Escolar Documentos
Profissional Documentos
Cultura Documentos
Sergey Volgin
Departamento de Engenharia
Espacial Samara State Aerospace
University Samara
Rússia vss.space@gmail.com
† A permissão para fazer cópias digitais ou impressas de todo ou parte deste sistema observado). Nestes casos, vários métodos como deconvolução,
trabalho para uso pessoal ou em sala de aula é concedida sem taxa, desde que as interpolação/extrapolação, filtração, etc. podem ser aplicados com
cópias não sejam feitas ou distribuídas com fins lucrativos ou vantagens comerciais
sucesso. As características de sinal mais importantes são a média e
e que as cópias contenham este aviso e a citação completa no primeiro página. Os
direitos autorais de componentes deste trabalho pertencentes a outros que não a variância do sinal [1], a periodicidade do sinal [2,3], a distribuição de
ACM devem ser respeitados. Abstraindo com crédito é permitido. Para copiar de
probabilidade das amostras de sinal [4], etc. Muitas vezes essas
outra forma, ou republicar, postar em servidores ou redistribuir para listas, requer
permissão específica prévia e/ou taxa. Solicite permissões de Permissions@acm.org. características têm natureza variável no tempo e modelos de sinais
complexos têm para ser aplicado. Em vários casos, no entanto, informações
CompSysTech '20, 19 a 20 de junho de 2020, Ruse,
a priori sobre o ruído ou o sistema observado estão ausentes no todo ou
Bulgária © 2020 Association for Computing Machinery.
ACM ISBN 978-1-4503-7768-3/20/06...$15,00 em parte. Nesses casos, buscam-se novos métodos de recuperação de
https:// doi.org/ 10.1145/3407982.3408024 dados inteligentes e adaptáveis, com os parâmetros de ruído necessários
129
Machine Translated by Google
e/ou comportamento do sistema avaliado dinamicamente em tempo adicionalmente fornece a suavidade da função de interpolação - a
real e a restauração do sinal inicial na forma de alguma tarefa de otimização. continuidade de suas derivadas até certo ponto. É importante notar
A abordagem proposta neste artigo é do tipo, descrita acima. que apenas uma seleção apropriada de funções de interpolação e uma
O objetivo em consideração é recuperar um sinal perdido procurando taxa de upsampling adequada podem melhorar a precisão do processo
a auto-semelhança de uma parte do sinal, ao redor da peça perdida, de recuperação de sinal.
com outras partes do sinal. A questão do impacto de diferentes tipos Outra classe de métodos de recuperação de sinal são os de
de ruído não é abordada (seu efeito é insignificante). Outro pedaço de extrapolação [8]. Esses métodos usam as medidas disponíveis para
sinal, tão próximo quanto a textura (comportamento) pode ser usado construir um modelo de comportamento do sinal e novos pontos são
para recuperar, independentemente da diferença de amplitude ou gerados usando esse modelo além dos pontos finais das observações
escala de tempo. recebidas. Os métodos de extrapolação para recuperação de sinal
O segundo capítulo discute as principais abordagens para sinalizar aplicam uma informação lateral dos dados recebidos (os dados
recuperação. recebidos antes da perda de informação) e como consequência têm
O capítulo a seguir discute uma abordagem para decompor um sinal capacidades limitadas na recuperação de dados perdidos, especialmente
de biblioteca auto-semelhante. no caso de uma série maior de bits perdidos.
O capítulo quatro discute vários casos importantes de recuperação de sinal. A análise de regressão é uma ferramenta matemática em estatística
O Capítulo 5 discute os resultados obtidos e seguem-se as conclusões matemática usada para encontrar a relação funcional entre duas ou
sobre a aplicabilidade do algoritmo proposto. mais variáveis aleatórias [9]. O modelo de regressão é definido
analiticamente com:
2 Restauração de sinal Os
= , (1)
algoritmos padrão de proteção contra ruído são divididos em dois A relação descrita é correlacional, não funcional, devido à falta de uma
grupos principais – usando algoritmos de correção de erros e relação exclusivamente consistente entre x e y.
solicitação de repetição automática. O segundo encontrou ampla A característica mais característica de uma análise de regressão é que
implementação no conjunto de protocolos TCP/IP [5], mas requer ela procura a correspondência mais próxima sem tentar encontrar as
retransmissão de dados quando o receptor detecta um erro e sua razões para isso. A análise de regressão linear e não linear pode ser
implementação para comunicação via satélite é questionável devido aplicada para reconstruir dados perdidos.
aos recursos limitados de energia e tempo no satélite. A análise de aproximação [10] é utilizada para representar o sinal por
A aplicação de algoritmos de correção de erros torna o sistema geral meio de funções simplificadas, que por sua vez podem ser utilizadas
mais complicado. A sua implementação bem sucedida está relacionada para recuperar medições faltantes. A chave na análise de aproximação
com um conhecimento estatístico prévio sobre o número de bits é a escolha do modelo de comportamento do sinal funcional e a
individuais ou grupos de bits perdidos e a sua percentagem em toda a precisão da aproximação. O modelo funcional geralmente implica
informação transmitida. O algoritmo escolhido deve corrigir o número algum conhecimento a priori do comportamento da grandeza medida.
especificado de erros/detecções perdidas. A eficiência/vantagem
algoritmo de do Para evitar essa dependência, o sinal é decomposto em uma
correção de erro é geralmente estimada como uma redução da taxa de combinação linear de vetores de base. O mais famoso deles
erro de bits da sequência codificada em comparação com a não são o uso de séries de Fourier, Chebishev, wavelets, e etc. O sinal é
codificada. Começando com o código de bloco de repetição mais representado como:
simples, passando pelos códigos cíclico, BCH, Reed Solomon,
convolucional, turbo e etc. todos eles requerem não apenas recursos =ÿ (2)
130
Machine Translated by Google
Restauração de informações de telemetria em comunicações por satélite CompSysTech'20, junho de 2020, Ruse, Bulgária
A análise é amplamente usada para analisar sinais contendo muitos já foi aplicado em aplicativos de restauração de textura de imagens (com sinais
componentes oscilatórios com amplitudes e frequências instantâneas que 2D).
variam lentamente. Transformada de Fourier de Curto Prazo (STFT), Neste artigo, o foco está na restauração de sinais unidimensionais pela
Transformação Wavelet Contínua (CWT) e Distribuição de Wigner-Ville são os decomposição adequada do sinal.
exemplos mais típicos de análise tempo-frequência [11-16]. Recentemente,
surgiu um novo método de análise de tempo-frequência - a chamada
transformação de Decomposição de Modo Empírico de Hilbert-Huang (EMD) 3 Decomposição auto-similar (SSD) de sinais O SSD [26] é uma tentativa
[17]. EMD é um algoritmo de decomposição original usado em muitas aplicações de combinar a representação do sinal no domínio do tempo com uma
[18- representação no domínio da frequência. Uma breve descrição da consideração
19]. mais importante será dada aqui.
Outra classe de algoritmos utilizada para recuperar sinais é baseada no filtro
de Kalman (KF) e suas modificações. Este tipo de algoritmo pressupõe o O algoritmo SSD é baseado na hipótese de que os pontos mais importantes no
conhecimento da função de transição do sistema investigado de um estado sinal observado do ponto de vista da informação são seus extremos. Um sinal
para outro (modelo do sistema), bem como o conhecimento das estatísticas de pode codificar a informação de muitas maneiras diferentes por modulação de
ruído do sensor e dos erros no modelo do sistema. Originalmente, o filtro de sinal. Mas, apesar da forma de modulação, a informação é codificada nas
Kalman foi projetado para avaliar apenas sistemas lineares [20]. Posteriormente mudanças do sinal. As mudanças de um sinal podem ser determinadas apenas
foi generalizado para sistemas não lineares (filtro de Kalman estendido - EKF). comparando os valores de vários pontos de sinal. Para quaisquer dois pontos
Além disso, foi proposta sua modificação com a suplementação de Maximização de sinal vizinhos (o menor conjunto para comparação) existem apenas três
de Expectativa (EM). Hoje, muitas versões do KF estão disponíveis, como estados possíveis – preservação do sinal, aumento do sinal ou diminuição do
estimadores Pseudo-Bayesianos Generalizados (GPB) de diferentes ordens, sinal. O conjunto de três pontos vizinhos possui possibilidades mais ricas –
Modelos Múltiplos Interativos de Estrutura Fixa (IMM), IMM de Estrutura possui meios para detectar a transição do sinal de um estado para outro. Os
Variável, IMM de Associação de Dados Probabilísticos e assim por diante pontos de mudança de estado do sinal são considerados os portadores de
[21-25]. Todos eles estão estimando os parâmetros do sistema não linear. informação de sinal mais importantes e desempenham um papel fundamental
Embora haja uma rica variedade de métodos e algoritmos, eles são baseados no algoritmo SSD. Esses pontos são extremos de sinal usados como pontos de
principalmente em aproximações lineares. determina o comportamento no fronteira para segmentação de sinal.
momento seguinte. No entanto, em muitas aplicações essa condição não é
cumprida e o sinal ausente pode ser restaurado incorretamente. A realização do algoritmo usa uma biblioteca de formas básicas de sinais para
representação de sinais. Espera-se que sejam repetitivos dentro do sinal
observado. Esta ideia não é nova. Existem duas abordagens diferentes para a
descrição do sinal usando as propriedades das formas. O primeiro usa um
conjunto de formas de sinais ou dicionários definidos a priori [27-31]. Cada
Os métodos descritos acima demonstram a enorme variedade de métodos de fragmento é comparado com este conjunto e classificado de acordo com sua
recuperação de sinal disponíveis - desde os mais simples, que implicam a semelhança com o padrão correspondente. A segunda abordagem vem da
interpolação de sinal em regiões de medição ausentes, até aqueles que utilizam análise fractal onde um sinal é descrito usando sua auto-semelhança.
modelos comportamentais.
A abordagem proposta no artigo está mais próxima daquelas que utilizam Normalmente a análise fractal é aplicada para estimar o grau de repetição de
modelos comportamentais. A recuperação do sinal é baseada na hipótese de uma determinada forma em diferentes escalas. A aplicação no contexto da
que no comportamento do satélite observado/medido segunda abordagem é limitada devido ao pequeno número de sinais fractais na
parâmetros do subsistema caracteriza-se com repetibilidade devido à rotação prática. A abordagem SSD pode ser considerada como uma extensão da
cíclica dos satélites ao redor da Terra, a rotação periódica dos painéis segunda abordagem. Os passos principais do algoritmo SSD são dados na fig.
fotovoltaicos para o sol, o vôo periódico sobre o mesmo ponto na Terra, etc. A 1:
repetibilidade é observada até uma precisão de magnitude , tanto em amplitude
quanto em tempo. Para usar a repetibilidade dos sinais medidos, o sinal
recebido é decomposto em uma biblioteca de componentes principais.
A decomposição do sinal não usa formas determinadas preliminarmente como Sinal Eliminar ruído Achar Biblioteca
senoides, wavelets, etc. A segmentação do sinal depende inteiramente do de entrada Extrema Segmentação
comportamento do sinal observado. Isso significa que a decomposição do
Figura 1. A arquitetura do algoritmo SSD
sinal é específica para cada sinal processado. A biblioteca de componentes
segmentados é usada para recuperar seções de sinal perdidas. O sinal recebido (primeiro passo) quase sempre está contaminado com ruído.
A detecção correta do sinal requer filtragem/suavização do sinal (passo dois)
A ideia básica é recuperar a parte faltante do sinal usando um(s) componente(s) para reduzir a influência do ruído de alta frequência. Simultaneamente, o sinal
de biblioteca de forma que a estrutura do sinal em torno da informação perdida é suavizado para compensar o erro de arredondamento do ADC. A terceira
fique o mais próximo possível (em escala) de outro fragmento do sinal. Essa etapa do algoritmo localiza os extremos do sinal. O processo de segmentação
ideia não é nova. Tem
131
Machine Translated by Google
(quarta etapa) consiste em decompor o sinal de entrada em partes não critério de Pearson. Para que o teste de correlação seja aplicado
sobrepostas chamadas segmentos, seguidas de sua agregação (quinta corretamente, os segmentos da biblioteca devem ser reamostrados. Vamos
etapa). A agregação de segmentos é realizada pela fusão de duplos, triplos, denotar as medições de sinal no segmento danificado -. como -.# , … , -./ ,
quádruplos, ..., n-tuplas de segmentos semelhantes. -./010#, … , -.& . O segmento de dano continha inicialmente N medições,
O sinal contém também duas partes de borda: a parte do sinal antes de mas m delas foram perdidas na transmissão – as medições de k+1 a k+m.
seu primeiro extremo e a parte do sinal após seu último extremo. Todos os Vamos denotar o
segmentos se caracterizam por sua monotonicidade (antes da agregação), medições do i-ésimo segmento s3 da biblioteca por s3# , s3% , … , s34 . O
posição e escala. Esta informação permite reconstruir o sinal da biblioteca
número de medições recebidas é L. O procedimento de reamostragem cria
dos segmentos de sinal específicos buscados.
N pontos s3# , s3% , … , s3& . Então m deles são removidos (de k+1 a k+m)
e os pontos restantes são renumerados de 1 a Nm. A expressão modificada
O procedimento mais importante do algoritmo SSD é a busca por
para o coeficiente de correlação de Pearson será:
similaridade. É calculado pelo coeficiente de correlação de Pearson:
=
&
! ÿ "#$$'#
"%$ (ÿ&$'#"#$
)(ÿ "%$ $'# )
&
=
(3)
% %
&81
! 5 ÿ "$6 6'#
" 76
&81
9ÿ6'# :9ÿ
"$6
&81
6'# "76 :
*+! ÿ "#$ (ÿ$'#
"#$) ,+! ÿ "%$ (ÿ$'#
"%$) ,
&% & &% &
$'# $'#
: =<! 5 ÿ "76 :
% %
&81% &81 &81% &81
6'# 9ÿ6'# "$6 6'# 9ÿ6'# "76
;<! 5 ÿ "$6 =
Esta estimativa de similaridade é preferida para ser usada para flutuação (4)
normalmente distribuída de pontos de sinal, que está em conformidade Se o coeficiente de correlação de Pearson do segmento mais próximo
com o caráter de ruído de medição aditivo.
ultrapassar um certo limite (por exemplo 0,98) a parte danificada de -. pode
Um exemplo demonstrativo de implementação do algoritmo SSD em um ser substituído pela peça retirada do segmento mais próximo após sua
sinal senoidal com amplitude linearmente crescente é dado na Fig. 2 [26]. reescalonamento e deslocamento. Às vezes, pode acontecer que o
O sinal de entrada é exibido na Fig. 2a, onde os segmentos agregados são segmento de dano seja único e não haja segmentos semelhantes. O caso
representados com cores diferentes. O algoritmo SSD determina 3 formas poderia ser resolvido usando técnicas de interpolação padrão, conhecendo
primitivas representadas na Fig. 2b para descrição do sinal. (e preservando) a monotonicidade do segmento danificado.
uma. Segmentação b. Três formas primitivas medições dos principais parâmetros, definindo o estado da espaçonave.
descrevem o sinal Os dados de telemetria são transmitidos para a estação terrestre como
Figura 2. Algoritmo SSD para função senoidal com amplitude linearmente uma série de quadros. Estruturalmente, esses quadros são séries de bits
132
Machine Translated by Google
Restauração de informações de telemetria em comunicações por satélite CompSysTech'20, junho de 2020, Ruse, Bulgária
Caso 2: A parte perdida do sinal contém um ou mais extremos. Este caso requerem atenção específica, seja um outlier ou uma mudança repentina
é mais complicado devido à perda das medidas mais importantes. Para k nos parâmetros operacionais do equipamento de bordo da espaçonave.
extremos perdidos pelo menos k+1 segmentos (k+1 -
tuplas de segmentos semelhantes) devem ser usadas para restauração de sinal.
O algoritmo de restauração desses segmentos é análogo ao do caso 6. Conclusão
anterior. A escolha do número de segmentos a serem considerados é O estado do monitoramento da espaçonave é realizado usando informações
extremamente delicada. Isso se deve à maior quantidade de medidas enviadas regularmente do satélite para as estações terrestres sobre a
perdidas e aos problemas relacionados à suficiência de segmentos operação de vários sistemas e sensores a bordo.
circunvizinhos para verificação de similaridade. O número mínimo de Muitas vezes, essas informações são corrompidas devido a links de
segmentos k+1 é muitas vezes muito escasso para restaurar corretamente comunicação complicados e precisam ser restauradas. O artigo propõe
o sinal. A escolha do maior número de segmentos leva a dificuldades de uma abordagem para restauração de sinais baseada na repetibilidade dos
encontrar n-tuplas semelhantes correspondentes na biblioteca. Esta sinais dos satélites como resultado do funcionamento cíclico de quase
estratégia é bem sucedida apenas para sinais altamente repetitivos. todos os sistemas e sensores de satélites. O algoritmo usa decomposição
auto-semelhante do sinal recebido. Dois casos de realização de algoritmos
Quando o pacote de informações perdidas contém um ou mais pontos são considerados – sem perda extrema e com
extremos (Fig.4a), os segmentos circundantes são incluídos e o sinal é perda extrema. Os exemplos demonstram a restauração do sinal para
restaurado usando a textura de sinal preservada mais próxima (Fig.4b). ambos os casos. Uma discussão é dada para a aplicabilidade do algoritmo
e seus prós e contras.
É importante notar que a restauração do sinal é realizada usando
similaridade até escala em amplitude ou em tempo. REFERÊNCIAS
[1] Allen RL, DW Mills. Análise de Sinal Tempo, Frequência, Escala e Estrutura, Copyright
© 2004 pelo Instituto de Engenheiros Elétricos e Eletrônicos, Inc., ISBN: 0-471-23441-9.
[2] Fourier J. The Analytical Theory of Heat, Cosimo Inc., Nova York, 2007, ISBN:
978-1-60206-107-1, publicado originalmente em 1822.
[3] Cooley JW, JW Tukey. (1960) "Um algoritmo para o cálculo da máquina de séries
complexas de Fourier", Matemática da Computação. 19 (90): 297–301, doi:10.1090/
S0025-5718-1965-0178586-1, ISSN 0025-5718 [4] Robert M. Gray, Lee D. Davisson,
(2005) Uma Introdução ao Sinal Estatístico
Processing, Cambridge University Press.
[5] Forouzan, Behrouz A. (2003) TCP/IP Protocol Suite (2ª ed.). McGraw
uma. Segmentação de um sinal com b. Restauração de sinal Hill.ISBN978-0-07-246060-5.
perdas [6] Moreira JC, Farrell PG, (2006) Essentials of Error-Control-Coding, John
Figura 4. Restauração de um sinal com perdas em dois segmentos Wiley & Sons Ltda.
[7] Rainer Kress, (1998) Análise Numérica, Publicado por Springer, ISBN: 978-1-
4612-6833-8, DOI: 10.1007/978-1-4612-0599-9.
[8] C. Brezinski, M. Redivo Zaglia, (1991) Métodos de Extrapolação, Volume 2, Teoria e
5 Discussão Prática, ISBN: 9780080506227, Holanda do Norte.
[9] A. Sen, M. Srivastava, (2011) Análise de Regressão - Teoria, Métodos e
Cada algoritmo tem seus próprios pontos fortes e fracos para um dado Aplicações, Springer-Verlag, Berlim, (4ª impressão).
[10] LN Trefethen, (2013) "Teoria da aproximação e prática da aproximação", SIAM 2013,
dado. A análise, dada aqui, descreve os lados positivos e negativos do
The University of Oxford & TheChebfun Team.
novo algoritmo. Pode servir como recomendação ou alerta de onde e como [11] L. Cohen, (1999) Análise de Tempo-Frequência, Prentice Hall, Nova Jersey (1995).
implementar o algoritmo e prognosticar os resultados de seu trabalho. [12] P. Flandrin, Análise de tempo-frequência/escala de tempo, Análise Wavelet e suas
Aplicações, vol. 10, Academic Press Inc., San Diego, CA.
[13] L. Stankoviÿ, M. Dakoviÿ, T. Thayaparan, (2013) Análise de Sinal de Tempo-Frequência
O novo algoritmo proposto para recuperação de informações perdidas ou com Aplicações, Artech House, Boston.
[14] F. Hlawatsch, GF Boudreaux-Bartels, (1992) Representações de sinal TF lineares e
danificadas é aplicável e eficaz para um determinado tipo de sinal. Os
quadráticas, IEEE Signal Proc. Mag., 9 (2), pp. 21-67.
melhores resultados são obtidos com sinais periódicos e repetitivos, que [15] S. Mallat, (1999) A Wavelet Tour of Signal Processing, Imprensa Académica.
[16] S. Meignen, T. Oberlin, P. Depalle, P. Flandrin, S. McLaughlin, (2016)
carecem de grande variedade de variações. Sinais semelhantes a ruído
Reconstrução adaptativa de sinal multimodo a partir de representações de frequência
branco implicam em baixa repetibilidade, o que leva a uma rica biblioteca de tempo, Phil. Trans. R. Soc. A, 374 (2065)
de segmentos e a aplicação bem-sucedida do algoritmo é problemática. A [17] Huang NE, Shen Z., Long SR, Wu MC, Shih HH, Zheng QN, Yen NC, Tung CC, Liu HH
(1998) A decomposição de modo empírico e o espectro de Hilbert para análise de
eficiência e principalmente a correção do funcionamento do algoritmo séries temporais não-lineares não estacionárias. Proc. R. Soc. Londres.
proposto também diminuem bastante com o aumento da quantidade de A. 1998;454:903–995. doi: 10.1098/rspa.1998.0193.
[18] Hariharan H.; Gribok, A.; Abidi, MA; Koschan, A. (2006) "Image Fusion and Enhancement
informação perdida, embora resultados não tão ruins tenham sido obtidos
via Empirical Mode Decomposition", Journal of Pattern Recognition Research, 1(1):
para a mesma classe de sinais com textura rica em repetição. A melhor 16–31, doi:10.13176/11.6.
característica do algoritmo é sua capacidade de recuperar extremos. [19] Chang, JC; Huang, MEU; Lee, JC; Chang, CP; Tu, TM (2009) "Iris Recognition with an
Empirical Mode Decomposition Method", Optical Engineering, 48 (4): 047007–047007–
Nesses casos, os algoritmos de interpolação estão totalmente errados e os 15, doi:10.1117/1.3122322.
baseados em modelos geralmente criam seus próprios picos. [20] Kalman, RE, (1960) A New Approach to Linear Filtering and Prediction Problems,
Journal of Basic Engineering, 82: 35-45, doi: 10.1115/1.3662552
Outra grande vantagem do algoritmo proposto é que não é necessário
[21] Bar-Shalom, Yaakov, Thomas Forthmann, (1988) Rastreamento e Dados
aumentar a quantidade de informação transmitida. Além disso, o algoritmo Association, San Diego, CA, Academic Press.
[22] Bar-Shalom, Yaakov, (editor), (1990) Multitarget-Multisensor Tracking:
é aplicável para estudar dados de informações telemétricas, identificando
Aplicações Avançadas, Norwood, MA.
instâncias de dados que podem
133
Machine Translated by Google
[27] PJ Besl, RC Jain, (1988) Segmentation Through Variable-Order Surface Fitting, IEEE
Trans. sobre PAMI, vol. IO, ÿ 2, março de 1988, pp. 167-192.
[28] RL Allen, DW Mills, (2004) Signal Analysis Time, Frequency, Scale, And Structure,
Copyright © 2004 pelo Instituto de Engenheiros Elétricos e Eletrônicos, Inc., ISBN:
0-471-23441-9.
[29] B. Bhanu, (1984) Representation and shape matching of 3-D objects, IEEE Trans.
Sobre o PAMI, vol. PAMI-6, ÿ. 3, maio de 1984, pp. 340-350.
[30] M. Hebert e J. Ponce, (1982) Um novo método para segmentação de cenas 3-D em
primitivos, em Proc. 6ª Int. Conf. Reconhecimento de padrões, Munique, Alemanha
Ocidental, 19-22 de outubro de 1982, pp. 836-838.
[31] C.Panagiotakis, G.Tziritas,Signal (2009) Segmentação e Modelagem Baseada no
Princípio da Equipartition, 16th International Conference on Digital Signal Processing,
ISBN impresso: 978-1-4244-3297-4, ISBN CD-ROM: 978 -1-4244-
3298-1, DOI: 10.1109/ICDSP.2009.5201105.
[32] Pan VY (1986) O trade-off entre a complexidade aditiva e a assincronia de algoritmos
lineares e bilineares, Information Processing Letters, 22(1),pp.11–14,
DOI:10.1016/0020-0190(86) 90035-9.
[33] Ivanushkin, MA, Volgin, SS, Kaurov, IV & Tkachenko, IS, (2019)
"Análise de métodos estatísticos para detecção de outliers em matrizes de dados de
telemetria, obtidos de pequenos satélites "AIST", Journal of Physics: Conference Series.
DOI: 10.1088/1742-6596/1326/1/012029.
[34] Ivanushkin, MA, Tkachenko, IS, Safronov, SL, Kaurov, IV & Volgin, SS, (2019) "Sobre
os resultados do processamento dos dados de telemetria recebidos da pequena
constelação de satélites "AIST", Journal of Physics: Série Conferência.
DOI: 10.1088/1742-6596/1368/4/042062.
134