【路径规划】 RBF优化Qlearning算法机器人避障路径规划【含Matlab源码 1219期】

💥💥💞💞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路径规划（仿真科研站版）仿真内容点击👇
Matlab路径规划（仿真科研站版）

⛄一、RBF及Qlearning算法简介

1 RBF
1.1 什么是径向基函数
1985年，Powell提出了多变量插值的径向基函数（RBF）方法。径向基函数是一个取值仅仅依赖于离原点距离的实值函数，也就是Φ（x）=Φ(‖x‖),或者还可以是到任意一点c的距离，c点称为中心点，也就是Φ（x，c）=Φ(‖x-c‖)。任意一个满足Φ（x）=Φ(‖x‖)特性的函数Φ都叫做径向基函数，标准的一般使用欧氏距离（也叫做欧式径向基函数），尽管其他距离函数也是可以的。最常用的径向基函数是高斯核函数 ,形式为 k(||x-xc||)=exp{- ||x-xc||^2/(2*σ)2) } 其中x_c为核函数中心,σ为函数的宽度参数 , 控制了函数的径向作用范围。

1.2 RBF神经网络
RBF神将网络是一种三层神经网络，其包括输入层、隐层、输出层。从输入空间到隐层空间的变换是非线性的，而从隐层空间到输出层空间变换是线性的。流图如下：

RBF网络的基本思想是：用RBF作为隐单元的“基”构成隐含层空间，这样就可以将输入矢量直接映射到隐空间，而不需要通过权连接。当RBF的中心点确定以后，这种映射关系也就确定了。而隐含层空间到输出空间的映射是线性的，即网络的输出是隐单元输出的线性加权和，此处的权即为网络可调参数。其中，隐含层的作用是把向量从低维度的p映射到高维度的h，这样低维度线性不可分的情况到高维度就可以变得线性可分了，主要就是核函数的思想。这样，网络由输入到输出的映射是非线性的，而网络输出对可调参数而言却又是线性的。网络的权就可由线性方程组直接解出，从而大大加快学习速度并避免局部极小问题。
径向基神经网络的激活函数可表示为：

其中xp为第p个输入样本，ci为第i个中心点，h为隐含层的结点数，n是输出的样本数或分类数。径向基神经网络的结构可得到网络的输出为：

当然，采用最小二乘的损失函数表示：

3 RBF神经网络的学习问题

求解的参数有3个：基函数的中心、方差以及隐含层到输出层的权值。
(1）自组织选取中心学习方法：
第一步：无监督学习过程，求解隐含层基函数的中心与方差
第二步：有监督学习过程，求解隐含层到输出层之间的权值
首先，选取h个中心做k-means聚类，对于高斯核函数的径向基，方差由公式求解：
cmax为所选取中心点之间的最大距离。
隐含层至输出层之间的神经元的连接权值可以用最小二乘法直接计算得到，即对损失函数求解关于w的偏导数，使其等于0，可以化简得到计算公式为：
（2）直接计算法
隐含层神经元的中心是随机地在输入样本中选取，且中心固定。一旦中心固定下来，隐含层神经元的输出便是已知的，这样的神经网络的连接权就可以通过求解线性方程组来确定。适用于样本数据的分布具有明显代表性。
（3）有监督学习算法
通过训练样本集来获得满足监督要求的网络中心和其他权重参数，经历一个误差修正学习的过程，与BP网络的学习原理一样，同样采用梯度下降法。因此RBF同样可以被当作BP神经网络的一种。

1.4 RBF神经网络与BP神经网络之间的区别
1.4.1 局部逼近与全局逼近
BP神经网络的隐节点采用输入模式与权向量的内积作为激活函数的自变量，而激活函数采用Sigmoid函数。各调参数对BP网络的输出具有同等地位的影响，因此BP神经网络是对非线性映射的全局逼近。
RBF神经网络的隐节点采用输入模式与中心向量的距离（如欧式距离）作为函数的自变量，并使用径向基函数（如Gaussian函数）作为激活函数。神经元的输入离径向基函数中心越远，神经元的激活程度就越低（高斯函数）。RBF网络的输出与部分调参数有关，譬如，一个wij值只影响一个yi的输出，RBF神经网络因此具有“局部映射”特性。

所谓局部逼近是指目标函数的逼近仅仅根据查询点附近的数据。而事实上，对于径向基网络，通常使用的是高斯径向基函数，函数图象是两边衰减且径向对称的，当选取的中心与查询点（即输入数据）很接近的时候才对输入有真正的映射作用，若中心与查询点很远的时候，欧式距离太大的情况下，输出的结果趋于0，所以真正起作用的点还是与查询点很近的点，所以是局部逼近；而BP网络对目标函数的逼近跟所有数据都相关，而不仅仅来自查询点附近的数据。

1.4.2 中间层数的区别
BP神经网络可以有多个隐含层，但是RBF只有一个隐含层。

1.4.3 训练速度的区别
使用RBF的训练速度快，一方面是因为隐含层较少，另一方面，局部逼近可以简化计算量。对于一个输入x，只有部分神经元会有响应，其他的都近似为0，对应的w就不用调参了。

1.4.4 RBF网络是连续函数的最佳逼近，而BP网络不是。

2 QLearning简介
** 算法思想**
QLearning是强化学习算法中value-based的算法，Q即为Q（s,a）就是在某一时刻的 s 状态下(s∈S)，采取 动作a (a∈A)动作能够获得收益的期望，环境会根据agent的动作反馈相应的回报reward r，所以算法的主要思想就是将State与Action构建成一张Q-table来存储Q值，然后根据Q值来选取能够获得最大的收益的动作。

⛄二、部分源代码

function varargout =PathPlanning(varargin)
% 移动机器人路径规划仿真平台接口：仿真平台提供了机器人工作环境的仿真界面，利用inf=load(‘inf’),sp=inf.StartPoint,
% EP=inf.EndPoint,WS=inf.env得到机器人工作环境的出发点、目标点位置及障碍物位置信息，工作空间边界及障碍物区域设置为1，自由空间
%设置为0。
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @Simulation_OpeningFcn, …
‘gui_OutputFcn’, @Simulation_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 GridSimulation is made visible.
function Simulation_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 GridSimulation (see VARARGIN)

% Choose default command line output for GridSimulation
handles.output = hObject;
% Update handles structure
guidata(hObject, handles);
% UIWAIT makes GridSimulation wait for user response (see UIRESUME)
% uiwait(handles.mainfig);
%cd D:\Simulation\EvolvingPath\path
cla
grid on
xlabel(‘X’); ylabel(‘Y’);
%初始化，获取各对象句柄
handles.StartPoint=findobj(‘tag’,‘StartPoint’); %获取“设置开始点”按钮句柄
handles.EndPoint=findobj(‘tag’,‘EndPoint’); %获取“设置目标点”按钮句柄
handles.Obstacle=findobj(‘tag’,‘Obstacle’); %获取“设置障碍物”按钮句柄
handles.Start=findobj(‘tag’,‘Start’); %获取“开始运行”按钮句柄
handles.OldEnv=findobj(‘tag’,‘OldEnv’); %获取“还原环境”按钮句柄
handles.MainAxes=findobj(‘tag’,‘MainAxes’); %获取主坐标句柄
handles.MainFigure=findobj(‘tag’,‘MainFigure’); %获取主窗口句柄
%初始化，设置各按钮显示状态
set(handles.StartPoint,‘Enable’,‘on’) %“设置开始点”按钮可用
set(handles.EndPoint,‘Enable’,‘off’) %“设置目标点”按钮禁用
set(handles.Obstacle,‘Enable’,‘off’) %“设置障碍物”按钮禁用
set(handles.Start,‘Enable’,‘off’) %“开始运行”按钮禁用
set(handles.OldEnv,‘Enable’,‘off’) %“还原环境”按钮可用
set(handles.MainFigure,‘WindowButtonDownFcn’,‘’); %
set(handles.MainFigure,‘WindowButtonUpFcn’,‘’); %
set(handles.MainAxes,‘ButtonDownFcn’,‘’); %
set(handles.MainAxes,‘ButtonDownFcn’,‘’); %
inf=load(‘inf’); %打开环境信息文件，inf.mat由save命令创建，存储了开始点、目标点、障碍物信息等
XLim=30; %x轴最大取值
YLim=30; %y轴最大取值
BreakTask=0; %初始化终止任务变量
for i=1:XLim %将边界设置成障碍物
for j=1:YLim
if ((i1)|(iXLim)|(j1)|(jYLim))
ws(i,j)=1;
end
end
end
save(‘inf’,‘ws’,‘-append’);
save(‘inf’,‘BreakTask’,‘-append’);

% — Outputs from this function are returned to the command line.
function varargout = Simulation_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 StartPoint.
function StartPoint_Callback(hObject, eventdata, handles)
% hObject handle to StartPoint (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
set(handles.StartPoint,‘Enable’,‘off’)
set(handles.EndPoint,‘Enable’,‘on’)
set(handles.Obstacle,‘Enable’,‘off’)
set(handles.Start,‘Enable’,‘off’)
flag=0;
save(‘inf’,‘flag’,‘-append’);
set(handles.MainFigure,‘WindowButtonDownFcn’,‘’);
set(handles.MainFigure,‘WindowButtonUpFcn’,‘’);
set(handles.MainAxes,‘ButtonDownFcn’,‘PathPlanning(’‘MainAxes_ButtonDownFcn’‘,gcbo,[],guidata(gcbo))’);
% — Executes on button press in EndPoint.
function EndPoint_Callback(hObject, eventdata, handles)
% hObject handle to EndPoint (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
set(handles.StartPoint,‘Enable’,‘off’)
set(handles.EndPoint,‘Enable’,‘off’)
set(handles.Obstacle,‘Enable’,‘on’)
set(handles.Start,‘Enable’,‘on’)
flag=1;
save(‘inf’,‘flag’,‘-append’);
%set(handles.MainFigure,‘WindowButtonDownFcn’,‘’);
%set(handles.MainFigure,‘WindowButtonUpFcn’,‘’);
set(handles.MainAxes,‘ButtonDownFcn’,‘PathPlanning(’‘MainAxes_ButtonDownFcn’‘,gcbo,[],guidata(gcbo))’);
% — Executes on mouse press over axes background.
function MainAxes_ButtonDownFcn(hObject, eventdata, handles)
% hObject handle to MainAxes (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
inf=load(‘inf’);
flag=inf.flag;
start_end=inf.start_end;
p=get(handles.MainAxes,‘CurrentPoint’);
hold on;
if(flag==0)
p=round§;
start_end(1,1)=p(1,1);start_end(1,2)=p(1,2); %记录起点信息，给inf.mat文件赋值
StartPoint(1,1)=p(1,1);StartPoint(1,2)=p(1,2); %为当前点赋值，当前点为起点的位置信息

save('inf','StartPoint','-append');
HRobot=plot(start_end(1,1),start_end(1,2),'pentagram');                %画开始点位置
text(start_end(1,1)-.5,start_end(1,2)-.5,'起点');
RobotDirection=inf.RobotDirection;%机器人方向应该是传递参数
x=start_end(1,1);
y=start_end(1,2);
RobotPosX=x;
RobotPosY=y;

save(‘inf’,‘RobotPosX’,‘-append’);
save(‘inf’,‘RobotPosY’,‘-append’);
else
p=round§;
start_end(2,1)=p(1,1);start_end(2,2)=p(1,2);
EndPoint(1,1)=p(1,1);EndPoint(1,2)=p(1,2); %为当前点赋值，当前点为结束点的位置信息
EndPoint=round(EndPoint);
save(‘inf’,‘EndPoint’,‘-append’);
plot(start_end(2,1),start_end(2,2),‘*’,‘color’,‘r’)
text(start_end(2,1)-.5,start_end(2,2)+.5,‘目标点’);
end
save(‘inf’,‘start_end’,‘-append’);
set(handles.MainAxes,‘ButtonDownFcn’,‘’);
set(handles.MainAxes,‘ButtonDownFcn’,‘’);

% — Executes on button press in Obstacle.
function Obstacle_Callback(hObject, eventdata, handles)
% hObject handle to Obstacle (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
env=zeros(50);
save(‘inf’,‘env’,‘-append’);
set(handles.StartPoint,‘Enable’,‘off’)
set(handles.EndPoint,‘Enable’,‘off’)
set(handles.Obstacle,‘Enable’,‘on’)
set(handles.Start,‘Enable’,‘on’)
set(handles.OldEnv,‘Enable’,‘on’) %“开始运行”按钮禁用
set(handles.MainFigure,‘WindowButtonDownFcn’,‘PathPlanning(’‘MainFigure_WindowButtonDownFcn’‘,gcbo,[],guidata(gcbo))’);
%set(handles.MainFigure,‘WindowButtonUpFcn’,‘PathPlanning(’‘MainFigure_WindowButtonUpFcn’‘,gcbo,[],guidata(gcbo))’);
function MainFigure_WindowButtonDownFcn(hObject, eventdata, handles)
% hObject handle to MainFigure (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
inf=load(‘inf’);
ws=inf.env;
Pos=get(handles.MainAxes,‘CurrentPoint’);
Pos=round(Pos);
XPos=Pos(1,1);YPos=Pos(1,2); %当前点坐标
X=[XPos-.5,XPos-.5,XPos+.5,XPos+.5];
Y=[YPos-.5,YPos+.5,YPos+.5,YPos-.5];
fill(X,Y,[0 0 0]) %画障碍物
text(13-.2,12,‘B’,‘color’,[1 1 1]);
text(7-.2,8,‘A’,‘color’,[1 1 1]);
% for i=XPos-1:XPos+1
% for j=YPos-1:YPos+1
% if((i>0)&(i<=XLim)) %防止出现环境矩阵元素下标为零
% if((j>0)&(j<=YLim))
ws(XPos,YPos)=1;
% end
% end
% end
%end
env=ws;
save(‘inf’,‘env’,‘-append’);

% — Executes on button press in SensorChecked.
function SensorChecked_Callback(hObject, eventdata, handles)
% hObject handle to SensorChecked (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

% Hint: get(hObject,‘Value’) returns toggle state of SensorChecked

function RobotVelocity_Callback(hObject, eventdata, handles) %设置机器人运行速度
% hObject handle to RobotVelocity (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,‘String’) returns contents of RobotVelocity as text
% str2double(get(hObject,‘String’)) returns contents of RobotVelocity as a double

function RobotRadius_Callback(hObject, eventdata, handles) %设置机器人半径
% hObject handle to RobotRadius (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,‘String’) returns contents of RobotRadius as text
% str2double(get(hObject,‘String’)) returns contents of RobotRadius as a double
% — Executes during object creation, after setting all properties.

function SensorMaxValue_Callback(hObject, eventdata, handles) %设置传感器测量范围
% hObject handle to SensorMaxValue (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,‘String’) returns contents of SensorMaxValue as text
% str2double(get(hObject,‘String’)) returns contents of SensorMaxValue as a double

function Handbook_Callback(hObject, eventdata, handles) %系统简介
% hObject handle to Handbook (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
uiopen(‘系统简介.txt’,1)

function ClearScreen_Callback(hObject, eventdata, handles) %重新开始
% hObject handle to ClearScreen (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

set(handles.StartPoint,‘Enable’,‘on’) %“设置开始点”按钮可用
set(handles.EndPoint,‘Enable’,‘off’) %“设置目标点”按钮禁用
set(handles.Obstacle,‘Enable’,‘off’) %“设置障碍物”按钮禁用
set(handles.Start,‘Enable’,‘off’) %“开始运行”按钮禁用
cla
clear all
% — Executes on button press in OldEnv.
function OldEnv_Callback(hObject, eventdata, handles)
% hObject handle to OldEnv (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
XLim=30; %x轴最大取值
YLim=30; %y轴最大取值
inf=load(‘inf’);
ws=inf.env; %得到障碍物信息
SP=inf.StartPoint; %出发点位置
EP=inf.EndPoint; %目标点位置
set(handles.StartPoint,‘Enable’,‘off’)
set(handles.EndPoint,‘Enable’,‘off’)
set(handles.Obstacle,‘Enable’,‘off’)
set(handles.Start,‘Enable’,‘on’)
HandleStart=line([SP(1,1) SP(1,1)],[SP(1,2) SP(1,2)]); %设置开始点
text(SP(1,1)-.5,SP(1,2)-.5,‘起点’);
HandleTarget=line([EP(1,1) EP(1,1)],[EP(1,2) EP(1,2)]); %设置目标点
text(EP(1,1)-.5,EP(1,2)+.5,‘目标点’);
set(HandleStart,‘marker’,‘pentagram’)
set(HandleTarget,‘marker’,‘*’,‘color’,‘r’)
for i=1:XLim %将边界设置成障碍物
for j=1:YLim
if ((i1)|(iXLim)|(j1)|(jYLim))
ws(i,j)=1;
end
end
end
for i=2:XLim-1 %还原障碍物信息
for j=2:YLim-1
if((ws(i,j)==1))
X=[i-.5,i-.5,i+.5,i+.5];
Y=[j-.5,j+.5,j+.5,j-.5];
fill(X,Y,[0 0 0]); %设置障碍物
end
end
end
X=[1-.5,1-.5,1+.5,1+.5];
Y=[6-.5,6+.5,6+.5,6-.5];
fill(X,Y,[0 0 0]); %设置障碍物
X=[1-.5,1-.5,1+.5,1+.5];
Y=[14-.5,14+.5,14+.5,14-.5];
fill(X,Y,[0 0 0]); %设置障碍物
X=[10-.5,10-.5,10+.5,10+.5];
Y=[1-.5,1+.5,1+.5,1-.5];
fill(X,Y,[0 0 0]); %设置障碍物
text(13-.2,12,‘B’,‘color’,[1 1 1]);
text(7-.2,8,‘A’,‘color’,[1 1 1]);
X=[0,0,.5,.5];
Y=[0,YLim,YLim,0];
fill(X,Y,[0 0 0]); %设置边界为障碍物
X=[XLim-.5,XLim-.5,XLim,XLim];
Y=[0,YLim,YLim,0];
fill(X,Y,[0 0 0]); %设置边界为障碍物
X=[0,0,XLim,XLim];
Y=[YLim-.5,YLim,YLim,YLim-.5];
fill(X,Y,[0 0 0]); %设置边界为障碍物
X=[0,0,XLim,XLim];
Y=[0,.5,.5,0];
fill(X,Y,[0 0 0]); %设置边界为障碍物
%axis([0 20 0 20])
%机器人当前位置设置为开始位置
RobotPosX=SP(1,1);
RobotPosY=SP(1,2);
save(‘inf’,‘RobotPosX’,‘-append’);
save(‘inf’,‘RobotPosY’,‘-append’);

⛄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] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例（第2版）[M].电子工业出版社，2016.
[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社，2017.

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