【雷达脉冲】FFT数字频谱分析仪和脉冲压缩雷达信号【含Matlab源码 16046期】

💥💥💥💥💥💥💥💥💞💞💞💞💞💞💞💞💞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：
优快云 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）

⛳️关注优快云 Matlab武动乾坤，更多资源等你来！！

⛄一、FFT数字频谱分析仪和脉冲压缩雷达信号

一、参数配置结构体 cfg

用结构体统一存放雷达、场景、噪声、算法全部参数，方便一键修改参数做对比实验：

1. 雷达信号参数

   • fc=10GHz X 波段载频，光速 c=3e8m/s；采样率fs=200MHz

   • LFM 带宽B=50MHz，脉冲时宽T=10μs；脉冲重复周期 PRI=200μs

   • 相干积累脉冲数N_pulses=16，CPI 相干处理间隔

2. 目标场景参数

3 个目标：距离分别 1500m、1520m、3000m；RCS 雷达截面积[1.0,0.8,1.5]m²；径向速度[30,-20,0]m/s（正代表远离雷达，负代表靠近，第三个静止目标）

3. 噪声与杂波

输入信噪比 SNR=20dB；杂波相对噪声功率 0.05；杂波类型可选白杂波 / 非平稳杂波 / 无杂波。非平稳杂波用来模拟地杂波随距离衰减的特性。

4. 算法选择（可切换）

   • 波形：LFM、相位编码 Barker 码、混合调制

   • 窗函数：无窗、汉明、汉宁、布莱克曼、切比雪夫窗（抑制脉冲压缩距离旁瓣）

   • CFAR 检测器：单元平均 CA、有序统计 OS、最大选择 GO、固定阈值

   • 杂波滤波器：MTI 动目标显示、多普勒滤波、自适应 LMS 杂波对消、不使用滤波

   • Swerling 起伏模型：0 (非起伏)、1、2、3、4，模拟雷达目标 RCS 闪烁

5. CFAR 专用参数

保护单元cfar_guard=4，训练单元cfar_train=10；设计虚警概率 Pfa=1e-4；固定阈值备用参数

6. FFT 与距离计算

FFT 点数 NFFT=1024；自动计算波长、距离分辨率、最大不模糊距离。

7. 绘图全局设置

设置 MATLAB 根绘图属性，黑色背景 + 白色坐标轴文字，深色主题绘图，方便雷达动态范围可视化。

打印框架信息：输出波形类型、窗、CFAR 类型、Swerling 模型、距离分辨率、最大不模糊距离。

二、Section1：波形生成 generate_LFM / PhaseCode / Hybrid

根据cfg.waveform_type选择发射波形：

1. LFM 线性调频：调频率 k=B/T，复指数线性调频信号，加汉明窗轻微幅度锥削；

2. Barker13 相位编码：BPSK 巴克码，每个码片重复多个采样点，生成相位编码信号；

3. Hybrid 混合波形：LFM 波形 × Barker 相位编码，同时兼具调频和相位编码特性。

绘图：波形时域实部、功率谱 PSD、瞬时相位图，直观观察时频特征。

三、Section2：模糊函数计算 compute_ambiguity

模糊函数是雷达核心，描述距离 - 多普勒耦合。

• 遍历多个多普勒频移，对每个多普勒频移的发射信号做自相关 xcorr；

• 输出二维模糊函数 AF，横轴时延、纵轴多普勒；

• 绘制零多普勒切片（距离剖面），计算 3dB 距离分辨率，验证理论距离分辨率。

LFM 特点：模糊图是斜脊，距离多普勒耦合；巴克码模糊图是钉型，旁瓣固定。

四、Section3：回波信号仿真（多目标 + Swerling + 杂波 + 噪声）

构建距离 × 脉冲二维回波矩阵rx_matrix，行 = 距离门，列 = 脉冲：

循环每一个发射脉冲，逐个目标生成回波：

1. 根据目标初始距离 + 径向速度，计算每个脉冲时刻目标实时距离；

2. 计算双程传播时延，映射到采样点；

3. swerling_amplitude生成起伏 RCS 幅度：

   • Swerling0：RCS 恒定不起伏；

   • Swerling1/3：扫描间起伏，一次 CPI 内幅度不变；

   • Swerling2/4：脉冲间起伏，每个脉冲幅度独立随机；

4. 多普勒相位项：目标径向速度带来脉冲间相位旋转；

5. 将目标回波叠加到对应距离门；

6. 添加复高斯 AWGN 噪声；

7. add_clutter加入杂波：白杂波 / 非平稳距离衰减杂波；

静止目标会落在零多普勒位置，MTI 滤波器会把静止杂波 / 静止目标滤掉。

五、Section4：匹配滤波（脉冲压缩）

匹配滤波器 = 发射信号时间反转 + 共轭；

• 窗函数加权匹配滤波器，压低距离旁瓣；

• 对每一列脉冲回波做卷积匹配滤波，输出脉冲压缩矩阵mf_output；

• 计算时宽带宽积 TBP，匹配滤波理论信噪比增益 = 10log10 (TBP)，LFM 依靠大 TBP 获得高处理增益。

六、Section5：杂波抑制 apply_clutter_filter

对脉冲压缩后数据做杂波滤除，四种模式：

1. MTI（2 脉冲对消器）：y(n)=x(n)-x(n-1)，直接抵消零多普勒静止杂波；缺点会衰减低速目标；

2. Doppler 带通滤波：FIR 带通滤波器，滤除零频附近静止杂波；

3. Adaptive LMS 自适应杂波对消：自适应学习杂波统计特性，适合非平稳杂波；

4. none：不做杂波抑制。

七、Section6：距离 - 多普勒图 RD Map

沿**脉冲维度（CPI 维度）**做 FFT 并 fftshift：

• 每一个距离门，对 16 个脉冲做 FFT + 汉明多普勒窗，得到该距离单元多普勒谱；

• 坐标轴转换：距离轴、径向速度轴（多普勒→速度公式 (v=\lambda f_d/2)）

• 绘制 RD 图，20log10 取 dB 显示，直观看到目标在距离、速度二维平面上的峰值；

3 个目标：1500m (30m/s 远离)、1520m (-20m/s 靠近)、3000m 静止（容易被 MTI 滤除）

八、Section7：CFAR 恒虚警检测 apply_cfar

把 RD 图在多普勒维度功率求和，得到一维距离功率剖面，用于目标检测；

支持 CA-CFAR、GO-CFAR、OS-CFAR、固定阈值检测：

• 检测单元两侧：保护单元（guard）防止目标能量泄漏污染训练单元；训练单元估计背景杂波 + 噪声功率；

• CA：单元平均，左右训练单元均值；GO：取左右均值最大值，抑制杂波边缘虚警；OS 有序统计：训练单元排序，取指定序值作为背景估计；

• 阈值 = α × 背景功率，α 由 Pfa 和训练单元数量计算；

• 输出检测标记detections，对比 CFAR 自适应阈值和固定阈值两种检测结果绘图；

固定阈值缺陷：杂波功率随距离变化时，虚警不稳定；CFAR 自适应估计背景，维持恒定虚警率。

九、Section8：SNR 分析 & ROC 曲线

1. 对比脉冲压缩前 / 后信噪比，计算匹配滤波带来的 SNR 提升；

2. ROC 接收特性曲线：Pd 检测概率 vs Pfa 虚警概率；

使用 Marcum Q 函数 /qfunc 高斯近似，画出 CA-CFAR 理论 ROC；标记仿真设定的工作点。

十、Section9：参数敏感性分析（4 张子图扫参）

1. Pd vs SNR：蒙特卡洛仿真，遍历 SNR，对比 CA-CFAR、GO-CFAR 检测概率；

2. 带宽扫描：带宽越大距离分辨率越高；LFM 的 PSL 距离旁瓣理论值 - 13.3dB；

3. CFAR 保护单元扫描：保护单元数量变化对经验虚警 Pfa 的影响；

4. 窗函数对比：不同窗的距离旁瓣 PSL、主瓣宽度权衡；窗越好旁瓣越低，但主瓣会展宽，分辨率下降。

十一、Section10：处理链路对比图

3 张子图纵向对比雷达信号全链路：

1. 原始接收信号（噪声淹没目标，看不到峰值）

2. 匹配滤波脉冲压缩后：目标峰值凸显

3. MTI 杂波抑制 + CFAR 检测：标记检出目标位置，观察杂波抑制效果

⛄二、部分源代码和运行步骤

1 部分代码
cfg = struct();

% — Radar & Signal Parameters —
cfg.fc = 10e9; % Carrier frequency [Hz] (X-band)
cfg.c = 3e8; % Speed of light [m/s]
cfg.fs = 200e6; % Sampling frequency [Hz]
cfg.B = 50e6; % Chirp bandwidth [Hz]
cfg.T = 10e-6; % Pulse duration [s]
cfg.PRI = 200e-6; % Pulse repetition interval [s]
cfg.N_pulses = 16; % Number of coherent pulses (CPI)

% — Scene Parameters —
cfg.target_ranges = [1500, 1520, 3000]; % Target ranges [m]
cfg.target_rcs = [1.0, 0.8, 1.5]; % Radar cross section [m^2]
cfg.target_vel = [30, -20, 0]; % Radial velocity [m/s]

% — Noise & Clutter Parameters —
cfg.SNR_dB = 20; % Input SNR [dB]
cfg.clutter_power = 0.05; % Clutter power relative to noise
cfg.clutter_type = ‘nonstationary’; % ‘white’ | ‘nonstationary’ | ‘none’

% — Processing Choices (change these to explore trade-offs) —
cfg.waveform_type = ‘LFM’; % ‘LFM’ | ‘PhaseCode’ | ‘Hybrid’
cfg.window_type = ‘hamming’; % ‘none’ | ‘hamming’ | ‘hanning’ | ‘chebyshev’ | ‘blackman’
cfg.cfar_type = ‘CA’; % ‘fixed’ | ‘CA’ | ‘OS’ | ‘GO’
cfg.clutter_filter = ‘MTI’; % ‘none’ | ‘MTI’ | ‘Doppler’ | ‘Adaptive’
cfg.swerling_model = 1; % 0 (non-fluctuating) | 1 | 2 | 3 | 4

% — CFAR Parameters —
cfg.cfar_guard = 4; % Guard cells each side
cfg.cfar_train = 10; % Training cells each side
cfg.cfar_pfa = 1e-4; % Desired Pfa
cfg.fixed_threshold = 0.5; % Fixed threshold (normalized)

% — FFT & Range Parameters —
cfg.NFFT = 1024; % FFT size
cfg.lambda = cfg.c / cfg.fc; % Wavelength [m]
cfg.range_res = cfg.c / (2*cfg.B); % Range resolution [m]
cfg.max_range = cfg.c * cfg.PRI / 2; % Maximum unambiguous range [m]

% — Global Dark Theme Plotting Defaults —
set(groot, ‘DefaultFigureColor’, ‘k’);
set(groot, ‘DefaultAxesColor’, ‘k’);
set(groot, ‘DefaultAxesXColor’, ‘w’);
set(groot, ‘DefaultAxesYColor’, ‘w’);
set(groot, ‘DefaultAxesZColor’, ‘w’);
set(groot, ‘DefaultTextColor’, ‘w’); % Automatically styles plot titles and labels white
set(groot, ‘DefaultLegendColor’, ‘none’);
set(groot, ‘DefaultLegendTextColor’, ‘w’);
set(groot, ‘DefaultLegendEdgeColor’, ‘w’);
set(groot, ‘DefaultAxesGridColor’, ‘w’);

fprintf(‘\n==========================================================\n’);
fprintf(’ CE363 Radar DSP Framework — SPRING 2026\n’);
fprintf(‘\n’);
fprintf(’ Waveform : %s\n’, cfg.waveform_type);
fprintf(’ Window : %s\n’, cfg.window_type);
fprintf(’ CFAR : %s-CFAR\n’, cfg.cfar_type);
fprintf(’ Clutter : %s\n’, cfg.clutter_filter);
fprintf(’ Swerling : Model %d\n’, cfg.swerling_model);
fprintf(’ Range Res : %.2f m\n’, cfg.range_res);
fprintf(’ Max Range : %.1f km\n’, cfg.max_range/1e3);
fprintf('\n\n’);

%% =========================================================================
% SECTION 1: WAVEFORM GENERATION
% =========================================================================
fprintf(‘[1/9] Generating %s waveform…\n’, cfg.waveform_type);

N_samp = round(cfg.T * cfg.fs); % samples per pulse
t_pulse = (0:N_samp-1) / cfg.fs; % time vector

switch cfg.waveform_type
case ‘LFM’
tx = generate_LFM(t_pulse, cfg.B, cfg.T);
case ‘PhaseCode’
tx = generate_PhaseCode(N_samp, ‘Barker13’);
case ‘Hybrid’
tx = generate_Hybrid(t_pulse, cfg.B, cfg.T, N_samp);
otherwise
error(‘Unknown waveform type: %s’, cfg.waveform_type);
end

figure(‘Name’,‘Waveform Analysis’,‘NumberTitle’,‘off’,‘Color’,‘k’);
subplot(3,1,1);
plot(t_pulse*1e6, real(tx), ‘b’, ‘LineWidth’,1.2);
xlabel(‘Time (\mus)’); ylabel(‘Amplitude’);
title(sprintf(‘%s Waveform — Real Part’, cfg.waveform_type));
grid on;

subplot(3,1,2);
[Pxx, f_ax] = periodogram(tx, [], cfg.NFFT, cfg.fs, ‘centered’);
plot(f_ax/1e6, 10*log10(Pxx), ‘r’, ‘LineWidth’,1.2);
xlabel(‘Frequency (MHz)’); ylabel(‘PSD (dB/Hz)’);
title(‘Transmitted Signal Spectrum’); grid on;

subplot(3,1,3);
plot(t_pulse*1e6, unwrap(angle(tx))*180/pi, ‘m’, ‘LineWidth’,1.2);
xlabel(‘Time (\mus)’); ylabel(‘Phase (degrees)’);
title(‘Instantaneous Phase’); grid on;

%% =========================================================================
% SECTION 2: AMBIGUITY FUNCTION ANALYSIS
% =========================================================================
fprintf(‘[2/9] Computing ambiguity function…\n’);

[AF, delay_axis, doppler_axis] = compute_ambiguity(tx, cfg.fs, cfg.lambda);

figure(‘Name’,‘Ambiguity Function’,‘NumberTitle’,‘off’,‘Color’,‘k’);
subplot(1,2,1);
imagesc(delay_axis1e6, doppler_axis/1e3, 20log10(abs(AF)+eps));
xlabel(‘Delay (\mus)’); ylabel(‘Doppler (kHz)’);
title(sprintf(‘Ambiguity Function: %s’, cfg.waveform_type));
colorbar; axis xy;
caxis([-50 0]);

subplot(1,2,2);
% Zero-Doppler cut (range profile)
zero_dop_idx = round(size(AF,1)/2);
AF_range = abs(AF(zero_dop_idx,:));
AF_range = AF_range / max(AF_range);
plot(delay_axis1e6, 20log10(AF_range+eps), ‘b’, ‘LineWidth’,1.5);
xlabel(‘Delay (\mus)’); ylabel(‘Magnitude (dB)’);
title(‘Zero-Doppler Cut (Range Profile)’); grid on;
ylim([-60 5]);

% Measure 3dB range resolution from ambiguity
half_pwr = AF_range >= (1/sqrt(2));
range_3dB_us = (sum(half_pwr) / cfg.fs) * 1e6;
fprintf(’ 3dB Range Resolution (from AF): %.4f µs (%.2f m)\n’, …
range_3dB_us, range_3dB_us*1e-6 * cfg.c/2);

%% =========================================================================
% SECTION 3: ECHO SIGNAL SIMULATION (Multi-target, Swerling models)
% =========================================================================
fprintf(‘[3/9] Simulating multi-target echo + AWGN + clutter…\n’);

N_range = round(cfg.PRI * cfg.fs); % total range-gate samples
N_pulses = cfg.N_pulses;
rx_matrix = zeros(N_range, N_pulses); % rows=range, cols=pulses

for pulse_idx = 1:N_pulses
rx_pulse = zeros(1, N_range);

for tgt = 1:length(cfg.target_ranges)
    R0  = cfg.target_ranges(tgt);
    vel = cfg.target_vel(tgt);
    rcs = cfg.target_rcs(tgt);

    % Swerling amplitude fluctuation
    amp = swerling_amplitude(rcs, cfg.swerling_model, pulse_idx);

    % Two-way propagation delay
    R_current = R0 + vel * (pulse_idx-1) * cfg.PRI;
    delay_samp = round(2 * R_current / cfg.c * cfg.fs);

    if delay_samp + N_samp - 1 <= N_range
        % Range-Doppler coupling: phase shift per pulse
        phase_doppler = exp(1j * 4*pi * vel * (pulse_idx-1) * cfg.PRI / cfg.lambda);
        echo = amp * tx * phase_doppler;
        rx_pulse(delay_samp : delay_samp+N_samp-1) = ...
            rx_pulse(delay_samp : delay_samp+N_samp-1) + echo;
    end
end

2 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

2019b

2 参考文献

[1] 刘嘉敏,彭玲,刘军委,袁佳成.遗传算法VMD参数优化与小波阈值轴承振动信号去噪分析[J].机械科学与技术. 2017,36(11)
[2]汪超,吴吉瑞,张键.基于振动理论的齿轮箱故障诊断应用研究[J].煤矿机械 .2015

3 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（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）
4.2.7 带多种容量的车辆路径问题（MCVRP）
4.2.8 带距离的多车辆路径问题（MDVRP）
4.2.9 同时取送货的车辆路径问题（SDVRP）
4.2.10 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.11 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 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EMG
7.2.2 脑电信号EEG
7.2.3 乳腺癌诊断
7.2.4 生物电信号
7.2.5 心电信号ECG
7.2.6 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LFM
7.4.5.4 雷达MIMO
7.4.5.5 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