٹ، آسکیلیٹر فریکوئنسی آفسیٹ، اور سمبل ٹائمنگ کی غلطیوں کے لیے موصول ہونے والے سگنل کو پہلے درست کیا جاتا ہے۔ وائٹنگ ٹرانسفارمیشن ایک آرتھوگونل پروجیکشن ہے جس کی بنیاد پی سی اے کے تغیر پر ہے اور اس کا تعلق آرتھوگونل سب اسپیس پروجیکشن سے ہے [43]۔ تربیت کے اعداد و شمار سے فی ماخذ ایک وائٹنگ ٹرانسفارمیشن میٹرکس کا تخمینہ لگایا گیا ہے۔ ماڈیولیشن کی قسم، فریکوئنسی، فیز، یا سگنل کے بارے میں کچھ اور جاننے کی ضرورت نہیں ہے۔ نامعلوم ماخذ کی شناخت اس مشاہدے پر مبنی ہے کہ ڈیٹا سیٹ "سب سے زیادہ سفید" ہوتا ہے جب کسی دوسرے کے مقابلے میں اس کے وائٹننگ میٹرکس پر پیش کیا جاتا ہے، اس لیے سفیدی مماثل ہے۔ وائٹنگ پر نامعلوم ڈیٹا کا پروجیکشن صرف اس صورت میں ڈیٹا کو تبدیل اور سفید کرتا ہے جب وائٹنگ میٹرکس اور ڈیٹا کے درمیان کوئی مماثلت ہو۔ یہاں تک کہ جب ڈیٹا اس کی سفیدی کی تبدیلی سے میل کھاتا ہے، متوقع ڈیٹا کبھی بھی صحیح معنوں میں سفید نہیں ہوتا ہے۔ ایک "سفید پن" کا پیمانہ ہمواری میٹرکس کے موازنے کے لیے ڈائیورجینس میٹرک کو منتخب کرکے تیار کیا جاتا ہے۔ یہ پیمانہ حوالہ اور ٹیسٹ کوویریئنس میٹرکس کے مشترکہ ایگن ویلیوز کے مربع لاگرتھم کا مجموعہ ہے۔ Förstner-Moonen کا فاصلہ۔ وائٹنگ سگنل کا پتہ لگانے میں اچھی طرح سے جانا جاتا ہے اور اسے اکثر وائٹنگ میچڈ فلٹر کے طور پر تیار کیا جاتا ہے۔ مقصد فلٹر آؤٹ پٹ پر شور کے نمونوں کو سجانا ہے۔ WMF کا 3D نفاذ ہائپر اسپیکٹرل امیجری [44] میں ماحولیاتی اثرات کے مطالعے کے لیے استعمال ہوتا ہے۔ ملٹی ٹائمپورل ہائپر اسپیکٹرل میں ہدف کے دستخطوں کو تبدیل کرنے کے لئے سفیدی / سفیدی کا استعمال کرتے ہوئے آبجیکٹ کا پتہ لگانا [45] میں ظاہر ہوتا ہے۔ سفید کرنے کے اس طرح کے طریقوں کی مثالیں زیادہ تر سگنل اور آبجیکٹ کا پتہ لگانے پر لاگو ہوتی ہیں اور یہ ریڈیو میٹرک شناخت سے متعلق نہیں ہیں جیسا کہ یہاں تجویز کیا گیا ہے۔

2.1 وائٹنگ ٹرانسفارم

X ∈ Rp×n کو ڈیٹا میٹرکس بننے دیں جس میں کوویریئنس میٹرکس Σ کے ساتھ p متغیرات کی n پیمائش ہوتی ہے۔ شماریاتی سفیدی ایک لکیری تبدیلی ہے جو ڈیٹا کو اس طرح تبدیل کرتی ہے کہ Y=WX کا کوویرینس میٹرکس شناختی میٹرکس ہے۔ وائٹنگ ٹرانسفارم میٹرکس منفرد نہیں ہے۔ درحقیقت، [46] نے پندرہ مختلف پروجیکشن میٹرکس کا تذکرہ کیا ہے جو ڈیٹا کو سفید کرتے ہیں، جن میں سب سے نمایاں PCA اور ZCA وائٹنگ ہیں [47]۔ خاص طور پر،

جہاں U اور Λ covariance میٹرکس Σ=UΛU T کے گلنے میں eigenvectors اور eigenvalues ​​کے میٹرکس ہیں۔ زیادہ اہم بات یہ ہے کہ ریڈی میٹرک شناخت میں سفیدی کیا کردار ادا کرتی ہے؟ یہ وہ جگہ ہے جہاں مماثل سفیدی کی تبدیلی ریڈیو میٹرک شناخت میں PCA کے موجودہ استعمال سے ہٹ جاتی ہے۔ پی سی اے کو ڈیٹا کمپریشن کے لیے سب سے زیادہ جانا جاتا ہے جو کہ Y کے اجزاء کو غیر معمولی توانائی کے ساتھ ہٹانے کے لیے رہنمائی کرتا ہے۔ ضروری نہیں کہ جو خصوصیات باقی رہیں وہ درجہ بندی کے لیے بہترین ہوں۔ پھر بھی، تقریباً تمام PCA پر مبنی ریڈیومیٹرک درجہ بندی کی تکنیکیں ڈیٹا کی درجہ بندی کرنے کے لیے ان خصوصیات کا استعمال کرتی ہیں جو بعد کے امتیازی فعل میں کمپریشن سے بچ جاتی ہیں۔ ZCA کے پاس PCA کی وجہ سے گردش کو کالعدم کر کے زیرو فیز کی اضافی خاصیت ہے۔ دونوں میں سے کوئی بھی یہاں لاگو نہیں ہوتا۔ غیر متعلقہ ڈیٹا تیار کرنا ایک پری پروسیسنگ مرحلہ ہے جس سے کم جہتی خصوصیت کے ویکٹر نکالے جاتے ہیں۔ جہت میں کمی کا اطلاق IQ نمونوں پر نہیں ہوتا ہے کیونکہ شروع کرنے کے لیے صرف دو جہتیں ہیں، اور یہ پہلے سے ہی زیادہ تر سجاوٹ سے متعلق ہیں۔ پی سی اے کو گہرے سیکھنے میں بھی استعمال کیا گیا ہے اور اس کے ساتھ ساتھ convolutional عصبی نیٹ ورکس [48] میں ہم آہنگی کو تیز کر کے۔

2.2 مماثل سفیدی کے لحاظ سے درجہ بندی

ڈیٹا کو N × M میٹرکس X=[x1, x2, . . . , xM], xi ∈ RN×1 جہاں M پیمائش کی تعداد ہے اور N متغیرات یا طول و عرض کی تعداد ہے۔ IQ ڈیٹا کے لیے، N=2، اور M ریکارڈ میں علامتوں کی تعداد ہے۔ چلو Wi , i=1, 2, . . . , m m سورس سگنلز {c1, c2, . . . ، سینٹی میٹر}. کلاس پر منحصر وائٹنگ میٹرکس کو تربیتی ڈیٹا سے آف لائن شمار کیا جاتا ہے۔ چونکہ IQ ڈیٹا فیز اور فریکوئنسی آفسیٹس سے متاثر ہوتا ہے، اس لیے وائٹنگ میٹرکس کا حساب لگانے سے پہلے ڈیٹا کو درست کرنے کی ضرورت ہے۔ ٹیسٹ ڈیٹا کو بلاکس میں تقسیم کیا جاتا ہے جو اعداد و شمار تیار کرنے کے لیے استعمال ہوتے ہیں۔ کوئی "درست" بلاک کی لمبائی نہیں ہے۔ یہ مرحلے کی تبدیلی، فریکوئنسی آفسیٹ، یا ڈوپلر شفٹ کی شرح پر منحصر ہے۔ نان لائنر فیز آفسیٹ کی صورت میں، بلاک کی لمبائی کا انتخاب اتنا کم کیا جاتا ہے کہ فیز تخمینہ کے دوران اسٹیشنری فیز کے قریب بیمہ کیا جائے۔ فریکوئنسی آفسیٹ کو ریورس کرنے کے لیے بلاک کی لمبائی کا انتخاب کرنے کے بارے میں مزید سیکشن 3 میں ظاہر ہوتا ہے۔

اس نکتے کو واضح کرنے کے لیے، تین ملٹی ویریٹ نارمل آبادی بنائی گئی ہے اور شکل 1a میں دکھائی گئی ہے۔ تیسرا ڈیٹا سیٹ (سیاہ میں) "نامعلوم" ماخذ کے طور پر استعمال ہوتا ہے اور اسے Wi, i=1, 2, 3 پر بار بار پیش کیا جاتا ہے۔ ہر پروجیکشن کے بعد، سکیٹر ڈایاگرام پلاٹ کیا جاتا ہے اور شکل 1 bd میں دکھایا جاتا ہے۔ جب گروپ 3 کے ڈیٹا کو W1، شکل 1b کے ذریعے سفید کیا جاتا ہے، تو متوقع ڈیٹا کا بڑا محور پروجیکشن میٹرکس کے اصل محور کے زاویے پر ظاہر ہوتا ہے۔ اس سے ظاہر ہوتا ہے کہ ڈیٹا اور وائٹنگ میٹرکس مماثل نہیں ہیں۔ بار بار ہونے والے تخمینوں سے شکل 1b–d پیدا ہوتی ہے۔ یہ صرف شکل 1d میں ہے کہ سفیدی کی تبدیلی ایک سرکلر سکیٹر ڈایاگرام تیار کرتی ہے۔ پروجیکشن جو کم سے کم متعلقہ ڈیٹا تیار کرتا ہے برانڈ کی شناخت کرتا ہے۔ یہ خاصیت اس بات کی نشاندہی کرتی ہے کہ نامعلوم ڈیٹا کا ماخذ گروپ 3 کے سفید رنگ کی تبدیلی سے میل کھاتا ہے۔ ڈیٹیکٹر کو شکل 2 میں دکھائے گئے متوازی مماثل فلٹرز کے بینک کے طور پر لاگو کیا جا سکتا ہے۔

2.3 سفیدی کی پیمائش کی ترقی

نامعلوم ڈیٹا کو اس کے سفید کرنے والے میٹرکس سے جوڑنے میں کئی مسائل ہیں۔ سب سے پہلے، حقیقی اعداد و شمار کے IQ اجزاء پہلے سے ہی کافی حد تک آراستہ ہیں لہذا سفید ہونا اہم اضافی سجاوٹ نہیں لا سکتا ہے۔ دوسرا، (1) میں بیان کردہ ذیلی جگہ تربیتی ڈیٹا سے آف لائن بنائی گئی ہے۔ تاہم، ٹیسٹ کے اعداد و شمار مختلف ہوتے ہیں چاہے تربیت کے اعداد و شمار اسی آبادی سے آتے ہوں۔ اگر ٹریننگ سیٹ سے مختلف ڈیٹا استعمال کیا جائے تو ڈیٹا کی سفیدی تخمینی ہوگی۔ بنیادی خاصیت یہ ہے کہ نامعلوم ڈیٹا کا ہم آہنگی میٹرکس شناختی میٹرکس سے مشابہت رکھتا ہے اگر اس کی ذیلی جگہ پر کسی دوسرے سے زیادہ پیش کیا جائے۔ تیسرا، "سفید پن" کی پیمائش کیسے کی جائے۔ یہ covariance میٹرکس کے ملاپ میں ایک مسئلہ ہے [49]۔

دو ہم آہنگی، مثبت متعین ہم آہنگی میٹرکس کے درمیان فاصلوں کی پیمائش کرنے کے لیے میٹرکس کی کوئی بھی تعداد ہے۔ ان میں کے ایل ڈائیورجنس، یوکلیڈین فاصلہ، مربع فروبینیئس نارم، بھٹاچاریہ فاصلہ، بریگ مین میٹرکس ڈائیورجنس، اور لاگ ڈیٹ [50] شامل ہیں۔ اس کام میں، ہم Förstner-Moonen میٹرک [49] کو دو ہم آہنگی میٹرکس کی مماثلت کے پیمانے کے طور پر استعمال کرتے ہیں۔ حوالہ جات کے طور پر، اچھی طرح سے حوالہ دیا گیا Correlation Matrix Distance (CMD) میٹرک [51] اور Kullback-Leibler اقدامات کا مطالعہ کیا جاتا ہے۔ مماثلت کے لیے کوئی ایک تعریف نہیں ہے لیکن تین باہمی تعلق کے ساتھ یکجہتی ہیں اور اس لیے درست اقدامات ہیں۔ ہم نے موازنہ کے لیے CMD، KL، اور Förstner-Moonen پلاٹوں کو سپرمپوز کیا ہے۔ گراف بعد میں شکل 3a میں ظاہر ہوتے ہیں۔ جیسا کہ توقع کی جاتی ہے، بڑھتے ہوئے ارتباط کے ساتھ جوڑے کے لحاظ سے فاصلہ بڑھتا ہے، مطلب یہ ہے کہ مربوط متغیرات کا ہم آہنگی میٹرکس ایک اخترن کوویریئنس میٹرکس سے زیادہ فاصلے پر ہے۔ یہ قابل ذکر ہے کہ KL پیمائش عملی طور پر Förstner-Moonen میٹرک کے ساتھ مطابقت رکھتی ہے لہذا اس کے استعمال کو مماثلت کے اشاریہ کے طور پر جائز قرار دیتا ہے۔

جہاں λi(A, B)، A اور B کی مشترکہ قدریں |λA − B| کی جڑیں ہیں۔=0۔ وائٹنگ ٹرانسفارم کے تناظر میں، حوالہ کوویریئنس میٹرکس شناختی میٹرکس A=I اور B=cov(Yi) Wi کے ذریعے سفید کیے گئے نامعلوم ڈیٹا کا کوویرینس میٹرکس ہے۔ لہذا، مشترکہ eigenvalues ​​نامعلوم اعداد و شمار کے ماپا covariance میٹرکس B کے صرف eigenvalues ​​تک کم ہو جاتے ہیں۔

(3) پر بنایا گیا درجہ بندی ایک اکثریت، یا کثرتیت، ووٹ کی درجہ بندی [52] ہے جو قواعد h1، h2، کے زیر انتظام ہے۔ . . , hm قواعد رکنیت کے افعال ہیں۔ ایک نامعلوم ذریعہ سے Xi کی پیمائش کو دیکھتے ہوئے،

جہاں p بلاکس کی تعداد ہے۔ موڈ فنکشن وہ نمبر ہے جو سیٹ میں زیادہ تر ہوتا ہے، یعنی hj(Xi) وہ تعداد ہے جتنی بار Xi کو JC سے تعلق رکھنے کے لیے ووٹ دیا جاتا ہے۔ نامعلوم پیمائش Xi کو سب سے زیادہ ووٹ حاصل کرنے والی کلاس کے طور پر درجہ بندی کیا گیا ہے۔ یہ عمل تصویر 2 میں دکھایا گیا ہے۔ یہ "سخت" ووٹنگ کی ایک مثال ہے۔ متبادل "نرم" ووٹنگ ہے جہاں کلاسوں میں تفویض کی فریکوئنسی برقرار رہتی ہے۔

الگورتھم کی کمپیوٹیشنل پیچیدگی وائٹننگ میٹرکس، وائٹننگ ٹرانسفارم، اور ایگین ویلیو ڈیکمپوزیشن پر مشتمل ہے۔ اگر X ∈ Rd×M، جہاں d متغیرات کی تعداد ہے اور M پیمائش کی تعداد ہے، وائٹننگ ٹرانسفارم کی پیچیدگیاں O(d2M جمع d3) ہے، وائٹننگ ٹرانسفارم O(d2M) ہے اور eigendecomposition O(d3) ہے۔ . IQ سگنل کی نمائندگی کے ساتھ، d=2 اور یہ ہر جگہ مستقل ہے۔ لہذا، مندرجہ بالا پیچیدگیوں میں سے ہر ایک بالآخر مجموعی پیچیدگی کو O(M) تک کم کر دیتی ہے۔ یعنی پیمائش کی تعداد کے ساتھ لکیری۔

3. ریورسنگ فیز اور فریکوئنسی آفسیٹس

پہلا چیلنج الگورتھم کے نفاذ سے پہلے ریڈیو میٹرک شناختی سطحوں کا ہے۔ سگنل اکثر غیر درست مرحلے کی گردشوں کے ساتھ دستیاب کرائے جاتے ہیں۔ گردش کی دو قسمیں ہیں۔ فکسڈ گردش حوالہ کیریئر کے مستقل مرحلے کے آفسیٹ کی وجہ سے ہوتی ہے۔ وقت کی مختلف گردش حوالہ کیریئر کی فریکوئنسی کی مماثلت کی وجہ سے ہوتی ہے۔ مماثلت ہارڈ ویئر سے متعلق ہوسکتی ہے یا ڈوپلر کی وجہ سے ہوسکتی ہے۔ کسی بھی طرح سے، یہ ایک نامعلوم مقدار ہے۔ فریکوئنسی کی مماثلت، جسے آفسیٹ فریکوئنسی fd کہا جاتا ہے، ایک متعلقہ وقت کے مختلف مرحلے کا سبب بنتا ہے جس کے نتیجے میں نکشتر کی سمیرنگ ہوتی ہے۔ یہ اس فکسڈ فیز آفسیٹ سے مختلف ہے جس کی وجہ سے پورا برج گھومتا ہے۔ شکل 4 دو SNR سطحوں کے تحت وقت کے مختلف مرحلے کو ظاہر کرتا ہے۔ ریڈیومیٹرک شناخت سے پہلے مقررہ اور وقت کی مختلف گردشوں کو الٹ جانا چاہیے۔

3.1 پس منظر

ماخذ کی شناخت سے پہلے فیز اور فریکوئنسی آفسیٹ اصلاح کو ریڈیو میٹرک شناختی ادب میں ہمیشہ توجہ نہیں دی جاتی ہے [17]۔ کیریئر فیز ریکوری کے لیے روایتی نقطہ نظر پاور لا کا طریقہ ہے [53]۔ سگنل کو Mth پاور تک بڑھانا آفسیٹ فریکوئنسی کے M اوقات میں ایک ٹون بناتا ہے جسے برج کو کم کرنے کے لیے استعمال کیا جا سکتا ہے۔ تاہم، یہ طریقہ صرف فکسڈ فیز آفسیٹس کے لیے کام کرتا ہے۔ یہاں پیش کردہ نقطہ نظر ایک سے زیادہ سگنل سیگمنٹس پر ماپا جانے والے فیز پوائنٹس کے زیادہ سے زیادہ امکانی تخمینہ کے مطابق ماڈل کو فٹ کر کے صوابدیدی مرحلے کی رفتار کو نکالتا ہے۔ مرحلے کی رفتار کا اندازہ سب سے پہلے سگنل کے حصوں سے لگایا جاتا ہے جو مرحلے کو ساکن سمجھا جانے کے لیے کافی مختصر ہوتے ہیں۔ بنیادی طور پر وقت میں مرحلے کا ایک سنیپ شاٹ۔ کم از کم مربعوں کا استعمال کرتے ہوئے مرحلے کے زاویوں پر نصب لائن کی ڈھلوان آفسیٹ فریکوئنسی کے متناسب ہے۔ اس کے علاوہ، کم از کم مربع فٹ طریقہ دوسرے آرڈر آف سیٹ فریکوئنسی اثر کی وجہ سے نان لائنر فیز ٹریکجٹری کو ہینڈل کرتا ہے۔ طاقت کے قانون کے طریقہ کار سے یہ ممکن نہیں ہے۔

3.2 سگنل ماڈل

فیز آفسیٹ کے لیے مجرد ماڈل ہے {θk=2π fd t, t=kTs, k=1, 2, . . . K} جہاں Ts علامت کی لمبائی ہے اور K بلاک میں علامتوں کی تعداد ہے جو مرحلے کی گردش کا اندازہ لگانے کے لیے استعمال ہوتی ہے۔ یکے بعد دیگرے علامتیں 2π کی طرف سے گھومتی ہیں اور ریڈینز کو اپنی برائے نام پوزیشنوں سے دور فٹ کرتی ہیں۔ یہ حرکت وقت کے ساتھ ایک قوس بناتی ہے اس طرح تصویر 4 میں دکھائے گئے بدبودار اثر کا سبب بنتی ہے۔ اس گردش کو درست کرنے کے لیے، θk، ˆθk، کا تخمینہ ڈھونڈنا چاہیے اور fd کو بازیافت کرنے اور علامتوں کے بلاک کو ختم کرنے کے لیے استعمال کرنا چاہیے۔ بلاک پر زیادہ سے زیادہ علامت کی گردش T=KTs ہے۔

آفسیٹ فریکوئنسی کا تخمینہ پہلے مرحلے کی رفتار کا تخمینہ لگا کر حاصل کیا جا سکتا ہے۔ θ(t) کا تخمینہ فیز سٹیشناریٹی کو یقینی بنانے کے لیے لمبائی T کے مختصر بلاکس پر کیا جاتا ہے، یعنی، {θ(t) ≈ θk، t ∈ T}۔ لہذا، ڈیٹا کے فی بلاک میں ایک مرحلے کا تخمینہ ہے۔ مقدار fdT بلاک کی لمبائی T کے لیے 2π سے زیادہ برج کی جزوی گردش ہے۔ اس مقدار کو دو وجوہات کی بنا پر چھوٹا رکھا جانا چاہیے۔ ایک، چھوٹی ایف ڈی ٹی کا مطلب ہے فیز وکر کا ایک باریک نمونہ لینا۔ یہ ٹکڑا وار لکیری ماڈلنگ کے ذریعے مرحلے کی نان لائنیرٹی کو حاصل کرنے میں اہم ہے۔ دو، بڑی fdT علامتوں کو ان کی اصل علامت کواڈرینٹ سے آگے بڑھاتا ہے۔ اس اثر کو شکل 4b میں دیکھا جا سکتا ہے جہاں پہلے کواڈرینٹ میں موجود علامتوں کو دوسرے کواڈرینٹ کی طرف دھکیل دیا گیا ہے۔ مختصر یا لمبے حصے کیا ہیں اس کی وضاحت درج ذیل حصے میں کی گئی ہے۔

مزید معلومات کے لیے: david.deng@wecistanche.com WhatApp:86 13632399501