Matlab武动乾坤博客之家博主简介985研究生Matlab领域科研开发者座右铭行百里者半于九十。代码获取方式CSDN Matlab武动乾坤—代码获取方式更多Matlab信号处理仿真内容点击①Matlab信号处理进阶版⛳️关注CSDN Matlab武动乾坤更多资源等你来⛄一、MIMO-OFDM集成感测与通信ISAC系统这份 MATLAB 代码是一体化感知通信ISAC, Integrated Sensing and CommunicationMIMO-OFDM独立仿真程序不需要额外工具箱实现2×2 MIMO-OFDM 通信 时分 MIMOTDM-MIMO雷达感知共用同一套 OFDM 参数。通信做空间复用传输雷达采用时分 MIMO 波形实现目标探测。一、整体仿真流程概述系统参数初始化载波频率、天线、OFDM、信噪比等通信链路生成 QPSK 通信信号、MIMO 多径信道、加噪声接收端 OFDM 解调、导频 LS 信道估计、MMSE MIMO 均衡计算 BER 与 EVMISAC 感知雷达链路TDM-MIMO OFDM 雷达波形分时激活发射天线构建雷达目标回波时延、多普勒、角度、幅度加噪声接收端做 OFDM 解调、通道分离、距离 IFFT 多普勒 FFT生成距离 - 多普勒图绘图通信星座图、雷达距离多普勒热力图、距离剖面本地函数QPSK 调制解调、OFDM 调制解调、MIMO 信道生成、信道卷积、雷达目标回波生成。核心思想同一套 OFDM numerology子载波间隔、FFT 长度、CP一套波形框架分时分别承载通信业务与雷达感知探测。二、分段详细解释初始化与系统参数matlabclear; clc; close all;rng(17, ‘twister’);c 299792458;fc 5.9e9; % Carrier frequency [Hz]lambda c/fc;Nt 2; Nr 2; % Tx/Rx antennasNfft 64;subcarrierSpacing 15e3;Fs Nfft*subcarrierSpacing;Ncp 16; % CP: all modeled delays are inside itTsym (Nfft Ncp)/Fs;snrDb 22;光速 c载波 5.9GHz波长 λ2 发 2 收 MIMOOFDMFFT64子载波间隔 15kHz采样率 Fs Nfft × 子载波间隔循环前缀 CP16 点所有仿真时延都小于 CP避免符号间干扰Tsym单个 OFDM 符号时长FFTCPsnrDb 通信与雷达共用信噪比。通信帧构造与 QPSK 发射信号matlabNcommSym 20;pilotSym 1:Nt; % One full-band, orthogonal pilot symbol/TxdataSym (Nt1):NcommSym;NdataBits 2Nfftnumel(dataSym)Nt;txBits randi([0 1], NdataBits, 1);txData qpskMod(txBits);通信一共 20 个 OFDM 符号前 Nt2个符号作为正交全频导频每根发射天线独占 1 个 OFDM 符号发送导频方便接收端估计 MIMO 全部信道矩阵剩余符号承载 QPSK 数据QPSK 每个符号携带 2bitXcomm(Nfft,NcommSym,Nt)三维 OFDM 网格子载波 × OFDM 符号 × 发射天线。matlabXcomm zeros(Nfft, NcommSym, Nt);for tx 1:NtXcomm(:, pilotSym(tx), tx) exp(1j2pi(0:Nfft-1)*(tx1)/Nfft);endXcomm(:, dataSym, reshape(txData, Nfft, numel(dataSym), Nt);txCommWave ofdmModulate(Xcomm, Nfft, Ncp);每根发射天线在专属导频符号发送正交频域导频序列数据符号填充 QPSK调用ofdmModulate把频域网格转为时域发射波形。频选 MIMO 通信信道 加噪声matlabtapDelays [0 3 7];tapPowerDb [0 -5 -10];hComm makeMimoChannel(Nr, Nt, tapDelays, tapPowerDb);rxCommWaveClean applyMimoChannel(txCommWave, hComm);signalPower mean(abs(rxCommWaveClean().^2);noiseVariance signalPower/10^(snrDb/10);rxCommWave rxCommWaveClean sqrt(noiseVariance/2)(randn(…)1jrandn(…));多径 MIMO 信道3 条多径时延采样点[0,3,7]功率依次衰减makeMimoChannel生成每个收发天线对的多径抽头applyMimoChannel发射波形和 MIMO 信道卷积得到无噪接收波形根据接收信号功率计算噪声方差叠加复高斯白噪声。通信接收机解调、LS 信道估计、MMSE MIMO 均衡matlabYcomm ofdmDemodulate(rxCommWave, Nfft, Ncp, NcommSym);Hest zeros(Nfft, Nr, Nt);for tx 1:Ntfor rx 1:NrHest(:, rx, tx) Ycomm(:, pilotSym(tx), rx) ./ Xcomm(:, pilotSym(tx), tx);endendOFDM 解调去掉 CP、FFT恢复频域网格YcommLS 最小二乘信道估计利用正交导频Hest(k,rx,tx) 子载波 k 上 tx→rx 的频域信道matlabrxData zeros(Nfft, numel(dataSym), Nt);for m 1:numel(dataSym)symbolIndex dataSym(m);for k 1:NfftHk squeeze(Hest(k, :, ); % Nr-by-Ntyk squeeze(Ycomm(k, symbolIndex, ); % Nr-by-1Wmmse (Hk’ * Hk noiseVariance*eye(Nt)) \ Hk’;rxData(k, m, Wmmse * yk;endendrxBits qpskDemod(rxData();ber mean(rxBits ~ txBits);evmRms sqrt(mean(abs(rxData( - txData).^2) / mean(abs(txData).^2));逐个子载波做 MMSE 均衡器MMSE 均衡兼顾噪声抑制适合 MIMO 空间复用QPSK 解调恢复比特计算误码率 BER和均方根误差 EVM控制台打印 BER、EVM。ISAC 感知TDM-MIMO 雷达 OFDM 波形matlabNpulsesPerTx 16;NradSym NtNpulsesPerTx;Xrad zeros(Nfft, NradSym, Nt);for m 1:NradSymactiveTx mod(m-1, Nt) 1;Xrad(:, m, activeTx) qpskMod(randi([0 1], 2Nfft, 1));endtxRadarWave ofdmModulate(Xrad, Nfft, Ncp);雷达采用时分 MIMOTDM-MIMO每个 OFDM 符号只激活一根发射天线轮流切换发射天线。总雷达 OFDM 符号 Nt × 每根天线脉冲数每个符号仅 1 个 Tx 发射 QPSK 雷达波形其余发射天线置 0优势不同发射通道波形天然正交接收端可以分离不同发射通道回波构造虚拟 MIMO 阵列。雷达目标回波生成matlabtargetDelaySamples [4 10];targetRange targetDelaySamplesc/(2Fs);targetVelocity [10 -6]; % Radial velocity [m/s]targetDoppler 2targetVelocityfc/c;targetAzimuthDeg [18 -25];targetAmplitude [0.85 0.45] .* exp(1j*[0.4 -1.1]);rxRadarWaveClean targetEcho(txRadarWave, targetDelaySamples, targetDoppler, …targetAzimuthDeg, targetAmplitude, fc, Fs, Nt, Nr);设置2 个雷达目标时延采样点 → 距离雷达往返距离公式目标方位角复幅度包含目标 RCS 和初始相位targetEcho函数作用构建发射阵列导向矢量阵元间距 λ/2时域信号时延多普勒相位随时间线性调制叠加两个目标回波得到接收端无噪雷达波形叠加噪声。雷达接收处理距离 - 多普勒RD图matlabYrad ofdmDemodulate(rxRadarWave, Nfft, NradSym);rangeCube zeros(Nfft, NpulsesPerTx, Nr, Nt);for tx 1:NtsymbolsForTx tx:Nt:NradSym;for rx 1:NrtargetResponse Yrad(:, symbolsForTx, rx) ./ Xrad(:, symbolsForTx, tx);rangeCube(:, :, rx, tx) ifft(targetResponse, Nfft, 1);endendrdCube fftshift(fft(rangeCube, NpulsesPerTx, 2), 2);rdPower squeeze(sum(sum(abs(rdCube).^2, 4), 3));rdPowerDb 10log10(rdPower/max(rdPower() eps);雷达接收信号处理流程OFDM 解调得到频域网格对每个收发通道接收频域信号 / 发射波形匹配滤波去除发射波形得到目标信道频域响应距离维 IFFT频域→时域得到距离信息存入四维立方体rangeCube(距离bin,脉冲,接收天线,发射天线)多普勒维 FFT沿脉冲维度做 FFT fftshift提取速度信息得到距离 - 多普勒立方体 RD cube对所有收发天线功率求和得到 RD 功率图并归一化转为 dBmatlabrangeAxis (0:Nfft-1)’ * c/(2Fs);PRI NtTsym; % Repetition interval for each TDM TxdopplerAxis ((-NpulsesPerTx/2):(NpulsesPerTx/2-1))/(NpulsesPerTxPRI);velocityAxis dopplerAxisc/(2fc);坐标轴rangeAxis距离轴PRITDM 模式下单个发射天线的脉冲重复间隔dopplerAxis → 径向速度轴搜索 RD 图最强峰值打印估计的距离、速度并和真实目标参数对比。绘图模块4 张子图发射端 QPSK 星座图均衡后接收 QPSK 星座图标注 BER/EVM距离 - 多普勒热力图dB白色圆圈标记真实目标位置距离剖面每个距离 bin 取最大多普勒功率虚线标记真实目标距离⛄二、部分源代码和运行步骤1 部分代码clear; clc; close all;rng(17, ‘twister’);%% System configurationc 299792458;fc 5.9e9; % Carrier frequency [Hz]lambda c/fc;Nt 2; Nr 2; % Tx/Rx antennasNfft 64;subcarrierSpacing 15e3;Fs Nfft*subcarrierSpacing;Ncp 16; % CP: all modeled delays are inside itTsym (Nfft Ncp)/Fs;snrDb 22;%% Communications frame and transmitted QPSK streamsNcommSym 20;pilotSym 1:Nt; % One full-band, orthogonal pilot symbol/TxdataSym (Nt1):NcommSym;NdataBits 2Nfftnumel(dataSym)*Nt;txBits randi([0 1], NdataBits, 1);txData qpskMod(txBits);Xcomm zeros(Nfft, NcommSym, Nt);for tx 1:Nt% A separate all-subcarrier pilot symbol makes the MIMO channel observable.Xcomm(:, pilotSym(tx), tx) exp(1j2pi*(0:Nfft-1)*(tx1)/Nfft);endXcomm(:, dataSym, reshape(txData, Nfft, numel(dataSym), Nt);txCommWave ofdmModulate(Xcomm, Nfft, Ncp);%% Frequency-selective MIMO communication channel% The first path is at zero delay, so FFT-window timing is exact here.tapDelays [0 3 7];tapPowerDb [0 -5 -10];hComm makeMimoChannel(Nr, Nt, tapDelays, tapPowerDb);rxCommWaveClean applyMimoChannel(txCommWave, hComm);signalPower mean(abs(rxCommWaveClean().^2);noiseVariance signalPower/10^(snrDb/10);rxCommWave rxCommWaveClean sqrt(noiseVariance/2) * …(randn(size(rxCommWaveClean)) 1j*randn(size(rxCommWaveClean)));%% Communication receiver: CP removal, FFT, pilot LS estimate, MMSE MIMO equalizerYcomm ofdmDemodulate(rxCommWave, Nfft, Ncp, NcommSym);Hest zeros(Nfft, Nr, Nt);for tx 1:Ntfor rx 1:NrHest(:, rx, tx) Ycomm(:, pilotSym(tx), rx) ./ Xcomm(:, pilotSym(tx), tx);endendrxData zeros(Nfft, numel(dataSym), Nt);for m 1:numel(dataSym)symbolIndex dataSym(m);for k 1:NfftHk squeeze(Hest(k, :, ); % Nr-by-Ntyk squeeze(Ycomm(k, symbolIndex, ); % Nr-by-1Wmmse (Hk’ * Hk noiseVarianceeye(Nt)) \ Hk’;rxData(k, m, Wmmse * yk;endendrxBits qpskDemod(rxData();ber mean(rxBits ~ txBits);evmRms sqrt(mean(abs(rxData( - txData).^2) / mean(abs(txData).^2));fprintf(‘Communication BER %.4g, RMS EVM %.2f %% at %.1f dB SNR\n’, …ber, 100evmRms, snrDb);%% ISAC sensing burst: TDM-MIMO OFDM radar waveform% Only one transmitter is active per OFDM symbol. This gives every Tx an% independent, known waveform and produces a virtual NtNr sensing array.NpulsesPerTx 16;NradSym NtNpulsesPerTx;Xrad zeros(Nfft, NradSym, Nt);for m 1:NradSymactiveTx mod(m-1, Nt) 1;Xrad(:, m, activeTx) qpskMod(randi([0 1], 2*Nfft, 1));endtxRadarWave ofdmModulate(Xrad, Nfft, Ncp);% Targets are deliberately quantized to sample delays for a clean, directly% interpretable range-bin check. Their delay is less than the 16-sample CP.targetDelaySamples [4 10];targetRange targetDelaySamplesc/(2Fs);targetVelocity [10 -6]; % Radial velocity [m/s]targetDoppler 2targetVelocityfc/c;targetAzimuthDeg [18 -25];targetAmplitude [0.85 0.45] .* exp(1j*[0.4 -1.1]);rxRadarWaveClean targetEcho(txRadarWave, targetDelaySamples, targetDoppler, …targetAzimuthDeg, targetAmplitude, fc, Fs, Nt, Nr);radarSignalPower mean(abs(rxRadarWaveClean().^2);radarNoiseVariance radarSignalPower/10^(snrDb/10);rxRadarWave rxRadarWaveClean sqrt(radarNoiseVariance/2) * …(randn(size(rxRadarWaveClean)) 1j*randn(size(rxRadarWaveClean)));%% Radar receiver: OFDM channel division, range IFFT, Doppler FFT and combiningYrad ofdmDemodulate(rxRadarWave, Nfft, Ncp, NradSym);rangeCube zeros(Nfft, NpulsesPerTx, Nr, Nt);for tx 1:NtsymbolsForTx tx:Nt:NradSym;for rx 1:NrtargetResponse Yrad(:, symbolsForTx, rx) ./ Xrad(:, symbolsForTx, tx);rangeCube(:, :, rx, tx) ifft(targetResponse, Nfft, 1);endendrdCube fftshift(fft(rangeCube, NpulsesPerTx, 2), 2);rdPower squeeze(sum(sum(abs(rdCube).^2, 4), 3));rdPowerDb 10*log10(rdPower/max(rdPower() eps);rangeAxis (0:Nfft-1)’ * c/(2Fs);PRI NtTsym; % Repetition interval for each TDM TxdopplerAxis ((-NpulsesPerTx/2):(NpulsesPerTx/2-1))/(NpulsesPerTxPRI);velocityAxis dopplerAxisc/(2*fc);[~, peakIndex] max(rdPower();[rangeBin, velocityBin] ind2sub(size(rdPower), peakIndex);fprintf(‘Strongest sensing peak: range %.1f m, velocity %.2f m/s\n’, …rangeAxis(rangeBin), velocityAxis(velocityBin));fprintf(‘Injected targets: [%.1f, %.1f] m and [%.1f, %.1f] m/s\n’, …targetRange(1), targetRange(2), targetVelocity(1), targetVelocity(2));%% Validation plotsfigure(‘Color’,‘w’, ‘Name’,‘ISAC MIMO-OFDM results’, ‘Position’,[100 100 1150 720]);subplot(2,2,1);plot(real(txData(1:500)), imag(txData(1:500)), ‘o’, ‘MarkerSize’, 4); grid on; axis square;xlabel(‘In-phase’); ylabel(‘Quadrature’); title(‘Transmit QPSK constellation’); xlim([-1.5 1.5]); ylim([-1.5 1.5]);subplot(2,2,2);plot(real(rxData(), imag(rxData(), ‘.’, ‘MarkerSize’, 7); grid on; axis square;xlabel(‘In-phase’); ylabel(‘Quadrature’); title(sprintf(‘Equalized data: BER %.3g, EVM %.2f%%’, ber, 100*evmRms)); xlim([-1.5 1.5]); ylim([-1.5 1.5]);subplot(2,2,3);imagesc(velocityAxis, rangeAxis, rdPowerDb); axis xy; colorbar; caxis([-35 0]);xlabel(‘Radial velocity (m/s)’); ylabel(‘Range (m)’); title(‘Combined MIMO range-Doppler map (dB)’);hold on; plot(targetVelocity, targetRange, ‘wo’, ‘LineWidth’, 1.5, ‘MarkerSize’, 8); hold off;subplot(2,2,4);plot(rangeAxis, max(rdPowerDb, [], 2), ‘LineWidth’, 1.2); grid on; hold on;xline(targetRange(1), ‘–’); xline(targetRange(2), ‘–’); hold off;xlabel(‘Range (m)’); ylabel(‘Peak Doppler power (dB)’); title(‘Range profile’); ylim([-45 2]);outputPng fullfile(fileparts(mfilename(‘fullpath’)), ‘isac_mimo_ofdm_results.png’);% exportgraphics(gcf, outputPng, ‘Resolution’, 160);fprintf(‘Saved result plot to: %s\n’, outputPng);%% Local functionsfunction symbols qpskMod(bits)bits bits(;assert(mod(numel(bits),2) 0, ‘QPSK requires an even number of bits.’);symbols ((1 - 2bits(1:2:end)) 1j(1 - 2*bits(2:2:end))) / sqrt(2);endfunction bits qpskDemod(symbols)symbols symbols(;bits zeros(2*numel(symbols), 1);bits(1:2:end) real(symbols) 0;bits(2:2:end) imag(symbols) 0;endfunction wave ofdmModulate(grid, Nfft, Ncp)[~, Nsym, Nant] size(grid);timeNoCp ifft(grid, Nfft, 1) * sqrt(Nfft); % Unit-power FFT conventiontimeWithCp [timeNoCp(end-Ncp1:end,:; timeNoCp];wave reshape(timeWithCp, (NfftNcp)*Nsym, Nant);endfunction grid ofdmDemodulate(wave, Nfft, Ncp, Nsym)Nant size(wave,2);assert(size(wave,1) (NfftNcp)*Nsym, ‘Unexpected received frame length.’);blocks reshape(wave, NfftNcp, Nsym, Nant);grid fft(blocks(Ncp1:end,:, Nfft, 1) / sqrt(Nfft);endfunction h makeMimoChannel(Nr, Nt, delays, powerDb)L max(delays) 1;h zeros(Nr, Nt, L);for p 1:numel(delays)spatialTap (randn(Nr,Nt) 1j*randn(Nr,Nt)) / sqrt(2);h(:,:,delays§1) sqrt(10^(powerDb§/10)) * spatialTap;endendfunction y applyMimoChannel(x, h)[Nr, Nt, ~] size(h);Ns size(x,1);y zeros(Ns, Nr);for rx 1:Nrfor tx 1:Ntresponse squeeze(h(rx,tx,:));filtered conv(x(:,tx), response);y(:,rx) y(:,rx) filtered(1:Ns);endendendfunction y targetEcho(x, delays, dopplers, azimuthDeg, amplitudes, fc, Fs, Nt, Nr)c 299792458;lambda c/fc;elementSpacing lambda/2;Ns size(x,1);n (0:Ns-1);y zeros(Ns, Nr);for q 1:numel(delays)theta deg2rad(azimuthDeg(q));aTx exp(1j2pielementSpacing/lambda(0:Nt-1)sin(theta));aRx exp(1j2pielementSpacing/lambda*(0:Nr-1)sin(theta));delayed zeros(size(x));delayed(delays(q)1:end,:) x(1:end-delays(q);transmittedAtTarget delayed * aTx;dopplerPhase exp(1j2pidopplers(q)*n/Fs);for rx 1:Nry(:,rx) y(:,rx) amplitudes(q)*aRx(rx)dopplerPhase .transmittedAtTarget;endend2 通用运行步骤1直接运行main.m即可一键出图⛄三、运行结果⛄四、matlab版本及参考文献1 matlab版本2019b2 参考文献[1]文涛;周海鹏;李夏;何蓉蓉;王世松.MIMO-OFDM系统中的信道估计算法优化方法研究[J].中国新技术新产品. 2025[2]赵靖博.MIMO-OFDM通信系统中协作式无线感知理论与方法研究[D].北京邮电大学. 20253 备注简介此部分摘自互联网仅供参考若侵权联系删除⛄五、仿真咨询与程序定制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TSP4.1.1 单旅行商问题TSP4.1.2 多旅行商问题MTSP4.2 车辆路径问题VRP4.2.1 车辆路径问题VRP4.2.2 带容量的车辆路径问题CVRP4.2.3 带容量时间窗距离车辆路径问题DCTWVRP4.2.4 带容量距离车辆路径问题DCVRP4.2.5 带距离的车辆路径问题DVRP4.2.6 带充电站时间窗车辆路径问题ETWVRP4.2.7 带多种容量的车辆路径问题MCVRP4.2.8 带距离的多车辆路径问题MDVRP4.2.9 同时取送货的车辆路径问题SDVRP4.2.10 带时间窗容量的车辆路径问题TWCVRP4.2.11 带时间窗的车辆路径问题TWVRP4.3 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 机器人轨迹跟踪4.4.3 机器人编队4.4.4 机器人导航4.4.5 机器人定位4.4.6 机器人控制4.4.7 机器人路径规划4.4.8 机器人任务分配4.4.9 机器人搜索4.4.10 机器人运输4.4.11 迷宫路径规划4.4.12 水下机器人路径规划4.4.13 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 卡车无人机4.6.6 目标搜索4.6.7 三维路径规划4.6.8 无人机编队4.6.9 无人机导航4.6.10 无人机吊运4.6.11 无人机对抗4.6.12 无人机覆盖4.6.13 无人机检测4.6.14 无人机控制4.6.15 无人机求援4.6.16 无人机位姿估计4.6.17 无人机系统4.6.18 无人机侦查4.6.19 无人机联盟4.6.20 无人机协同任务4.6.21 异构无人机4.7 水下飞行器4.8 无人车路径规划4.9 无人艇路径规划4.10 物流选址4.11 车辆控制4.12 多智能体路径规划4.12.1 多智能体编队4.12.2 多智能体控制4.12.3 多智能体路径规划4.12.4 多智能体协同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7.1 机械振动信号处理7.1.1 故障信号7.1.1.1 齿轮损伤识别7.1.1.2 异步电机转子断条故障诊断7.1.1.3 滚动体内外圈故障诊断分析7.1.1.4 电机故障诊断分析7.1.1.5 轴承故障诊断分析7.1.1.6 齿轮箱故障诊断分析7.1.1.7 三相逆变器故障诊断分析7.1.1.8 柴油机故障诊断7.1.2 管道泄漏7.1.3 振动信号7.2 生物医学信号处理7.2.1 肌电信号EMG7.2.2 脑电信号EEG7.2.3 乳腺癌诊断7.2.4 生物电信号7.2.5 心电信号ECG7.2.6 心血管7.2.7 心脏仿真7.2.8 血压7.3 声呐探测信号处理7.3.1 声呐7.3.2 水声通信7.4 通信工程信号处理7.4.1 超声波信号处理7.4.2 导航定位7.4.3 航天航空7.4.4 空间识别7.4.5 雷达通信7.4.5.1 FMCW仿真7.4.5.2 GPS抗干扰7.4.5.3 雷达LFM7.4.5.4 雷达MIMO7.4.5.5 雷达测角7.4.5.6 雷达成像7.4.5.7 雷达定位7.4.5.8 雷达回波7.4.5.9 雷达检测7.4.5.10 雷达数字信号处理7.4.5.11 雷达通信7.4.5.12 雷达相控阵7.4.5.13 雷达信号分析7.4.5.14 雷达预警7.4.5.15 雷达脉冲压缩7.4.5.16 天线方向图7.4.5.17 雷达杂波仿真7.4.6 模拟信号处理7.4.7 时差绘制7.4.8 数字信道处理7.4.9 数字信号处理7.4.10 无线通信7.4.11 姿态解算**7.4.12 资源分配 **7.5 自动测量信号处理**7.5.1 参数估计 ****7.5.2 电动汽车动力电池管理 ****7.5.3 高度预估 **8 物理应用8.1 物理学分支力学8.1.1 材料力学8.1.2 弹性力学8.1.3 动力学8.1.4 分析力学8.1.5 固体力学8.1.6 结构力学8.1.7 静力学8.1.8 空气动力学8.1.9 流体力学8.1.10 塑性力学8.1.11 运动学8.2 物理学其他分支8.2.1 表面物理学8.2.2 超声学8.2.3 次声学8.2.4 电磁学8.2.5 电动力学8.2.6 电学8.2.7 高压物理学8.2.8 金属物理学8.2.9 光学8.2.10 核物理学8.2.11 金属物理学8.2.12 量子力学8.2.13 热力学8.2.14 热学8.2.15 声学8.2.16 水声学8.3 物理应用8.3.1 地理学8.3.2 化学化工8.3.3 生物8.3.4 其他
