💥💥💥💥💥💥💥💥💞💞💞💞💞💞💞💞💞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、高密度肌电图和运动单元分析（具备尖峰触发平均、MUAP波形跨EMG网格传播、平滑累积尖峰列建模以及神经肌肉活动的预测分析)
实验名称：Interfacing the Neuromuscular System，人机接口与神经生理学实验 Exercise 02
本代码用于多通道表面肌电信号 (sEMG) 离线处理，核心目标：从肌电信号中提取运动单元动作电位 MUAP、计算运动单元发放率，并建立运动单元发放与全局 EMG 幅值的线性回归模型，研究肌肉运动单元募集特性。
基础数据：E2_Data_1.mat（可替换为 E2_Data_2.mat，第二受试者数据），包含多通道 EMG 原始采集信号、各运动单元 (MU) 脉冲触发点MUPulses、坏通道标记向量discardChannelsVec、采样率fsamp。
整体流程
原始 ADC 肌电数据 → 单位转换 → 带通 + 50Hz 陷波滤波预处理 → 剔除噪声坏通道 → STA 触发平均提取 MUAP（不同时间窗对比）→ 绘制 MUAP 网格图与最优通道 MUAP 波形对比 → 滑动窗口计算全局 EMG RMS 幅值 → 平滑得到各运动单元发放率 sCST → 对比发放率与 EMG RMS 时序曲线 → 多元线性回归，用多个 MU 发放率预测全局 EMG 幅值，评估拟合优度R2。
TASK 1.1 EMG 信号预处理
ADC 转 mV 换算
adc_to_mv = (5 / 2^16 / 150) * 1000;
采集卡为 16 位 ADC，参考电压 5V，前置放大 150 倍，将原始整型 ADC 数值转换成毫伏 mV。
滤波器设计
4 阶巴特沃斯带通滤波器：20~500Hz。EMG 有效信号集中在此频段，滤除低频运动伪影与高频噪声。
IIR50Hz 陷波滤波器：消除工频市电干扰。
filtfilt零相位滤波，无相位偏移，适合波形提取（STA 求平均对相位敏感）。
循环所有通道，逐通道完成单位转换→带通滤波→陷波滤波，存入SIG_preprocessed元胞数组。
TASK 1.2 剔除高噪声通道
discardChannelsVec标记无效 / 噪声过大通道；被标记通道全部替换为NaN，后续处理自动跳过，不参与 MUAP 提取与 RMS 计算，减少干扰。处理后信号存入SIG_clean。
TASK 1.3 STA 触发平均（Spike Triggered Average，尖峰触发平均，核心）
STA 原理：以运动单元 MU 发放脉冲时刻为中心，截取 EMG 信号片段，将大量片段做平均，压制随机噪声，提取干净的运动单元动作电位 MUAP。
窗口长度设置：15ms / 30ms / 60ms，转换成采样点数；取半窗长，以 spike 为中心前后截取信号片段。
三层循环：窗口大小 → 各个运动单元 MU → 各个 EMG 通道
MUPulses{mu}：该运动单元所有脉冲的采样索引；
在每个脉冲位置，截取窗口片段；边界超出信号范围的片段直接丢弃；
收集所有有效片段，求均值，得到该通道下这个 MU 的 MUAP 波形；无效通道结果保存 NaN。
结果STA为嵌套元胞：STA{窗口序号}{运动单元编号}{通道}存储每个通道的 MUAP 波形。
作用：分离淹没在噪声中的单个运动单元动作电位；不同窗口长度用来对比 MUAP 波形形态。
TASK 1.4.1 绘制 MUAP 网格图（MU3，30ms 窗口）
选定第 3 号运动单元，30ms 时间窗 STA 结果；
通道总数排布为 8 行 ×24 个子图网格；
每个子图绘制单通道 MUAP 波形，标题显示该通道 MUAP峰峰值 PTP（mV）；无效通道标注 NaN；关闭坐标轴；
直观查看阵列电极上，MUAP 在空间上的分布强弱，找到 MUAP 最强的电极位置。
TASK 1.4.2 多 MU、多窗口 MUAP 波形对比
选取 MU1~MU5；窗口：15/30/60ms；
对每个 MU、每个窗口，遍历全部通道，搜索峰峰值最大的通道（该 MU 最强波形）；
子图排布：5 行 (MU) ×3 列 (窗口)，横轴时间 ms，纵轴 mV；
目的：观察窗口长度对 MUAP 波形形态的影响，窗口太短波形截断，窗口太长引入背景噪声。
TASK 2.1 滑动窗口计算通道 EMG 的 RMS，全局 EMG RMS
滑动窗 200ms，逐通道滑动，计算窗口内肌电信号 RMS（均方根，表征 EMG 幅值 / 肌肉收缩强度）；
channel_rms：通道 × 时间矩阵；
global_EMG_RMS：所有有效通道 RMS时域平均，得到全局 EMG 幅值时序，代表整体肌肉收缩水平。
TASK 2.2.1 计算运动单元发放率 sCST（smoothed Continuous Spike Train）
对每个 MU，构造二进制脉冲序列 spike_train：发放脉冲位置置 1，其余为 0；
使用 400ms 汉宁窗 Hann 做平滑卷积conv(…, ‘same’)，把离散脉冲变成连续平滑发放速率曲线；
乘以采样率，单位转换为 pps pulses per second（脉冲 / 秒），存入discharge_rates；
sCST：连续平滑发放率，用来表征单个运动单元随时间的放电快慢。
TASK 2.2.2 时序绘图：MU 发放率 vs 归一化全局 EMG RMS
将全局 EMG RMS 归一化到 0~1，再缩放匹配该 MU 发放率幅值，便于同图对比趋势；
每个 MU 单独子图：黑色实线 sCST（发放率），红色虚线归一化 EMG RMS；
生理学目的：观察运动单元发放速率是否跟随肌肉收缩强度（EMG 幅值）同步变化，即运动单元募集特性。
TASK 2.3 多元线性回归：MU 发放率预测全局 EMG 幅值
模型：Y=X⋅BX：输入矩阵，每行一个时间点，每一列对应一个 MU 的 sCST 发放率；
Y：目标输出，全局 EMG RMS；
最小二乘求解系数 B：B = X\Y；得到预测值Y
pred计算：
R2决定系数：衡量模型拟合程度（越接近 1，多个 MU 发放率联合预测 EMG 幅值效果越好）
相关系数 corr：真实 EMG 和预测 EMG 之间线性相关程度
绘图：真实全局 EMG RMS（黑线）、模型预测值（红色虚线），标题打印R2与相关系数。
生理学意义：验证整体肌肉收缩强度，可以由各个运动单元的发放活动线性叠加解释。
核心原理总结（可直接粘贴报告）
EMG 预处理：20–500Hz 带通提取肌电成分，50Hz 陷波去除工频干扰，零相位滤波保护波形形态；剔除噪声通道降低干扰。
STA 尖峰触发平均：运动单元每次发放动作电位作为触发点，对多段 EMG 信号平均，抑制随机噪声，提取微弱 MUAP；可对比不同截取窗口对 MUAP 形态的影响。
EMG RMS：肌电信号 RMS 是肌肉收缩强度的经典指标。
sCST 平滑发放率：将离散 MU 脉冲序列平滑为连续的发放速率曲线，方便时序分析与回归建模。
多元线性回归：以多个运动单元发放速率作为自变量，全局 EMG RMS 作为因变量，评估多个运动单元的放电活动共同解释肌肉整体收缩强度的能力，分析神经肌肉募集规律。
⛄二、部分源代码和运行步骤
1 部分代码
% Interfacing the Neuromuscular System
% Applications to Human/Machine Interfaces and Neurophysiology
% Exercise 02
%% — TASK 1.1 —
% — Load Data —
load(‘E2_Data_1.mat’); % Replace with E2_Data_2.mat to process second subject
% — Conversion Constant —
adc_to_mv = (5 / 2^16 / 150) * 1000;
% — Filtering Parameters —
fs = fsamp;
low_cut = 20; % Hz
high_cut = 500; % Hz
notch_freq = 50; % Hz
% — Design Bandpass Filter (Butterworth 4th Order) —
[b_bp, a_bp] = butter(4, [low_cut high_cut] / (fs / 2), ‘bandpass’);
% — Design Notch Filter (IIR Notch at 50Hz) —
wo = notch_freq / (fs / 2); % Normalized frequency
bw = wo / 35; % Bandwidth (related to Q-factor)
[b_notch, a_notch] = iirnotch(wo, bw);
% — Preprocess EMG Signals —
SIG_preprocessed = cell(size(SIG));
for ch = 1:numel(SIG)
raw = double(SIG{ch});
mv_signal = raw * adc_to_mv; % Convert ADC to millivolts
bandpassed = filtfilt(b_bp, a_bp, mv_signal); % Bandpass filter
notch_filtered = filtfilt(b_notch, a_notch, bandpassed); % Notch filter
SIG_preprocessed{ch} = notch_filtered;
end
%% — TASK 1.2 —
% Copy preprocessed data to a new variable for further cleaning
SIG_clean = SIG_preprocessed;
% Discard noisy channels based on discardChannelsVec
for ch = 1:numel(SIG_clean)
if discardChannelsVec(ch) == 1
SIG_clean{ch} = NaN; % Replace entire channel with NaN
end
end
%% — TASK 1.3 —
% Define window sizes in milliseconds
window_ms_list = [15, 30, 60];
fs = fsamp;
num_units = length(MUPulses);
% Convert window sizes to samples
window_samples_list = round(window_ms_list / 1000 * fs);
% Initialize STA output structure
STA = cell(length(window_samples_list), num_units);
% Loop over window sizes
for w = 1:length(window_samples_list)
half_win = floor(window_samples_list(w) / 2);
% For each motor unit
for mu = 1:num_units
spikes = MUPulses{mu}; % spike indices
mu_STA = cell(size(SIG_clean)); % store per-channel STA
% Loop through EMG channels
for ch = 1:numel(SIG_clean)
signal = SIG_clean{ch};
if isnumeric(signal) && ~any(isnan(signal))
snippets = [];
% Extract snippets centered around each spike
for s = 1:length(spikes)
idx = spikes(s);
if idx - half_win >= 1 && idx + half_win <= length(signal)
segment = signal((idx - half_win):(idx + half_win));
snippets(end + 1, :) = segment;
end
end
% Average the snippets if available
if ~isempty(snippets)
mu_STA{ch} = mean(snippets, 1);
else
mu_STA{ch} = NaN;
end
else
mu_STA{ch} = NaN;
end
end
% Store STA for this MU and window size
STA{w}{mu} = mu_STA;
end
end
%% — TASK 1.4.1 —
% — Parameters —
mu_idx = 3; % Motor unit number
win_idx = 2; % Window index for 30 ms (2nd in list [15,30,60])
rows = 8;
cols = 24;
muap_grid = STA{win_idx}{mu_idx}; % Extract MUAP data for MU 3 at 30ms
% — Create Figure —
figure(‘Name’, ‘MUAP Grid: MU 3, 30ms’, ‘Position’, [100, 100, 1800, 1000]);
for ch = 1:numel(muap_grid)
[r, c] = ind2sub([rows, cols], ch); % Convert index to grid position
subplot(rows, cols, ch);
waveform = muap_grid{ch};
if isnumeric(waveform) && ~any(isnan(waveform))
plot(waveform, 'k'); % plot MUAP waveform
ptp = max(waveform) - min(waveform); % peak-to-peak amplitude
title(sprintf('%.2f mV', ptp), 'FontSize', 6);
else
title('NaN', 'FontSize', 6);
end
axis off;
end
sgtitle(‘MUAP Grid for Motor Unit 3 (30 ms Window)’, ‘FontWeight’, ‘bold’);
%% — TASK 1.4.2 —
% — Parameters —
mu_list = 1:5;
window_ms_list = [15, 30, 60];
fs = fsamp;
% — Create figure —
figure(‘Name’, ‘MUAP Comparison: MUs 1 C5 (15, 30, 60 ms)’, ‘Position’, [100, 100, 1200, 800]);
for mu_idx = 1:length(mu_list)
mu = mu_list(mu_idx);
for w = 1:length(window_ms_list)
muap_all_channels = STA{w}{mu};
% Find channel with highest peak-to-peak amplitude
max_ptp = -Inf;
best_waveform = NaN;
for ch = 1:numel(muap_all_channels)
waveform = muap_all_channels{ch};
if isnumeric(waveform) && ~any(isnan(waveform))
ptp = max(waveform) - min(waveform);
if ptp > max_ptp
max_ptp = ptp;
best_waveform = waveform;
end
end
end
% Plot the best waveform
subplot(length(mu_list), length(window_ms_list), (mu_idx - 1)*3 + w);
if isnumeric(best_waveform) && ~any(isnan(best_waveform))
t = (0:length(best_waveform)-1) / fs * 1000; % convert to ms
plot(t, best_waveform, 'k');
xlabel('Time (ms)');
ylabel('Amplitude (mV)');
title(sprintf('MU #%d C %d ms', mu, window_ms_list(w)));
else
title(sprintf('MU #%d C %d ms (NaN)', mu, window_ms_list(w)));
axis off;
end
end
end
sgtitle(‘MUAP Comparison for MUs 1 C5 at 15, 30, 60 ms’, ‘FontWeight’, ‘bold’);
%% — TASK 2.1 —
% — Parameters —
window_ms = 200;
win_samples = round(window_ms / 1000 * fsamp); % Convert window to samples
% Assume all signals have same length (pick first non-NaN channel)
valid_idx = find(~cellfun(@isempty, SIG_clean) & ~cellfun(@(x) all(isnan(x)), SIG_clean), 1);
signal_len = length(SIG_clean{valid_idx});
% — Initialize channel-wise RMS matrix —
channel_rms = nan(numel(SIG_clean), signal_len - win_samples + 1);
% — Compute RMS per channel —
for ch = 1:numel(SIG_clean)
signal = SIG_clean{ch};
if isnumeric(signal) && ~any(isnan(signal))
for i = 1:(signal_len - win_samples + 1)
segment = signal(i : i + win_samples - 1);
channel_rms(ch, i) = sqrt(mean(segment.^2)); % RMS for this window
end
end
end
% — Compute Global EMG RMS (average across all valid channels) —
global_EMG_RMS = nanmean(channel_rms, 1); % size: [1 x time_samples]
time_vector = (0:length(global_EMG_RMS)-1) / fsamp; % time in seconds
%% — TASK 2.2.1 —
% — Parameters —
window_ms = 400;
win_samples = round(window_ms / 1000 * fsamp); % 400 ms in samples
% Create normalized Hann window
hann_win = hann(win_samples);
hann_win = hann_win / sum(hann_win); % Normalize for smoothing
% Preallocate discharge rate matrix
signal_len = length(SIG_clean{valid_idx});
num_units = length(MUPulses);
discharge_rates = zeros(num_units, signal_len);
% — Loop over all motor units —
for mu = 1:num_units
spike_train = zeros(1, signal_len); % Binary train
spike_indices = MUPulses{mu};
% Ensure valid spike indices
spike_indices(spike_indices < 1 | spike_indices > signal_len) = [];
spike_train(spike_indices) = 1;
% Smooth the spike train using Hann window
smoothed = conv(spike_train, hann_win, 'same');
% Convert to pulses per second (pps)
smoothed_pps = smoothed * fsamp;
discharge_rates(mu, :) = smoothed_pps;
end
%% — TASK 2.2.2 —
% Ensure discharge_rates and global_EMG_RMS are same length
discharge_rates = discharge_rates(:, 1:length(global_EMG_RMS));
% Normalize global EMG RMS (range 0 to 1)
global_EMG_norm = global_EMG_RMS / max(global_EMG_RMS);
% Create time vector
time_vector = (0:length(global_EMG_RMS)-1) / fsamp;
% — Plot —
figure(‘Name’, ‘sCST vs Global EMG RMS’, ‘Position’, [100, 100, 1200, 250 * num_units]);
for mu = 1:num_units
subplot(num_units, 1, mu);
% Plot sCST
plot(time_vector, discharge_rates(mu, :), 'k', 'LineWidth', 1.2);
hold on;
% Plot scaled global RMS on same axis
scaled_rms = global_EMG_norm * max(discharge_rates(mu, :));
plot(time_vector, scaled_rms, 'r--', 'LineWidth', 1);
hold off;
title(sprintf('Motor Unit #%d', mu));
xlabel('Time (s)');
ylabel('Discharge Rate (pps)');
legend('sCST', 'Normalized Global EMG RMS');
end
%% — TASK 2.3 —
% — Prepare Data —
X = discharge_rates.'; % [time x units]
Y = global_EMG_RMS(😃; % [time x 1]
% Remove any NaNs (though unlikely)
valid_idx = all(~isnan(X), 2) & ~isnan(Y);
X = X(valid_idx, 😃;
Y = Y(valid_idx);
% — Fit Linear Regression Model —
B = X \ Y; % Least squares solution
Y_pred = X * B;
% — Compute R? Score —
SS_res = sum((Y - Y_pred).^2);
SS_tot = sum((Y - mean(Y)).^2);
R_squared = 1 - (SS_res / SS_tot);
% — Compute Correlation Coefficient —
corr_coeff = corr(Y, Y_pred);
% — Time Vector (adjusted for valid indices) —
t = time_vector(valid_idx);
% — Plot —
figure(‘Name’, ‘Linear Regression: sCST Global EMG RMS’, ‘Position’, [100, 100, 1000, 400]);
plot(t, Y, ‘k’, ‘LineWidth’, 1.5); hold on;
plot(t, Y_pred, ‘r–’, ‘LineWidth’, 1.5);
xlabel(‘Time (s)’);
ylabel(‘Global EMG RMS (mV)’);
legend(‘Actual RMS’, ‘Predicted RMS’);
title(sprintf(‘Linear Regression: R^2 = %.3f, Corr = %.3f’, R_squared, corr_coeff));
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]陈伟婷,曹桂涛,王志中.疲劳收缩过程中EMG信号规则度增加的检测[J].东南大学学报（英文版）. 2010
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
179
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
