4. Resultats

Cistancheté la funció deafavorint la producció de col·lagen, que pot augmentar l'elasticitat i la brillantor de la pell iajudar a reparar les cèl·lules danyades de la pell. Glucòsids de feniletanol de Cistanchetenen un important efecte de regulació a la baixatirosinasal'activitat i l'efecte sobre la tirosinasa es mostra com una inhibició competitiva i reversible, que pot proporcionar una base científica per desenvolupar i utilitzar els ingredients blanquejants de Cistanche. Per tant, el cistanche té un paper claublanqueig de la pell. Potinhibir la melaninaproducció per reduir la decoloració i la opacitat; i promou la producció de col·lagen per millorar l'elasticitat i la brillantor de la pell. A causa del reconeixement generalitzat d'aquests efectes del cistanche, molts productes per blanquejar la pell han començat a infondre ingredients a base d'herbes com el Cistanche per satisfer la demanda dels consumidors, augmentant així el valor comercial del Cistanche enproductes per blanquejar la pell. En resum, el paper del cistanche en el blanquejament de la pell és crucial. El seuantioxidantL'efecte i l'efecte productor de col·lagen poden reduir la decoloració i l'apagada, millorar l'elasticitat i la brillantor de la pell i així aconseguir un efecte blanquejador. A més, l'àmplia aplicació de Cistanche en productes per blanquejar la pell demostra que no es pot subestimar el seu paper en el valor comercial.

Feu clic a Suplement de Cistanche Tubulosa

Per a més informació:

david.deng@wecistanche.com WhatApp:86 13632399501

Aquesta secció implementa la identificació radiomètrica proposada mitjançant dades simulades i reals. En primer lloc, les dades es corregeixen per a la freqüència de desplaçament i s'utilitzen per invertir el desplaçament de fase variable en el temps. En segon lloc, l'algorisme proposat que es regeix per la regla (6) s'implementa produint matrius de confusió.

4.1. Correcció de la fase del senyal i la freqüència de compensació

Les dades es simulen per a un senyal QPSK subjecte a un desplaçament de freqüència de l'oscil·lador local. La taula 1 mostra els paràmetres de simulació.

La figura 5 mostra el procés pel qual es recullen i s'utilitzen els valors de fase instantànies en el pas d'ajust del model. Aquest pas també es pot explicar com el mostreig de la corba de fase. Les fases de símbols per bloc s'histenen i s'ajusten un polinomi. El pic del polinomi és ˆθk per al bloc k-è. Aquest pas es repeteix en diversos blocs i es mostra a la figura 5a–f. Les fases estimades { ˆθk, k=1, 2, . . . , M} defineixen la trajectòria de fase lineal el pendent de la qual determina fd. La figura 6 és l'ajust de mínims quadrats del model de fase a les dades. Les figures 6a i b corresponen a SNR=20 dB i 10 dB, respectivament. La figura 6c il·lustra que també es pot modelar i seguir una trajectòria de fase no lineal. L'estimació de f ˆ d=0,0505 Hz i f ˆ d=0,0455 Hz a SNR=20 dB i 10 dB, respectivament. La freqüència de compensació real és de 0,05 Hz.

Els símbols giren 2π fdT radians al llarg d'un bloc. Aquesta rotació s'ha de mantenir en una petita fracció del quadrant al qual pertanyen els símbols. Per exemple, a QPSK, cada quadrant és π/2 radians. La longitud adequada del bloc està guiada per la modalitat dels histogrames de fase. Un histograma de fase unimodal amb un pic diferent indica que les variacions de fase es mantenen properes al valor nominal, figura 7a. Per a 2π fdT gran, ja sigui a causa de la gran fd o de la llargada del bloc T, l'histograma esdevé multimodal sense pics diferents, figura 7b. Un altre desavantatge de la fdT gran és l'ambigüitat de la fase 2π on els símbols es mouen al voltant del cercle diversos períodes.

4.2. Identificació radiomètrica

Ara apliquem el mètode d'identificació radiomètric proposat als senyals generats pels següents generadors o estàndards de formes d'ona: Agilent [54], Viasat EBEM [55], Teledyne Paradise [56], KRATOS Real-Time Channel Simulator (RTsim) [57], i USRP [58]. Les dades tenen modulació QPSK mostrada a 2,95 MHz per a un total de 35 milions de símbols per model. Les figures 8a i b mostren constel·lacions de senyal que es veuen afectades per quantitats variables de difusió. La figura 8b és un cas especialment greu a causa del gran producte fdT que fa que els símbols giren potencialment múltiples de 2π. Després de l'estimació de fdT i la derotació dels símbols, la constel·lació original es restaura a la figura 8c. La figura 9 és un primer pla de sis constel·lacions després d'haver eliminat tots els desplaçaments de fase i freqüència. La tasca ara és atribuir els senyals a fonts individuals. Atesa la similitud de les constel·lacions en estructura i característiques, és evident que la identificació radiomètrica és un problema molt més difícil que la classificació de senyals convencional basada en la informació de modulació.

4.3. Matrius de confusió de classe

L'entrenament del classificador implica el càlcul de 5 matrius de blanqueig coincidents, Wi, i=1, 2, . . . , 5. Les dades consisteixen en 35 milions de símbols extrets de senyals modulats amb QPSK provinents de cinc ràdios diferents. El conjunt d'entrenament consta de 5 × 105 símbols, que és al voltant de l'1,4 per cent de les dades totals. El classificador de vot majoritari necessita un esquema de votació. Els vots es generen dividint les dades en 72 blocs de 5 × 105 mostres cadascun. Cada bloc genera un vot que després es tabula al llarg de tota la longitud del senyal. Els blocs de prova s'extreuen d'una font "desconeguda", corrompuda pel soroll gaussià, i es projecten repetidament en matrius de blanquejament corresponents a cada font. La distància de Förstner-Moonen s'utilitza per calcular la funció de mode a (6) que condueix a la compilació de les matrius de confusió.

Abans de crear les matrius de confusió, s'ha d'estudiar el comportament de la mesura de distància de Förstner-Moonen. Segons (3), a mesura que el procés es blanqueja cada cop més, la distància de Förstner-Moonen entre la matriu de covariància blanquejada i la matriu d'identitat es redueix. La distància mínima teòrica és zero per al soroll blanc. Per comprovar aquest comportament, es creen dues variables aleatòries amb coeficients de correlació ajustables i es col·loquen en una matriu de dues columnes. La covariància d'aquesta matriu es calcula en funció dels valors de correlació i es representa la distància de Förstner-Moonen corresponent. Els resultats es representen a la figura 3. Com mostra la figura 3a, la distància és una funció creixent de correlació, cosa que reflecteix que la matriu de covariància s'allunya de la d'un procés de soroll blanc per augmentar la correlació. Això s'espera. La segona propietat de la mesura de Förstner-Moonen és que les dades desconegudes s'acosten més a un procés de soroll blanc quan es blanquegen per la seva transformació de blanqueig que qualsevol altra, per tant, un blanqueig coincident. Per mostrar aquesta propietat, les dades d'Agilent es blanquegen amb la seva matriu de blanqueig i després per la matriu de blanqueig de Viasat EBEM. Els càlculs de distància es realitzen en 40 blocs de dades i es representen a la figura 3b. El que destaca és que la distància de Förstner-Moonen per a les dades d'Agilent és gairebé sempre menor que quan s'utilitza la matriu de blanqueig Viasat EBEM. Aquest comportament s'espera, és a dir, que es pren una decisió correcta cada vegada que passa. Aquest recompte és essencialment la base per poblar les matrius de confusió a totes les fonts.

Després de les observacions anteriors, ara es poden calcular les matrius de confusió corresponents i es mostren a la Taula 2. Els números indiquen el percentatge de vots correctes emesos per a cada font en 72 fotogrames de les dades de prova. Tingueu en compte que el classificador de mode a (6) busca una pluralitat de vots per triar un guanyador. És un esquema de votació difícil. Per exemple, Paradís només ha rebut el 77,1 per cent dels vots, però el senyal desconegut encara es classifica correctament com a Paradís. Per tant, la taula 2 indica una classificació correcta al 100%. Les matrius de confusió també es poden utilitzar en un esquema de votació suau mantenint els percentatges de vot reals.

A continuació, investiguem l'impacte de conjunts de dades més petits i el soroll afegit més enllà del que ja hi ha a les dades. La mida total de la mostra és ara 107, que es divideixen en blocs d'un quart de milió de mostres cadascuna que es tradueix a menys de 100 ms. Aquesta longitud genera 40 blocs que s'utilitzen per obtenir estadístiques de classificació en forma de matrius de confusió. La taula 3 mostra els resultats @ SNR=15 dB de soroll gaussià afegit. Això està per sobre del que ja hi ha a les dades. Totes les fonts s'identifiquen correctament, excepte KRATOS RTSim, que s'identifica com a Teledyne Paradise. Tot i així, la diferència del 2,5 per cent està molt dins de les variacions estadístiques de la carrera. Els percentatges de classificació correctes de cada font mostren una gran caiguda en comparació amb la taula 2, però el sistema de votació majoritària encara pren la decisió correcta, encara que amb un marge reduït. Per exemple, les dades d'Agilent s'associen correctament amb Agilent només el 30 per cent del temps, però això encara és superior a qualsevol altre. Les taules 4 i 5 repeteixen el procés per a SNR=5 dB i 0 dB. Tot i que les taxes i els marges són més baixos, el sistema de vot majoritari encara tria la classe correcta. Quan els marges són baixos, la variabilitat estadística juga un paper important en la identificació correcta de la font. Observeu que el gran marge d'USRP de la taula 2 l'ajuda a mantenir la identificació correcta fins i tot a 5 dB SNR a la taula 4. Per mostrar com és de greu la situació, la figura 10 mostra la constel·lació de soroll SNR=5 dB. La manca de característiques identificatives és evident a tot arreu. Tingueu en compte que RTSim i Paradise estan lligats. Per descomptat, aquesta dificultat també es reflecteix a la Taula 4, però encara és possible una identificació correcta. Quatre de cada cinc fonts estan correctament identificades i la cinquena està empatada. La taula 5 és el cas extrem de SNR=0 dB. EBEM i Paradise encara estan correctament identificats.

4.4. Comparacions

S'informa d'una comparació completa de SVM, CNN i D(eep)NN per a sis ràdios a [13]. Les taxes de classificació correctes són el 44,8 per cent (SVM), el 82,4 per cent (CNN) i el 71,9 per cent (DNN). Tanmateix, a falta de punts de referència acceptats per a la identificació radiomètrica, que no existeixen, les comparacions numèriques pures no són concloents. Es tenen en compte factors com la complexitat de l'algorisme, la velocitat de processament, la mida de les dades d'entrenament i altres supòsits, i la comparació és difícil. Fins i tot l'elecció de ràdios o protocols no és habitual. La mida de la mostra d'entrenament informada a [13] és del 10 per cent, mentre que aquí és de l'1,4 per cent. Més important encara, no es va informar cap pas de recuperació del transportista. En assumir una alineació perfecta de fase i freqüència a l'oscil·lador local, no s'ha dut a terme cap mitigació per a la constel·lació del tipus que s'informa aquí. Aquesta és una omissió important. Tampoc hi ha soroll al sistema. Fer front a l'alta dimensionalitat és un altre factor. La transformació de blanqueig no té trets, evitant així la reducció de la dimensionalitat, mentre que els vectors de característiques extrets a [10] tenen 960 dimensions. L'empremta dactilar del dispositiu de RF a les xarxes cognitives Zigbee mostra una bona precisió (≈90 per cent), però a una SNR alta (més o igual a 20 dB) [15]. A [19], les dades d'entrada es preprocessen com a imatges en escala de grisos de l'espectre Hilbert i aconsegueixen una precisió acceptable sota nivells de SNR moderats (taxa de precisió mitjana del 70 per cent per a SNR de 15 dB).

5. Conclusions

Referències

1. Nandi, AK; Azzouz, EE Algoritmes per al reconeixement automàtic de modulació de senyals de comunicació. IEEE Trans. Commun. 1998, 46, 431–436.

2. Phukan, GJ; Bora, PK Estimació de paràmetres per a la classificació cega de modulacions digitals. Procés de senyal IET. 2016, 10, 758–769.

3. Ata'a, AW; Abdullah, SN Desentrellaçat de senyals de radar i algorismes d'identificació PRF. IET Radar Sonar Navig. 2007, 1, 340–347.

4. Gok, G.; Alp, YK; Arikan, O. A New Method for Specific Emitter Identification With Results on Real Radar Measurements. IEEE Trans. Inf. Seguretat Forense. 2020, 15, 3335–3346.

5. Sa, K.; Lang, D.; Wang, C.; Bai, Y. Tècniques específiques d'identificació d'emissors per a Internet de les coses. Accés IEEE 2020, 8, 1644–1652.

6. Wu, H.; Wang, W. Un mètode de detecció de seguretat col·laborativa basat en la teoria de jocs per a sistemes d'Internet de les coses. IEEE Trans. Inf. Seguretat Forense. 2018, 13, 1432–1445.

7. Padilla, J.; Padilla, P.; Valenzuela-Valdés, J.; Ramírez, J.; Górriz, J. Mesures d'empremtes dactilars de RF per identificar dispositius en xarxes de comunicació sense fil basades en la reducció de característiques i la transformació subespai. Mesura 2014, 58, 468–475.

8. Bihl, TJ; Bauer, KW; Temple, MA Selecció de funcions per a la presa d'empremtes digitals de RF amb anàlisi de discriminació múltiple i ús d'emissions de dispositius ZigBee. IEEE Trans. Inf. Seguretat Forense. 2016, 11, 1862–1874.

9. Xu, S.; Huang, B.; Xu, L.; Xu, Z. Classificació del transmissor de ràdio mitjançant un nou mètode d'anàlisi de característiques perdudes combinat amb PCA. A Proceedings of the MILCOM 2007-IEEE Military Communications Conference, Orlando, FL, EUA, 29-31 d'octubre de 2007; pàgines 1–5.

10. Jia, Y.; Ma, J.; Gan, L. Optimització combinada de reducció de característiques i classificació per a la identificació radiomètrica. Procés de senyal IEEE. Lett. 2017, 24, 584–588.

11. Danev, B.; Capkun, S. Identificació basada en transitori de nodes de sensor sense fil. A Proceedings of the 2009 International Conference on Information Processing in Sensor Networks, San Francisco, CA, EUA, 13-16 d'abril de 2009; pàgines 25–36.

12. Kennedy, IO; Scanlon, P.; Mullany, FJ; Buddhikot, MM; Nolan, KE; Rondeau, TW Empremta digital del transmissor de ràdio: un enfocament de domini de freqüència en estat estacionari. A Proceedings of the 2008 IEEE 68th Vehicular Technology Conference, Calgary, AB, Canadà, 21-24 de setembre de 2008; pàgines 1–5.

13. Youssef, K.; Bouchard, L.; Haigh, K.; Silovsky, J.; Thapa, B.; Valk, Enfocament d'aprenentatge automàtic de CV per a la identificació del transmissor de RF. IEEE J. Radio Freq. Identificar. 2018, 2, 197–205.

14. Jafari, H.; Omotere, O.; Adesina, D.; Wu, H.; Qian, L. Dispositius IoT Fingerprinting Using Deep Learning. A Proceedings of the MILCOM 2018—2018 IEEE Military Communications Conference (MILCOM), Los Angeles, CA, EUA, 29-31 d'octubre de 2018; pàgines 1–9.

15. Mercader, K.; Revay, S.; Stantxev, G.; Nousain, B. Aprenentatge profund per a la presa d'empremtes digitals de dispositius de RF en xarxes de comunicació cognitiva. IEEE J. Sel. Superior. Procés del senyal. 2018, 12, 160–167.

16. Rajendran, S.; Meert, W.; Giustiniano, D.; Prestadors, V.; Pollin, S. Models d'aprenentatge profund per a la classificació de senyals sense fil amb sensors d'espectre distribuïts de baix cost. IEEE Trans. Cogn. Commun. Netw. 2018, 4, 433–445.

17. Ding, L.; Wang, S.; Wang, F.; Zhang, W. Identificació específica d'emissors mitjançant xarxes neuronals convolucionals. IEEE Commun. Lett. 2018, 22, 2591–2594.

18. Masood, S.; Rai, A.; Aggarwal, A.; Doja, MN; Ahmad, M. Detecting distraction of drivers using convolutional neuronal network. Reconeixement de patrons. Lett. 2018, 139, 79–85.

19. Pan, Y.; Yang, S.; Peng, H.; Li, T.; Wang, W. Identificació específica d'emissors basada en xarxes residuals profundes. Accés IEEE 2019, 7, 54425–54434.

20. Qian, Y.; Qi, J.; Kuai, X.; Han, G.; Sol, H.; Hong, S. Identificació específica de l'emissor basada en la representació dispersa de diversos nivells en un sistema d'identificació automàtica. IEEE Trans. Inf. Seguretat Forense. 2021, 16, 2872–2884.

21. Du, M.; Ell, X.; Cai, X.; Bi, D. Balanced Neural Architecture Search i la seva aplicació en la identificació específica d'emissors. IEEE Trans. Procés del senyal. 2021, 69, 5051–5065.

22. Huang, G.; Yuan, Y.; Wang, X.; Huang, Z. Identificació específica d'emissors basada en característiques dinàmiques no lineals. Llauna. J. Electr. Informàtica. Eng. 2016, 39, 34–41.

23. Huang, G.; Yuan, Y.; Wang, X.; Huang, Z. Identificació específica de l'emissor per a transmissors de comunicacions mitjançant múltiples mesures. Wirel. Pers. Commun. 2017, 94, 1523–1542.

24. Yuan, Y.; Huang, ZT; Wu, H.; Wang, X. Identificació específica de l'emissor basada en les característiques de distribució d'energia basades en la transformació de Hilbert-Huang. IET Commun. 2014, 8, 2404–2412.

25. Padilla, P.; Padilla, J.; Valenzuela-Valdes, J. Identificació per radiofreqüència de dispositius sense fil basat en empremtes digitals de RF. Electró. Lett. 2013, 49, 1409–1410.

26. Hu, A. Detecció basada en preàmbuls d'empremtes dactilars de RF del transmissor Wi-Fi. Electró. Lett. 2010, 46, 1165–1167.

27. Candore, A.; Kocabas, O.; Koushanfar, F. Empremta radiomètrica estable robusta per a dispositius sense fil. A Proceedings of the 2009 IEEE International Workshop on Hardware-Oriented Security and Trust, San Francisco, CA, EUA, 27-29 de juliol de 2009; pàgines 43–49.

28. Dudczyk, J.; Kawalec, A. Algoritme d'identificació de decisió ràpida del patró de font d'emissió a la base de dades. Bou. Pol. Acad. Ciència i tecnologia. Ciència. 2015, 63, 385–389.

29. Kawalec, A.; Rapacki, T.; Wnuczek, S.; Dudczyk, J.; Owczarek, R. Mixed Method Based on Intrapulse Data and Radiated Emission to Emitter Sources Recognition. A Proceedings of the 2006 International Conference on Microwaves, Radar Wireless Communications, Cracòvia, Polònia, 22-24 de maig de 2006; pàgines 487–490.

30. Demers, F.; St-Hilaire, M. Identificació radiomètrica de transmissors LTE. A Proceedings of the 2013 IEEE Global Communications Conference (GLOBECOM), Atlanta, GA, EUA, 9-13 de desembre de 2013; pàgines 4116–4121.

31. Tan, K.; Yan, W.; Zhang, L.; Tang, M.; Zhang, Y. Identificació específica de l'emissor basada en la ràdio definida per programari i la fusió de decisions. Accés IEEE 2021, 9, 86217–86229.

32. Jana, S.; Kasera, SK Per a la detecció ràpida i precisa de punts d'accés sense fil no autoritzats mitjançant distorsions de rellotge. IEEE Trans. Mob. Informàtica. 2009, 9, 449–462.

33. Conning, M.; Potgieter, F. Anàlisi de dades de radar mesurades per a la identificació d'emissors específics. A Proceedings of the 2010 IEEE Radar Conference, Washington, DC, EUA, 10-14 de maig de 2010; pàgines 35–38.

34. Polak, AC; Goeckel, DL Identificació del dispositiu sense fil basada en imperfeccions de l'oscil·lador de RF. IEEE Trans. Inf. Seguretat Forense. 2015, 10, 2492–2501.

35. Polak, AC; Goeckel, DL Empremtes digitals RF d'usuaris que emmascaren activament les seves identitats amb una distorsió artificial. A Proceedings of the 2011 Conference Record of the Forty Fifth Asilomar Conference on Signals, Systems, and Computers (ASILOMAR), Pacific Grove, CA, EUA, 6-9 de novembre de 2011; pàgines 270–274.

36. Liu, MW; Doherty, JF Identificació específica d'emissors mitjançant estimació de dispositius no lineals. A Proceedings of the 2008 IEEE Sarnoff Symposium, Princeton, NJ, EUA, 28-30 d'abril de 2008; pàgines 1–5.

37. Li, Y.; Chen, X.; Lin, Y.; Srivastava, G.; Liu, S. Identificació del transmissor sense fil basat en les imperfeccions del dispositiu. Accés IEEE 2020, 8, 59305–59314.

38. Dolatshahi, S.; Polak, A.; Goeckel, DL Identificació d'usuaris sense fil mitjançant imperfeccions de l'amplificador de potència. A Proceedings of the 2010 Conference Record of the Forty Fourth Asilomar Conference on Signals, Systems and Computers, Pacific Grove, CA, EUA, 7-10 de novembre de 2010; pàgines 1553–1557.

39. D'Agostino, S.; Foglia, G.; Pistoia, D. Identificació específica de l'emissor: anàlisi de dades reals del senyal de radar. A Proceedings of the 2009 European Radar Conference (EuRAD), Roma, Itàlia, 30 de setembre-2 d'octubre de 2009; pàgines 242–245.

40. Guo, S.; Blanc, RE; Low, M. Un estudi comparatiu de la identificació d'emissors de radar basat en transitoris de senyal. A Proceedings of the 2018 IEEE Radar Conference (RadarConf18), Oklahoma City, OK, EUA, 23-27 d'abril de 2018; pàgines 286–291.

41. Talbot, KI; Duley, PR; Hyatt, MH Identificació i verificació d'emissors específics. Tecnol. Rev. 2003, 113, 113–133.

42. Dragomiretskiy, K.; Zosso, D. Descomposició en mode variacional. IEEE Trans. Procés del senyal. 2013, 62, 531–544.

43. Chang, CI Projecció subespacial ortogonal (OSP) revisitada: un estudi i anàlisi exhaustius. IEEE Trans. Geosci. Remote Sens. 2005, 43, 502–518. ): Richland, WA, EUA, 2007.

45. Mayer, R.; Bucholtz, F.; Scribner, D. Detecció d'objectes mitjançant l'ús de blanqueig/desblanqueig per transformar les signatures objectiu en imatges multitemporals hiperespectrals i multiespectrals. Geosci. Remote Sens. IEEE Trans. 2003, 41, 1136–1142.

46. ​​Kessy, A.; Lewin, A.; Strimmer, K. Blanquejament i Decorrelació òptims. Am. Estad. 2018, 72, 309–314.

47. Bell, AJ; Sejnowski, TJ Els "components independents" de les escenes naturals són filtres de vora. Vis. Res. 1997, 37, 3327–3338.

48. Srivastava, N.; Hinton, G.; Krizhevsky, A.; Sutskever, I.; Salakhutdinov, R. Dropout: Una manera senzilla d'evitar que les xarxes neuronals s'ajustin excessivament. J. Mach. Aprèn. Res. 2014, 15, 1929–1958.

49. Förstner, W.; Moonen, B. Una mètrica per a matrius de covariància. A Geodèsia: el repte del 3r mil·lenni; Springer: Berlín/Heidelberg, Alemanya, 2003; pàgines 299–309.

50. Kulis, B.; Sustik, MA; Dhillon, IS L'aprenentatge del nucli de baix rang amb divergències de matrius Bregman. J. Mach. Aprèn. Res. 2009, 10, 341–376.

51. Herdin, M.; Czink, N.; Ozcelik, H.; Bonek, E. Correlation Matrix Distance, a Meaningful Measure for Avaluation of Non-Stationary MIMO Channels. A Proceedings of the IEEE 61st Vehicular Technology Conference de 2005, Estocolm, Suècia, 30 de maig a 1 de juny de 2005; Volum 1, pàgs. 136–140.

52. Kuncheva, LI Un estudi teòric sobre sis estratègies de fusió de classificadors. IEEE Trans. Patró Anal. Mach. Intel·ligència. 2002, 24, 281–286.

53. Proakis, JG; Salehi, M. Comunicacions digitals; McGraw-Hill: Nova York, NY, EUA, 2008.

54. Generador de senyals vectorials Agilent. 2021. (consultat el 26 de novembre de 2021).

55. Mòdem SATCOM d'ample de banda millorat Viasat. 2021. (consultat el 26 de novembre de 2021).

56. Teledyne Paradise Datacom. 2021. (consultat el 26 de novembre de 2021).

57. Kratos RTSIM. 2021. (consultat el 26 de novembre de 2021).

58. Ettus USRP. 2021.

Per a més informació: david.deng@wecistanche.com WhatApp:86 13632399501