Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Wireless Personal Communications
Erschienen in: Wireless Personal Communications 1/2017

25.04.2017

Radio Transmitter Identification Based on Collaborative Representation

verfasst von: Zhe Tang, Ying-Ke Lei

Erschienen in: Wireless Personal Communications | Ausgabe 1/2017

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Benefiting from the correlation among the samples, a method of radio transmitter identification based on collaborative representation is put forward in this paper. Firstly, we extract the square integral bispectra features to characterise the nuances of radio transmitters in the feature space. Secondly, based on collaborative representation, the sparse coefficient is obtained easily. At last, benefiting from the discrimination information of coefficients, a classifier is constructed for the final radio transmitter identification. On the actual collected dataset from ten FM radios which belong to the same model and manufacturer, the robust identification performances verify the effectiveness of our method.
Vorheriger Artikel An Enhanced Analytical Model and Performance Evaluation of the IEEE 802.15.4e TSCH CA
Nächster Artikel A Verifiable (k,n,m)-Threshold Multi-secret Sharing Scheme Based on NTRU Cryptosystem

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Literatur
1.
Toonstra, J., Kinsner, W., 1995. Transient analysis and genetic algorithms for classification. In IEEE WESCANEX95 on communications, power, and computing (Vol. 2, pp. 432–437).
2.
Tekbas, O. H., Ureten, O., & Serinken, N. (2004). Improvement of transmitter identification system for low SNR transients. Electronics Letters, 40(3), 182–183.CrossRef
3.
Gerdes, R., Daniels, T., Mina, M., Russell, S. (2006). Device identification via analog signal fingerprinting: A matched filter approach. In 13th annual network and distributed system security symposium.
4.
Sun, N., Zhou, Y.-J., Yang, Y.-X. (2009). Individual communication transmitter identification using support vector machines with kernels for polyspectrum. In 2009 Fourth International Conference on Internet Computing for Science and Engineering (ICICSE), pp. 293–296.
5.
Kennedy, I. O., Mullany, F. J., Buddhikot, M. M., Nolan, K. E., Rondeau, T. W. (2008). Radio transmitter fingerprinting: A steady state frequency domain approach. In IEEE 68th Vehicular Technology Conference, pp. 1–5.
6.
Xu, S.-H., Huang, B.-X., & Xu, L.-N. (2008). Identification of individual radio transmitters using SIB/PCA. Journal of Huazhong University of Science and Technology (Nature Science Edition), 36(7), 14–17.
7.
Chen, Z.-W., Xu, Z.-J., Wang, J.-M., Xu, Y.-L., & Kong, L. (2013). Emitter identification method based on cyclic spectrum density slice. Journal of Data Acquisition & Processing, 28(3), 284–288.
8.
Wang, J.-M., Xu, Y. L., & Xu, Z.-J. (2013). Transmitter identification based on improved supervised manifold learning algorithm. Journal of PLA University of Science and Technology (National Science Edition), 14(5), 479–483.
9.
Candès, E. J., Romberg, J., & Tao, T. (2006). Robust uncertainty principles: exact signal reconstruction from highly incomplete frequency information. IEEE Transactions on Information Theory, 52(2), 489–509.MathSciNetCrossRefMATH
10.
11.
Wright, J., Yang, A.-Y., Ganesh, A., Yang, A., & Ma, Y. (2009). Robust face recognition via sparse representation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 31(2), 210–227.CrossRef
12.
Li, Y.-Q., Yu, Z.-L., Bi, N., & Xu, Y. (2014). Sparse representation for brain signal processing: a tutorial on methods and applications. IEEE Signal Processing Magazine, 31(3), 96–106.CrossRef
13.
Guo, J.-F., Zheng, X.-H., Wei, X.-C., & Feng, R.-C. (2014). Sparse representation of vibration signals using trained dictionary. Applied Mechanics and Materials, 574, 690–695.CrossRef
14.
Zhang, L., Yang, M., Feng, X. (2011). Sparse representation or collaborative representation: Which helps face recognition? In 2011 IEEE international conference on computer vision, pp. 471–478.
15.
16.
Chandran, V., & Elgar, S. L. (1993). Pattern recognition using invariants defined from higher order spectra-one-dimensional inputs. IEEE Transactions on Signal Processing, 41(1), 205–212.CrossRefMATH
17.
Tugnait, J. K. (1994). Detection of non-Gaussian signals using integrated polyspectrum. IEEE Transactions on Signal Processing, 42(12), 3137–3149.CrossRef
18.
Tsatsanis, M. K., & Giannakis, G. B. (1992). Object and texture classification using higher order statistics. IEEE Transactions on Pattern Analysis and Machine Intelligence, 14(7), 733–750.CrossRef
19.
Jia, S., Shen, L.-L., & Li, Q.-Q. (2014). Gabor feature-based collaborative representation for Hyperspectral imagery classification. IEEE Transactions on Geoscience and Remote Sensing, 53(2), 1118–1129.
Metadaten
Titel
Radio Transmitter Identification Based on Collaborative Representation
verfasst von
Zhe Tang
Ying-Ke Lei
Publikationsdatum
25.04.2017
Verlag
Springer US
Erschienen in
Wireless Personal Communications / Ausgabe 1/2017
Print ISSN: 0929-6212
Elektronische ISSN: 1572-834X
DOI
https://doi.org/10.1007/s11277-017-4242-z

Weitere Artikel der Ausgabe 1/2017

Wireless Personal Communications 1/2017 Zur Ausgabe

OriginalPaper

Miniaturized Multiband Slotted Microstrip Antenna for Wireless Applications

OriginalPaper

Traffic Aware Channel Access Algorithm for Cluster Based Wireless Sensor Networks

OriginalPaper

The Vulnerability Exploitation Conveying Digital Data Over Mobile Voice Call Channels

OriginalPaper

Average BER Performance of Orthogonal Space–Time Block Coding System with Antenna Selection Over Generalized η–μ Fading Channel

OriginalPaper

An Efficient Lightweight RFID Authentication Protocol with Strong Trajectory Privacy Protection

OriginalPaper

Minimized SER and QOS Based Power Allocation Strategies for Multi HDAF Relay Cooperative Network

Neuer Inhalt

    Bildnachweise