💥💥💞💞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、DWA算法简介
DWA算法全称为dynamic window approach，其原理主要是在速度空间（v,w）中采样多组速度，并模拟这些速度在一定时间内的运动轨迹，再通过一个评价函数对这些轨迹打分，最优的速度被选择出来发送给下位机。
1 原理分析
2 速度采样
机器人的轨迹运动模型有了，根据速度就可以推算出轨迹。
因此只需采样很多速度，推算轨迹，然后评价这些轨迹好不好就行了。
（一）移动机器人受自身最大速度最小速度的限制
（二） 移动机器人受电机性能的影响:由于电机力矩有限,存在最大的加減速限制,因此移动机器人軌迹前向模拟的周期sim_period内,存在一个动态窗口,在该窗口内的速度是机器人能够实际达到的速度:
（三） 基于移动机器人安全的考虑:为了能够在碰到障碍物前停下来, 因此在最大减速度条件下, 速度有一个范围。
⛄二、部分源代码
function varargout = Simulate(varargin)
clc
SamplingPeriod = 0.1;
time = 0;
timer1 = [];
txt_timer = [];
FuzzyLoaded = 0;
Z1 = [];
Z2 = [];
W_Zone = 20;
H_Zone = 20;
data = importdata (‘fuzzytabledata.mat’);
OUT1 = data.OUT1;
OUT2 = data.OUT2;
Z1 = reshape(OUT1(102:end,1)‘,101,[]);
Z2 = reshape(OUT2(102:end,1)’,101,[]);
FuzzyLoaded = 1;
scrsz = get(0,‘ScreenSize’);
% Create a figure that will have a uitable, axes and checkboxes
figure(‘Position’,[15scrsz(3)/100 70 scrsz(3)-2(15*scrsz(3)/100) scrsz(4)-100],…
‘WindowStyle’, ‘normal’,…
‘CloseRequestFcn’,{@CloseFcn},…
‘Name’, ‘具有动态障碍物的DWA仿真’,… % Title figure
‘NumberTitle’, ‘off’) % Do not show figure number
% figure(‘Position’,[15scrsz(3)/100 70 scrsz(3)-2(15*scrsz(3)/100) scrsz(4)-100],…
% ‘WindowStyle’, ‘normal’,…
% ‘CloseRequestFcn’,{@CloseFcn},…
% ‘Name’, ‘具有动态障碍物的DWA仿真’,… % Title figure
% ‘NumberTitle’, ‘off’,… % Do not show figure number
% ‘MenuBar’, ‘none’); % Hide standard menu bar menus
% Create an axes set x and y limits to the value extremes, and format labels
W_Zone = ceil(W_Zone/10)*10;
H_Zone = ceil(H_Zone/10)*10;
haxes = axes(‘Units’, ‘normalized’,…
‘Position’, [.25 .05 0.75 0.9],…
‘XLim’, [-W_Zone/2 W_Zone/2],…
‘YLim’, [-H_Zone/2 H_Zone/2],…
‘XLimMode’, ‘manual’,…
‘YLimMode’, ‘manual’,…
‘XTick’,-W_Zone/2:1:W_Zone/2,…
‘YTick’,-H_Zone/2:1:H_Zone/2);%,…
% ‘XTickLabel’,…
% {‘-10 m’,‘-5 m’,‘0’,‘5 m’,‘10 m’},…
% ‘YTickLabel’,…
% {‘-10 m’,‘-5 m’,‘0’,‘5 m’,‘10 m’});
set(haxes,‘DataAspectRatio’,[1 1 1]);
title(haxes, ‘移动机器人动态避障仿真’) % Describe data set
% Prevent axes from clearing when new lines or markers are plotted
hold(haxes, ‘all’)
grid on;
uicontrol(‘Style’, ‘pushbutton’,…
‘Units’, ‘normalized’,…
‘Position’, [.02 .86 .2 .05],…
‘String’, ‘开始仿真’,…
‘Value’, 0,…
‘Callback’, {@StartSimulation});
uicontrol(‘Style’, ‘pushbutton’,…
‘Units’, ‘normalized’,…
‘Position’, [.02 .81 .2 .05],…
‘String’, ‘重新仿真’,…
‘Value’, 0,…
‘Callback’, {@ResetSimulation});
% % Create a text to show timer;
txt_timer = uicontrol(‘Style’, ‘text’,…
‘Units’, ‘normalized’,…
‘Position’, [.02 .915 .2 .035],…
‘FontWeight’, ‘bold’,…
‘ForegroundColor’, [0 .2 .8],…
‘fontname’, ‘Helvetica’,…
‘fontsize’, 14,…
‘BackgroundColor’, ‘w’, ‘String’,‘00:00 00’);
% % Create some texts to monitor variables;
txt_inp1 = uicontrol(‘Style’, ‘text’, ‘Units’, ‘normalized’, ‘Position’, [.05 .54 .08 .035],…
‘FontWeight’, ‘bold’, ‘ForegroundColor’, [0 0 0], ‘fontname’, ‘Helvetica’, ‘fontsize’, 12, ‘BackgroundColor’, [0.9 0.9 0.9]);
txt_inp2 = uicontrol(‘Style’, ‘text’, ‘Units’, ‘normalized’, ‘Position’, [.14 .54 .08 .035],…
‘FontWeight’, ‘bold’, ‘ForegroundColor’, [0 0 0], ‘fontname’, ‘Helvetica’, ‘fontsize’, 12, ‘BackgroundColor’, [0.9 0.9 0.9]);
txt_out1 = uicontrol(‘Style’, ‘text’, ‘Units’, ‘normalized’, ‘Position’, [.05 .47 .08 .035],…
‘FontWeight’, ‘bold’, ‘ForegroundColor’, [0 0 0], ‘fontname’, ‘Helvetica’, ‘fontsize’, 12, ‘BackgroundColor’, [0.9 0.9 0.9]);
txt_out2 = uicontrol(‘Style’, ‘text’, ‘Units’, ‘normalized’, ‘Position’, [.14 .47 .08 .035],…
‘FontWeight’, ‘bold’, ‘ForegroundColor’, [0 0 0], ‘fontname’, ‘Helvetica’, ‘fontsize’, 12, ‘BackgroundColor’, [0.9 0.9 0.9]);
uicontrol(‘Style’, ‘text’,‘Units’, ‘normalized’, ‘Position’, [.05 .61 .15 .025],…
‘FontWeight’, ‘bold’, ‘fontname’, ‘Helvetica’, ‘fontsize’, 10,…
‘BackgroundColor’, [0.8 0.8 0.8], ‘String’, ‘DWA权值调整’);
uicontrol(‘Style’, ‘text’,‘Units’, ‘normalized’, ‘Position’, [.00 .55 .05 .02],…
‘FontWeight’, ‘bold’, ‘fontname’, ‘Helvetica’, ‘fontsize’, 9,…
‘BackgroundColor’, [0.8 0.8 0.8], ‘String’, ‘INPs :’);
uicontrol(‘Style’, ‘text’,‘Units’, ‘normalized’, ‘Position’, [.00 .48 .05 .02],…
‘FontWeight’, ‘bold’, ‘fontname’, ‘Helvetica’, ‘fontsize’, 9,…
‘BackgroundColor’, [0.8 0.8 0.8], ‘String’, ‘误差值 :’);
uicontrol(‘Style’, ‘text’,‘Units’, ‘normalized’, ‘Position’, [.05 .58 .08 .02],…
‘FontWeight’, ‘bold’, ‘fontname’, ‘Helvetica’, ‘fontsize’, 9,…
‘BackgroundColor’, [0.8 0.8 0.8], ‘String’, ‘目标航向角’);
uicontrol(‘Style’, ‘text’,‘Units’, ‘normalized’, ‘Position’, [.14 .58 .08 .02],…
‘FontWeight’, ‘bold’, ‘fontname’, ‘Helvetica’, ‘fontsize’, 9,…
‘BackgroundColor’, [0.8 0.8 0.8], ‘String’, ‘障碍物’);
uicontrol(‘Style’, ‘text’,‘Units’, ‘normalized’, ‘Position’, [.05 .51 .08 .02],…
‘FontWeight’, ‘bold’, ‘fontname’, ‘Helvetica’, ‘fontsize’, 9,…
‘BackgroundColor’, [0.8 0.8 0.8], ‘String’, ‘左偏离’);
uicontrol(‘Style’, ‘text’,‘Units’, ‘normalized’, ‘Position’, [.14 .51 .08 .02],…
‘FontWeight’, ‘bold’, ‘fontname’, ‘Helvetica’, ‘fontsize’, 9,…
‘BackgroundColor’, [0.8 0.8 0.8], ‘String’, ‘右偏离’);
uicontrol(‘Style’, ‘text’,‘Units’, ‘normalized’, ‘Position’, [.09 .78 .12 .025],…
‘FontWeight’, ‘bold’, ‘fontname’, ‘Helvetica’, ‘fontsize’, 10,…
‘BackgroundColor’, [0.8 0.8 0.8], ‘String’, ‘X Y’);
uicontrol(‘Style’, ‘text’,‘Units’, ‘normalized’, ‘Position’, [.02 .74 .06 .03],…
‘FontWeight’, ‘bold’, ‘fontname’, ‘Helvetica’, ‘fontsize’, 10,…
‘BackgroundColor’, [0.8 0.8 0.8], ‘String’, ‘起始点坐标：’);
uicontrol(‘Style’, ‘text’,‘Units’, ‘normalized’, ‘Position’, [.02 .7 .06 .03],…
‘FontWeight’, ‘bold’, ‘fontname’, ‘Helvetica’, ‘fontsize’, 10,…
‘BackgroundColor’, [0.8 0.8 0.8], ‘String’, ’ 目标点坐标：');
% % Create a text get Robot X0 Pos;
edit_robot_x0 = uicontrol(‘Style’, ‘edit’,…
‘Units’, ‘normalized’,…
‘Position’, [.09 .74 .06 .035],… %‘String’,… %‘Use Plot check boxes to graph columns’,…
‘FontWeight’, ‘bold’,…
‘fontname’, ‘Helvetica’,…
‘fontsize’, 12);
% % Create a text get Robot Y0 Pos;
edit_robot_y0 = uicontrol(‘Style’, ‘edit’,…
‘Units’, ‘normalized’,…
‘Position’, [.16 .74 .06 .035],… %‘String’,… %‘Use Plot check boxes to graph columns’,…
‘FontWeight’, ‘bold’,…
‘fontname’, ‘Helvetica’,…
‘fontsize’, 12);
% % Create a text get Goal X Pos;
edit_goal_x = uicontrol(‘Style’, ‘edit’,…
‘Units’, ‘normalized’,…
‘Position’, [.09 .7 .06 .035],… %‘String’,… %‘Use Plot check boxes to graph columns’,…
‘FontWeight’, ‘bold’,…
‘fontname’, ‘Helvetica’,…
‘fontsize’, 12);
% % Create a text get Goal Y Pos;
edit_goal_y = uicontrol(‘Style’, ‘edit’,…
‘Units’, ‘normalized’,…
‘Position’, [.16 .7 .06 .035],… %‘String’,… %‘Use Plot check boxes to graph columns’,…
‘FontWeight’, ‘bold’,…
‘fontname’, ‘Helvetica’,…
‘fontsize’, 12);
uicontrol(‘Style’, ‘pushbutton’,…
‘Units’, ‘normalized’,…
‘Position’, [.09 .655 .13 .04],… %‘TooltipString’, ‘Update Values Independently’,…
‘String’, ‘更新’,…
‘Value’, 0,…
‘Callback’, {@UpdateParams});
slider_x = uicontrol(‘Style’, ‘slider’,‘Units’, ‘normalized’, ‘Position’, [.02 .41 .2 .025],…
‘FontWeight’, ‘bold’, ‘fontname’, ‘Helvetica’, ‘fontsize’, 10,…
‘BackgroundColor’, [0.8 0.8 0.8],‘Min’,0,‘Value’,1,‘Max’,2,‘SliderStep’,[0.01 0.1]);
slider_y = uicontrol(‘Style’, ‘slider’,‘Units’, ‘normalized’, ‘Position’, [.02 .37 .2 .025],…
‘FontWeight’, ‘bold’, ‘fontname’, ‘Helvetica’, ‘fontsize’, 10,…
‘BackgroundColor’, [0.8 0.8 0.8],‘Min’,0,‘Value’,1,‘Max’,2,‘SliderStep’,[0.01 0.1]);
% uicontrol(‘Style’, ‘pushbutton’,…
% ‘Units’, ‘normalized’,…
% ‘Position’, [0.35 .95 .25 .05],… %‘TooltipString’, ‘Update Values Independently’,…
% ‘String’, ‘Save Data’,…
% ‘Value’, 0,…
% ‘Callback’, {@SaveData});
% % Create an invisible marker plot of the data and save handles
% % to the lineseries objects; use this to simulate data brushing.
% % hmkrs = plot([1:10],[1:10].^2, ‘LineStyle’, ‘none’,…
% % ‘Marker’, ‘o’,…
% % ‘MarkerFaceColor’, ‘y’,…
% % ‘HandleVisibility’, ‘off’,…
% % ‘Visible’, ‘on’);
% Create three check boxes to toggle plots for columns
% uicontrol(‘Style’, ‘checkbox’,…
% ‘Units’, ‘normalized’,…
% ‘Position’, [.10 .96 .09 .035],…
% ‘TooltipString’, ‘Check to plot column 1’,…
% ‘String’, ‘Col 1’,…
% ‘Value’, 0,…
% ‘Callback’, {@plot_callback,1});
%
% % Create a text label to say what the checkboxes do
% uicontrol(‘Style’, ‘text’,…
% ‘Units’, ‘normalized’,…
% ‘Position’, [.025 .955 .06 .035],…
% ‘String’, ‘Plot’,…
% ‘FontWeight’, ‘bold’);
% Subfuntions implementing the two callbacks
% ------------------------------------------
% function plot_callback(hObject, eventdata, column)
% % hObject Handle to Plot menu
% % eventdata Not used
% % column Number of column to plot or clear
%
% colors = {‘b’,‘m’,‘r’}; % Use consistent color for lines
% colnames = get(htable, ‘ColumnName’);
% colname = colnames{column};
% if get(hObject, ‘Value’)
% % Turn off the advisory text; it never comes back
% set(hprompt, ‘Visible’, ‘off’)
% % Obtain the data for that column
% ydata = get(htable, ‘Data’);
% set(haxes, ‘NextPlot’, ‘Add’)
% % Draw the line plot for column
% plot(haxes, ydata(:,column),…
% ‘DisplayName’, colname,…
% ‘Color’, colors{column});
% else % Adding a line to the plot
% % Find the lineseries object and delete it
% delete(findobj(haxes, ‘DisplayName’, colname))
% end
% end
w = 0.5;
l = 0.6;
D = 0.4;
x0 = -8;
y0 = -8;
teta0 = 0;
Vr0 = 0;
Vl0 = 0;
x = x0;
y = y0;
teta = teta0;
Vr = Vr0;
Vl = Vl0;
V_MAX = 5;
x_Goal = 8.;
y_Goal = 8;
n_of_obs = 6;
x_obs0(1) = 3;
y_obs0(1) = 3;
x_obs(1) = x_obs0(1);
y_obs(1) = y_obs0(1);
w_obs(1) = 2.5;
h_obs(1) = 2.5;
n_obs(1) = 50;
%teta_obs(1) = pi/4;
x_obs0(2) = -1;
y_obs0(2) = 0.5;
x_obs(2) = x_obs0(2);
y_obs(2) = y_obs0(2);
w_obs(2) = 0.5;
h_obs(2) = 3;
n_obs(2) = 50;
%teta_obs(2) = pi/4;
x_obs0(3) = 5;
y_obs0(3) = -3;
x_obs(3) = x_obs0(3);
y_obs(3) = y_obs0(3);
w_obs(3) = 5;
h_obs(3) = 1;
n_obs(3) = 50;
%teta_obs(3) = pi/4;
x_obs0(4) = -3;
y_obs0(4) = 5;
x_obs(4) = x_obs0(4);
y_obs(4) = y_obs0(4);
w_obs(4) = 2;
h_obs(4) = 1;
n_obs(4) = 50;
%teta_obs(4) = pi/4;
x_obs0(5) = -3;
y_obs0(5) = -5;
x_obs(5) = x_obs0(5);
y_obs(5) = y_obs0(5);
w_obs(5) = 2;
h_obs(5) = 2;
n_obs(5) = 2;
%teta_obs(5) = pi/4;
x_obs0(6) = -5;
y_obs0(6) = 1;
x_obs(6) = x_obs0(6);
y_obs(6) = y_obs0(6);
w_obs(6) = 1;
h_obs(6) = 1;
n_obs(6) = 2;
%teta_obs(6) = pi/4;
counter = 0;
trace_x = [];
trace_y = [];
if(abs(y_obs(jj)-y_obs0(jj)) < get(slider_y,'Value'))
y_obs(jj) = y_obs(jj) + (cos(time*4+rand(1)*3)*rand(1)*3)*SamplingPeriod;
else
y_obs(jj) = y_obs(jj) + (y_obs0(jj)-y_obs(jj))*0.2*SamplingPeriod;
end
ss(jj)= max(ss);
[ss_min,jj] = min(ss);
if(abs(x_obs(jj)-x_obs0(jj)) < get(slider_x,'Value'))
x_obs(jj) = x_obs(jj) + ((sin(time*3+rand(1)*2)+0.2*(x-x_obs(jj)))*rand(1)*3)*SamplingPeriod;
else
x_obs(jj) = x_obs(jj) + (x_obs0(jj)-x_obs(jj))*0.2*SamplingPeriod;
end
if(abs(y_obs(jj)-y_obs0(jj)) < get(slider_y,'Value'))
y_obs(jj) = y_obs(jj) + (cos(time*4+rand(1)*3)*rand(1)*3)*SamplingPeriod;
else
y_obs(jj) = y_obs(jj) + (y_obs0(jj)-y_obs(jj))*0.2*SamplingPeriod;
end
%Check Obstacles
ray_i = 1;
ray_x = []; ray_y = []; ray_s = []; ray_teta = [];
rayplot_x = []; rayplot_y = []; rayplot_i = 1;
for dir = linspace(-pi/4,pi/4,16)
Obstacle_Found = 0;
s = 0;
while(Obstacle_Found==0)
s = s + 0.02;
ray_pos = [x + s*sin(teta+dir), y + s*cos(teta+dir)];
for i = 1:n_of_obs
if( (2*(ray_pos(1)-x_obs(i))/w_obs(i))^n_obs(i)+(2*(ray_pos(2)-y_obs(i))/h_obs(i))^n_obs(i) < 1 )
Obstacle_Found = 1;
end
end
if( (2*ray_pos(1)/W_Zone)^100+(2*ray_pos(2)/H_Zone)^100>1 || s>3)
Obstacle_Found = 1;
end
if(Obstacle_Found==1)
ray_x(ray_i) = ray_pos(1);
ray_y(ray_i) = ray_pos(2);
ray_s(ray_i) = s;
ray_teta(ray_i) = dir;
rayplot_x(rayplot_i:rayplot_i+2) = [x ray_pos(1) x];
rayplot_y(rayplot_i:rayplot_i+2) = [y ray_pos(2) y];
end
end
ray_i = ray_i + 1;
rayplot_i = rayplot_i + 3;
end
j=0;
if(mod(counter,1)==0)
cla(haxes);
robot_extents = [cos(teta) sin(teta) x; -sin(teta) cos(teta) y] * [-w/2,-l/2,1; w/2,-l/2,1; w/2,l/2,1; -w/2,l/2,1; -w/2,-l/2,1; w/2,-l/2,1]';
plot(haxes,robot_extents(1,:),robot_extents(2,:), 'LineWidth' ,3,'Color',[0 0 1]);
robot_tyre = [cos(teta) sin(teta) x; -sin(teta) cos(teta) y] * [-w/2-0.1,-l/2-l/4,1; -w/2-0.1,-l/2+l/4,1; w/2+0.1,-l/2-l/4,1; w/2+0.1,-l/2+l/4,1; -w/2-0.1,l/2-l/4,1; -w/2-0.1,l/2+l/4,1; w/2+0.1,l/2-l/4,1; w/2+0.1,l/2+l/4,1; 0,l/2,1; 0,l/2+l/2,1]';
plot(haxes,robot_tyre(1,1:2),robot_tyre(2,1:2), 'LineWidth' ,4,'Color',[0 0 0]); plot(haxes,robot_tyre(1,3:4),robot_tyre(2,3:4), 'LineWidth' ,4,'Color',[0 0 0]);
plot(haxes,robot_tyre(1,5:6),robot_tyre(2,5:6), 'LineWidth' ,4,'Color',[0 0 0]); plot(haxes,robot_tyre(1,7:8),robot_tyre(2,7:8), 'LineWidth' ,4,'Color',[0 0 0]);
plot(haxes,robot_tyre(1,9:10),robot_tyre(2,9:10), 'LineWidth' ,1,'Color',[0.4 0.4 0.4]);
s = linspace(0,2*pi,360);
for i = 1:n_of_obs
x_o = (1./((sin(s)/(h_obs(i)/2)).^n_obs(i) + (cos(s)/(w_obs(i)/2)).^n_obs(i)).^(1/n_obs(i))).*cos(s) + x_obs(i);
y_o = (1./((sin(s)/(h_obs(i)/2)).^n_obs(i) + (cos(s)/(w_obs(i)/2)).^n_obs(i)).^(1/n_obs(i))).*sin(s) + y_obs(i);
plot(haxes,x_o,y_o, 'LineWidth' ,2,'Color',[0 0 0]);
%if(gca == haxes), fill(x_o,y_o,[0.5 0.5 0.5],'LineWidth' ,2); end
end
plot(haxes,[-W_Zone/2 W_Zone/2 W_Zone/2 -W_Zone/2 -W_Zone/2],[-H_Zone/2 -H_Zone/2 H_Zone/2 H_Zone/2 -H_Zone/2], 'LineWidth' ,4,'Color',[0 0 0]);
plot(haxes, rayplot_x, rayplot_y, 'LineWidth' ,1,'Color',[1 0.8 0]);
plot(haxes, trace_x, trace_y, ':', 'LineWidth' ,2,'Color',[0.4 0.4 0.7]);
plot(haxes, x_Goal, y_Goal,'*','MarkerSize',15,'MarkerEdgeColor','g','LineWidth',3);
if(j>0)
plot(haxes, ray_x(j), ray_y(j),'s','MarkerSize',8,'MarkerEdgeColor','r','LineWidth',3);
end
%plot(haxes, [x x_Goal], [y y_Goal],'-.', 'LineWidth' ,1,'Color',[0.8 0.95 0.2]);
end
end
%% create and start timer1 to execute the function Command sequentially.
timer1 = timer('TimerFcn', @Command, 'Period', SamplingPeriod, 'ExecutionMode', 'fixedRate');
⛄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]卞永明,季鹏成,周怡和,杨濛.基于改进型DWA的移动机器人避障路径规划[J].中国工程机械学报. 2021,19(01)
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
1223
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
