💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥
✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：Matlab仿真科研站博客之家
🏆代码获取方式：
💥扫描文章底部QQ二维码💥
⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。
⛄更多Matlab图像处理（仿真科研站版）仿真内容点击👇
Matlab图像处理（仿真科研站版）
⛄一、DCT数字水印嵌入与提取简介
1 基本DCT变换
目前，基于DCT域的水印方法已经成为数字水印算法研究的热点，它的核心思想就是通过离散傅立叶变换对图像块进行处理后，再选择变换域中的一些系数值依据一定规则来嵌入水印。
由于图像块中DCT系数频带分布由左上角的直流分量DC往下对应的系数频率由低频升至高频，因此在不影响原图质量的前提下，可将水印信息根据能量大小嵌入相应系数频带中。通过图像块量化与水印嵌入结合的处理方法将水印信息均匀分布在图像的整个空间域，在图像裁剪和滤波方面，变换域的水印比在空间域的更能表现出一定的鲁棒性。
2 水印算法描述
2.1 水印嵌入算法
该算法采用加性嵌入的方式在经过DCT变换后的子图像块的中频域中，选取隐秘位置嵌入水印信息，具体的嵌入流程如下图1所示：
图1 分块水印嵌入流程
(1）分块处理：设宿主图像为P，将其分块处理为8*8的K个子块。
(2）水印预处理：设水印图像为W，对其进行互补变换，变换后的水印图像和变换前的水印图像相互补。
(3）对水印图像进行Arnold置乱变换，并依据混沌映射规则，选取密钥混沌序列并与水印序列异或运算，将置换次数和异或运算处理后的结果分别作为水印嵌入算法的密钥1和密钥2。
(4)DCT变换：对各子块内做DCT变换，利用zig-zag对DCT系数进行扫描，得到第k块子图像块的序列为Zk(i),i=0,1,2，…63.
(5）水印嵌入算法：依据zig-zag排序，在各子块的中、低频段选取特定系数x(m）和x(n），在系数坐标（a,b）和（c,d）处嵌入水印信息图像W，并将其作为密钥3。同理，嵌入互补水印图片W’，并将嵌入的位置作为密钥4。水印嵌入的方法如下：
(6)IDCT变换：将每一个子图像块作二维DCT逆变换。
(7）子块合并：将每一个子块合并成嵌入水印的图像P’。
2.2 水印提取算法
将嵌入水印的图像P’分块处理，并对各子块进行二维DCT变换，由密钥3和4推断所选择的水印系数，若x(m）≤x(n），则水印信息为0，若x(m)>x(n），则水印信息为1，再利用密钥1和2将初步水印的信息解密再进行Arnold逆变换，最终提取出水印信息。
2.3 水印检测算法
本文通过计算峰值信噪比PSNR的值评价嵌入水印的宿主图像的质量，一幅m和n的图像，PSNR度量标准定义为：
归一化相关系数NC的值判断嵌入水印的图像与宿主图像的相似度，其定义为：
⛄二、部分源代码
close all;
clear all;
clc;
I = imread(‘pepper.bmp’);
J = rgb2gray(I);
K_1 = fft2(J);
L_1 = abs(K_1/256);
K_2 = fftshift(K_1);
L_2 = abs(K_2/256);
figure;
subplot(2,2,1);
imshow(I); title(‘原始图像’);
subplot(2,2,2);
imshow(J); title(‘灰度图像’);
subplot(2,2,3);
imshow(uint8(L_1)); title(‘灰度图像傅里叶频谱’);
subplot(2,2,4);
imshow(uint8(L_2)); title(‘平移后的频谱’);
其运行结果如下图：
图1 图像傅里叶变换例
2.2 离散余弦变换（DCT）
离散余弦变换(DCT)是一组不同频率和幅值的余弦函数和来近似一副图像，实际上是傅里叶变换的实数部分。由于离散余弦变量对于一副图像，其大部分可视化信息都集中在少数的变换系数上。因此，离散余弦变量是数据压缩常用的一个变换编码方法，它能将高相关数据能量集中，使得它非常适用于图像压缩，例如国际压缩标准的JPEG格式中就采用了离散余弦变换。
在傅立叶变换过程中，如果被展开的函数是实偶函数，那么其傅立叶变换中只包含余弦项，基于傅立叶变换的这一特点，人们提出了离散余弦变换。DCT变换先将图像函数变换成偶函数形式，再对其进行二维离散傅立叶变换，因此DCT变换可以看成是一种简化的傅立叶变换。离散余弦变换叶分为一维离散余弦变换和二维离散余弦变换，在图像处理中用到二维变化，所以介绍下其二维定义，其他定义可查阅《数字图像处理》——冈萨雷斯。其二维离散余弦变换定义如下式：
```c
close all;
clear all;
clc;
I = imread ('boats.bmp');
J = dct2(I);
figure('Name','离散余弦变换');
subplot(1,2,1);
imshow(I); title('原始图像');
subplot(1,2,2);
imshow(log(abs(J))); title('离散余弦变换系数图像');
其运行结果如下图2：
图2 离散余弦变换例
2.3 小波变换（DWT）
小波变化是对傅里叶变换和短时傅里叶变换的一个突破，其改变就在于，将无限长的三角函数基换成了有限长的会衰减的小波。小波变化的理论较多，更多内容可查阅《数字图像处理》——冈萨雷斯相关章节内容，以下从一个叫简单的角度来解释小波变换。
表1 小波变换母小波
function varargout = manit1(varargin)
% MANIT1 M-file for manit1.fig
% MANIT1, by itself, creates a new MANIT1 or raises the existing
% singleton*.
%
% H = MANIT1 returns the handle to a new MANIT1 or the handle to
% the existing singleton*.
%
% MANIT1(‘CALLBACK’,hObject,eventData,handles,…) calls the local
% function named CALLBACK in MANIT1.M with the given input arguments.
%
% MANIT1(‘Property’,‘Value’,…) creates a new MANIT1 or raises the
% existing singleton*. Starting from the left, property value pairs are
% applied to the GUI before manit1_OpeningFcn gets called. An
% unrecognized property name or invalid value makes property application
% stop. All inputs are passed to manit1_OpeningFcn via varargin.
%
% *See GUI Options on GUIDE’s Tools menu. Choose “GUI allows only one
% instance to run (singleton)”.
%
% See also: GUIDE, GUIDATA, GUIHANDLES
% Edit the above text to modify the response to help manit1
% Last Modified by GUIDE v2.5 14-Jun-2015 10:32:30
% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @manit1_OpeningFcn, …
‘gui_OutputFcn’, @manit1_OutputFcn, …
‘gui_LayoutFcn’, [] , …
‘gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
% — Executes just before manit1 is made visible.
function manit1_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to manit1 (see VARARGIN)
% Choose default command line output for manit1
handles.output = hObject;
% Update handles structure
guidata(hObject, handles);
% UIWAIT makes manit1 wait for user response (see UIRESUME)
% uiwait(handles.figure1);
% — Outputs from this function are returned to the command line.
function varargout = manit1_OutputFcn(hObject, eventdata, handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% Get default command line output from handles structure
varargout{1} = handles.output;
% — Executes on button press in browsecoverimg.
function browsecoverimg_Callback(hObject, eventdata, handles)
% hObject handle to browsecoverimg (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
[filename, pathname] = uigetfile({‘.jpg’;'.bmp’;‘.gif’;'.*’}, ‘Pick an Image File’);
S = imread([pathname,filename]);
S=imresize(S,[512,512]);
axes(handles.axes1)
imshow(S)
title(‘Cover Image’)
set(handles.text3,‘string’,filename)
handles.S=S;
guidata(hObject,handles)
% — Executes on button press in browsemsg.
function browsemsg_Callback(hObject, eventdata, handles)
% hObject handle to browsemsg (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
[filename, pathname] = uigetfile({‘.bmp’;'.jpg’;‘.gif’;'.*’}, ‘Pick an Image File’);
msg = imread([pathname,filename]);
axes(handles.axes2)
imshow(msg)
title(‘Input Message’)
set(handles.text4,‘string’,filename)
handles.msg=msg;
guidata(hObject,handles)
% — Executes on button press in DWT.
function DWT_Callback(hObject, eventdata, handles)
% hObject handle to DWT (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
message=handles.msg;
cover_object=handles.S;
k=10;
[watermrkd_img,PSNR,IF,NCC,recmessage]=dwt(cover_object,message,k);
axes(handles.axes3)
imshow(watermrkd_img)
title(‘Watermarked Image’)
axes(handles.axes4)
imshow(recmessage)
title(‘Recovered Message’)
a=[PSNR,NCC,IF]‘;
t=handles.uitable1;
set(t,‘Data’,a)
handles.a=a;
guidata(hObject,handles)
% — Executes on button press in DWTDCT.
function DWTDCT_Callback(hObject, eventdata, handles)
% hObject handle to DWTDCT (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
a=handles.a;
message=handles.msg;
cover_object=handles.S;
k=10;
[watermrkd_img,recmessage,PSNR,IF,NCC1] = dwtdct(cover_object,message,k);
axes(handles.axes3)
imshow(watermrkd_img)
title(‘DWT+DCT Watermarked Image’)
axes(handles.axes4)
imshow(recmessage)
title(‘DWT+DCT Recovered Message’)
b=[PSNR,NCC1,IF]’;
t=handles.uitable1;
set(t,‘Data’,[a b])
handles.b=b;
guidata(hObject,handles)
% — Executes on button press in DWTDCTBFO.
function DWTDCTBFO_Callback(hObject, eventdata, handles)
% hObject handle to DWTDCTBFO (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
a=handles.a;
b=handles.b;
message=handles.msg;
cover_object=handles.S;
[watermrkd_img,recmessage,PSNR,IF,NCC,pbest] = BG(cover_object,message);
axes(handles.axes3)
imshow(watermrkd_img)
title(‘DWT+DCT+BFO Watermarked Image’)
axes(handles.axes4)
imshow(recmessage)
title(‘DWT+DCT+BFO Recovered Message’)
c=[PSNR,NCC,IF]‘;
t=handles.uitable1;
set(t,‘Data’,[a b c])
handles.c=c;
guidata(hObject,handles)
% — Executes on button press in pushbutton6.
function pushbutton6_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton6 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
a=handles.a;
b=handles.b;
c=handles.c;
d=handles.d;
PSNR=[a(1),b(1),c(1),d(1) ];
NCC=[a(2),b(2),c(2),d(2)];
IF=[a(3),b(3),c(3),d(3)];
figure
bar(PSNR)
set(gca,‘XTickLabel’,’ ‘);
ylabel(‘PSNR’)
text(1,0,‘DWT’,‘Rotation’,260,‘Fontsize’,8);
text(2,0,‘DWT+DCT’,‘Rotation’,260,‘Fontsize’,8);
text(3,0,‘DWT+DCT+BFO’,‘Rotation’,260,‘Fontsize’,8);
text(4,0,‘DWT+DCT+PBFO’,‘Rotation’,260,‘Fontsize’,8);
[t]=get(gca,‘position’);
set(gca,‘position’,[t(1) 0.31 t(3) 0.65])
title(‘Bar Graph Comparison of PSNR’)
%%%%
figure
bar(NCC)
set(gca,‘XTickLabel’,’ ‘);
ylabel(‘NCC’)
text(1,0,‘DWT’,‘Rotation’,260,‘Fontsize’,8);
text(2,0,‘DWT+DCT’,‘Rotation’,260,‘Fontsize’,8);
text(3,0,‘DWT+DCT+BFO’,‘Rotation’,260,‘Fontsize’,8);
text(4,0,‘DWT+DCT+PBFO’,‘Rotation’,260,‘Fontsize’,8);
[t]=get(gca,‘position’);
set(gca,‘position’,[t(1) 0.31 t(3) 0.65])
title(‘Bar Graph Comparison of NCC’)
% — Executes on button press in DWTDCTPBFO.
function DWTDCTPBFO_Callback(hObject, eventdata, handles)
% hObject handle to DWTDCTPBFO (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
a=handles.a;
b=handles.b;
c=handles.c;
message=handles.msg;
cover_object=handles.S;
[watermrkd_img,recmessage,PSNR,IF,NCC,pbest] =BG_PSO(cover_object,message);
axes(handles.axes3)
imshow(watermrkd_img)
title(‘DWT+DCT+PBFO Watermarked Image’)
axes(handles.axes4)
imshow(recmessage)
title(‘DWT+DCT+PBFO Recovered Message’)
d=[PSNR,NCC,IF]’;
t=handles.uitable1;
set(t,‘Data’,[a b c d])
handles.d=d;
guidata(hObject,handles)
⛄三、运行结果
⛄四、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1]万谊丹.基于Arnold和DCT的抗剪切攻击图像水印研究[J].网络安全技术与应用. 2021,(08)
3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除
🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化
2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类
2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测
2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测
3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别
3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建
4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题
4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划
4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划
4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配
5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏
6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏
7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断
7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真
7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真
7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰
7.5 无人机通信
7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航
8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置
9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长
10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合
2527
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
