💥💥💞💞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、BP车牌识别简介（附课程作业报告）
车牌识别系统设计与实现
车牌识别系统主要分为三部分：车牌图像预处理、特征提取以及基于BP神经网络对特征进行训练和分类，流程图如图1所示。
图1 车牌识别系统组成示意图
1 车牌图像预处理
车牌图像预处理是对车牌进行智能识别的基础，处理结果直接影响后续车牌识别的精度。车牌图像预处理过程主要包括车牌定位和字符分割，作用是将车牌从复杂的背景中分割出来，并按照国内车牌的设计规则，将其分割为7个字符块，以便进行后续的特征提取及字符识别。
1.1车牌定位
车牌定位主要采用图像处理中的一些去噪算法及数学形态学方法，流程图如图2所示。
图2 车牌定位流程图
主要步骤包括：
1)将图像灰度化以增强图像效果，如图3所示；
2)采用均值滤波平滑图像，去除图像中的噪声；
3) 利用Sobel算子对图像进行边缘提取 ， 将图片中的车牌边缘保留， 如图4所示；
图3 图像灰度化前后图片
4) 利用HSV模型和RGB模型中的蓝色区域取交集， 得到疑似蓝色区域位置， 如图5所示；
5) 利用[15] 的矩形结构元素对图像先进行膨胀， 再进行腐蚀， 并和Sobel算子提取到的边缘信息取交集， 去掉无
用的边缘信息，选出竖向纹理复杂的疑似车牌区域，如图6所示；
6)利用结构元素为[1040]的矩形对疑似车牌区域进行闭运算，得到一些内部填充较为完整的区域，如图7所示；
图5 蓝色区域取交集
图6 疑似车牌区域
图7 闭运算后的图像
7)删除连通区域小于1300的小区域，如图8所示；
8)通过计算矩形区域的长宽比，去除长宽比低于2.5或大于3.8的区域[6]，得到真正的车牌区域，并将车牌区域剪切出来，如图9所示。
图8 从图像中移除小对象
图9 剪切后车牌区域
1.2 字符分割
根据《中华人民共和国机动车号牌》行业标准，国内普通汽车车牌宽度为44cm，高度为14cm，字符宽度为4.5cm，高度为9cm[71。对车牌定位后得到的剪切后的车牌区域首先进行灰度化，再进行二值化，如图10所示。对图10中二值化后的车牌图像进行垂直方向像素统计，根据车牌字符的宽度和高度、字符间距离等特征，将车牌分为七个区域，最后归一化为32×40像素的统一格式，如图11所示。
图10 二值化图像
图11 字符分割后的车牌图像
2 车牌字符特征提取
对分割后的每个车牌字符二值图像进行基于白像素的特征提取，共提取13维特征。以上述字符分割后的第5个字符为例，将单个字符按照两行两列分为8块小区域，统计每个小区域中白像素的个数，得到第1-8维特征，如图12所示。
在水平方向画两条横线，将单个字符在水平方向上分为三部分，统计两条横线上的白色像素个数，得到第9-10维特征，如图13所示。在垂直方向上画两条竖线，将单个字符在垂直方向上分为三部分，统计两条竖线上的白色像素个数，得到第11-12维特征，如图14所示。最后，统计整个字符图片上白色像素的总点数，作为第13维特征。
图1 2 第1-8维特征
图1 3 第9、10维特征
图1 4 第11、12维特征
3 BP神经网络训练与分类
神经网络是由多输入、单输出或多输出的神经元连接而成的网络，能通过学习外界环境中的知识不断优化自身的网各参数，从而提高自身性能18]。由于神经网络可以采用并行方式大规模、高速地处理大型问题，目前已经被广泛应用在车牌识别领域19].
BP神经网络是一种基于最速下降法的多层前馈神经网络，由输入层、隐含层、输出层三部分构成，其拓扑结构如图15所示。BP神经网络的激活函数通常采用非线性转移函数，即S型函数-Sigmoid函数。BP神经网络主要通过来自每个神经元信息的前向传播和误差的反向传播来不断调整自身网络的权重和阈值，从而使整个网络的平方误差之和最小化。
图1 5 BP神经网络的结构
基于BP神经网络的车牌字符识别算法主要分为以下三个步骤：建立BP神经网络、利用字符特征对BP神经网络进行训练、对输入车牌的字符特征进行分类。
3.1建立BP神经网络
根据国内普通车牌字符内容的特点， 基于MATLAB平台建立了三个BP子网分别识别不同位置的字符。其中第一个BP子网用于识别车牌的第一个汉字字符(由于数据采集局限性，选取6个汉字字符进行训练和测试)，第二个BP子网用于识别车牌的第二个英文字母字符，第三个BP子网用于识别车牌的第3-7个字符，这5个字符为英文字母+数字组合形式。在数据进入神经网络之前， 首先采用pre mn mx函数对数据进行归一化， 防止出现较大误差。
对于第一个BP子网，建立13个输入、4个隐含层、6个输出的BP神经网络；对于第二个BP子网，建立13个输入、6个隐含层、24个输出的BP神经网络；对于第三个BP子网，建立13个输入、10个隐含层、34个输出的BP神经网络。三个BP子网的第一层神经元的激活函数均为log sig， 第二层均为pure lin， 学习方法均采用train gdx。
3.2训练BP神经网络
对于三个BP子网，分别输入其对应种类字符的13维特征值进行训练。对于第一个BP子网，收集了“沪”“京”“闽”“苏”“粤”“浙”六种汉字字符，共计1249幅字符图片进行13维特征提取，并输入BP子网进行训练，部分训练样本如图16所示。
图1 6 部分汉字字符训练库
对于第二个BP子网，由于车牌号中不含有字母“"和“O”，收集了除这两种字母之外的24种英文字母字符，共计3198幅字符图片进行13维特征提取，并输入BP子网进行训练，部分训练样本如图17所示。
图1 7 部分英文字母字符训练库
对于第三个BP子网，收集了上述24种英文字母字符以及数字0-9共34种字符，共计4285幅字符图片进行13维特征提取，并输入BP子网进行训练，部分训练样本如图18所示。
图1 8 部分英文字母+数字字符训练库
3.3 BP神经网络分类结果
对于每个测试字符，将提取到的13维特征输入训练好的BP神经网络进行分类，输出BP神经网络识别结果。对于上述车牌号为“京PKR 676”的原图， 识别结果正确显示为“京PKR 676”， 如图19所示。
图1 9 识别结果
⛄二、部分源代码
function varargout = run(varargin)
% RUN MATLAB code for run.fig
% RUN, by itself, creates a new RUN or raises the existing
% singleton*.
%
% H = RUN returns the handle to a new RUN or the handle to
% the existing singleton*.
%
% RUN(‘CALLBACK’,hObject,eventData,handles,…) calls the local
% function named CALLBACK in RUN.M with the given input arguments.
%
% RUN(‘Property’,‘Value’,…) creates a new RUN or raises the
% existing singleton*. Starting from the left, property value pairs are
% applied to the GUI before run_OpeningFcn gets called. An
% unrecognized property name or invalid value makes property application
% stop. All inputs are passed to run_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 run
% Last Modified by GUIDE v2.5 28-Mar-2020 10:04:49
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%通过.fig文件自动生成的文件，可以在这里加入自己的程序
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @run_OpeningFcn, …
‘gui_OutputFcn’, @run_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 run is made visible.
function run_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 run (see VARARGIN)
% Choose default command line output for run
handles.output = hObject;
handles.cd0 = cd;
handles.Color = 0;
handles.I = [];
axes(handles.axes1);
set(gca,‘Xtick’,[]);
set(gca,‘Ytick’,[]);
box on;
axes(handles.axes2);
set(gca,‘Xtick’,[]);
set(gca,‘Ytick’,[]);
box on;
axes(handles.axes3);
set(gca,‘Xtick’,[]);
set(gca,‘Ytick’,[]);
box on;
axes(handles.axes4);
set(gca,‘Xtick’,[]);
set(gca,‘Ytick’,[]);
box on;
axes(handles.axes5);
set(gca,‘Xtick’,[]);
set(gca,‘Ytick’,[]);
box on;
axes(handles.axes6);
set(gca,‘Xtick’,[]);
set(gca,‘Ytick’,[]);
box on;
axes(handles.axes8);
set(gca,‘Xtick’,[]);
set(gca,‘Ytick’,[]);
box on;
axes(handles.axes9);
set(gca,‘Xtick’,[]);
set(gca,‘Ytick’,[]);
box on;
axes(handles.axes12);
set(gca,‘Xtick’,[]);
set(gca,‘Ytick’,[]);
box on;
axes(handles.axes13);
set(gca,‘Xtick’,[]);
set(gca,‘Ytick’,[]);
box on;
axes(handles.axes14);
set(gca,‘Xtick’,[]);
set(gca,‘Ytick’,[]);
box on;
axes(handles.axes15);
set(gca,‘Xtick’,[]);
set(gca,‘Ytick’,[]);
box on;
axes(handles.axes16);
set(gca,‘Xtick’,[]);
set(gca,‘Ytick’,[]);
box on;
axes(handles.axes17);
set(gca,‘Xtick’,[]);
set(gca,‘Ytick’,[]);
box on;
% Update handles structure
guidata(hObject, handles);
% UIWAIT makes run wait for user response (see UIRESUME)
% uiwait(handles.figure1);
% — Outputs from this function are returned to the command line.
function varargout = run_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 pushbutton1.
function pushbutton1_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
%% 读图
[filename, cd1] = uigetfile( …
{‘.tif;.TIF;.JPG;.jpg;.bmp;.BMP;.jpeg;.JPEG;’,‘Image file’;…
‘.’, ‘All file (.)’},‘Pick an Image’);
axes(handles.axes1);
cla;
axes(handles.axes2);
cla;
axes(handles.axes3);
cla;
axes(handles.axes4);
cla;
if filename
cd(cd1);
d = imread(filename);
cd(handles.cd0);
handles.I = d;
axes(handles.axes1);
imshow(d);
handles.filename = filename;
box on;
end
handles.Color = 0;
cd(handles.cd0);
set(handles.text2,‘string’,‘’);
guidata(hObject, handles);
% — Executes on button press in pushbutton2.
function pushbutton2_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton2 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
%读取图像矩阵
image = handles.I;
gray = rgb2gray(image); % 图像灰度化
axes(handles.axes2);
%输出灰度化图像
imshow(gray);
% — Executes on button press in pushbutton3.
function pushbutton3_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton3 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
image = handles.I;
gray = rgb2gray(image);
new_gray = histeq(gray); % 直方图均衡 ，图像增强
axes(handles.axes3);
imshow(new_gray);
% — Executes on button press in pushbutton4.
function pushbutton4_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton4 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
image = handles.I;
gray = rgb2gray(image);
new_gray = histeq(gray); % 直方图均衡 ，图像增强
if size(new_gray,1)>1000
new_gray_1 = imresize(new_gray,0.1);
else
new_gray_1 =new_gray;
end
bw = edge(new_gray_1,‘canny’);
axes(handles.axes4);
imshow(bw);
% — Executes on button press in pushbutton5.
function pushbutton5_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton5 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
%% chepai dingwei
Image = handles.I;
DI = Image(:,:,3);
GI = (Image(:,:,1)<100 & Image(:,:,2)<150 & Image(:,:,3)>120 …
& abs(double(Image(:,:,2))-double(Image(:,:,3)))>30);
axes(handles.axes5);
imshow(GI);
handles.GI = GI;
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)
%% fengecheoai
d = handles.GI;
se = ones(40); % 腐蚀膨胀模版
d = imdilate(d,se);% 再做膨胀运算
d = imerode(d,se); % 先做腐蚀运算
% 先膨胀后腐蚀的过程称为开运算。用来填充物体内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积。
d = bwareaopen(d,100); % 移除小对象 小区域肯定是噪声
STATS = regionprops(d);%统计被标记的区域的面积分布，显示区域总数
area = [];
⛄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]呙润华，苏婷婷，马晓伟.BP神经网络联合模板匹配的车牌识别系统[J].清华大学学报(自然科学版)，2013，53(9)：1221-1226.
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
扫一扫
140
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
