Bu kaydın yasal hükümlere uygun olmadığını düşünüyorsanız lütfen sayfa sonundaki Hata Bildir bağlantısını takip ederek bildirimde bulununuz. Kayıtlar ilgili üniversite yöneticileri tarafından eklenmektedir. Nadiren de olsa kayıtlarla ilgili hatalar oluşabilmektedir. MİTOS internet üzerindeki herhangi bir ödev sitesi değildir!

Variational Mode Decomposition Based Radio Frequency Fingerprinting Of Bluetooth Devices

Diğer Başlık: Varyasyonel Kip Ayrıştırıcı Kullanarak Bluetooth Cihazların Radyo Frekans Parmak İzi Çıkarımı

Oluşturulma Tarihi: 06-10-2020

Niteleme Bilgileri

Tür: Tez

Alt Tür: Doktora

Yayınlanma Durumu: Yayınlanmamış

Dosya Biçimi: PDF

Dil: İngilizce

Konu(lar): Elektrik mühendisliği. Elektronik. Nükleer mühendislik,

Yazar(lar): Aghanaiya, Alghannai M. Arhouma (Yazar),

Emeği Geçen(ler): Kara, Ali (Tez Danışmanı),


Yayın Tarihi: 31-12-2019


Dosya:
file show file
Görüntüle
download file
Kaydet

Anahtar Kelimeler

Variational mode decomposition, Bluetooth signals, Specific emitter identification, Feature extraction, Classification.


Özet

In this thesis, we evaluated the performance of RF fingerprinting method based on variational mode decomposition (VMD). Radio frequency fingerprinting (RFF) is based on identification of unique features of RF transient signals emitted by radio devices. RF transient signals of radio devices are short in duration, non-stationary and nonlinear time series. For this purpose, VMD is used to decompose Bluetooth (BT) transient signals into a series of band-limited modes, and then, the transient signal is reconstructed from the modes. Higher order statistical (HOS) features are extracted from the complex form of VMD-reconstructed transients and VMD-modes. Then, Linear Support Vector Machine (LVM) classifier is used to identify BT devices. The method has been tested experimentally with BT devices of different brands, models and series. The classification performance shows that VMDreconstructed transients method achieves better performance (at least 8% higher) than time-frequency-energy (TFED) distribution based methods such as HilbertHuang Transform. This is demonstrated with the same dataset but with smaller number of features (nine features) and slightly lowers (2-3 dB) SNR levels. For the same dataset the classification performance demonstrates that VMD-modes method achieves better performance (4% higher) than VMD-reconstructed transient method.



İçindekiler



Açıklamalar



Haklar



Notlar



Kaynakça


Atıf Yapanlar

Gözat Sayfasına Dön

 

Sosyal Medya ve Araçlar

İstatistikler

  • Kayıt
    • Bu ay: 0
    • Toplam: 2710
  • Online
    • Ziyaretçi: 4
    • Üye: 0
    • Toplam: 4

Detaylı İstatistikler