💥💥💞💞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图像处理（仿真科研站版）仿真内容点击👇
Matlab图像处理（仿真科研站版）
⛄一、车牌识别简介
摘 要：为改进车牌识别的精确度，在 MATLAB 平台下通过 GUI 图形用户界面，调用相应算子与算法对图像进行调整与优化。通过对图像进行粗定位、灰度化、倾斜矫正、二值化处理等对车牌图像进行预处理，并利用阈值分割、形态学处理等方法进行车牌定位。对多种算法进行比较，选择适当的图像处理方法，结合投影函数分割图像，以及图像矩归一化法实现字符归一化、语音播报车牌识别结果等功能，共同组成车牌识别系统。测试结果表明，该系统对车牌识别的精确度由 95% 提高到 96.5%，识别性能较好。
0 引言
随着科技的发展与信息时代的到来，数字图像处理技术已走进人们的日常生活。数字图像处理是指将图像信号转换成数字信号并采用计算机等硬件设备进行处理的过程［1-2］，其涉及的内容主要包括图像二值化与灰度化、图像变换与形态学处理等，同时车牌识别技术作为该领域的重要应用方向之一，选择合适的软件进行图像识别与处理是必不可少的。MATLAB 作为一款强大的数学软件，同时也是国际控制界公认的标准计算软件［3-4］，由于其不需要定义数组维数，而且有矩阵对应的库函数，所以在图像处理领域相对其它高级语言更加简便，且效率较高。图像处理算法通常是依靠矩阵运算实现的，因此可选择 MATLAB作为图像处理工具。很多学者对此进行了研究，但相关成果仍具有一定局限性。如文献［5］只是针对车牌字符识别进行简单的图像处理实验；文献［6］对车牌图像进行字符
识别，但效果不佳。基于文献［7］研究，本文采用基于 GUI的图形操作系统，采用层层推进的方式对车牌图像进行识别与处理。同时受到文献［8］的启发，本文运用语音播报的方式对结果进行输出，并对车牌进行精确定位。
1 车牌识别系统设计
系统首先通过图片选择功能选定一幅要处理的图片，然后进行图像识别，最后对识别的车牌进行语音播报，相应流程如图 1 所示。
针对识别模块，图像识别处理流程又大致分为对图像进行粗定位、图像灰度化、倾斜矫正处理、二值化处理、形态学处理等，最后得到精准定位的图像。具体流程如图 2所示。
本系统采用 GUI 图形处理系统处理车辆图片，从中提取车牌号码，系统可显示运行时间，且界面简洁、操作简便。系统主界面如图 3 所示。
2 车牌识别系统测试
2.1 粗定位处理
由于车牌大都是以蓝底作为背景，所以系统首先对一幅图片的横坐标和纵坐标方向设置蓝色边界阈值；然后根据设置的长宽比得到车牌图像初步边界。车牌号码一般是白色的，因此设置白色像素点变量，之后进行统计；接下来根据长宽比与白蓝比提取车牌图像；最后根据图像像素面积、设置阈值对提取的图像进行二次修正。定位处理效果如图 4 所示。
2.2 灰度化处理
一般将彩色图像转化为灰色图像的过程称为灰度化处理，是一个降维处理过程［9-10］。灰度变换是数字图像处理中常用的图像增强技术［11］。目前大部分彩色图像采用RGB 颜色模式，图像处理时要分别对 R、G、B 3 个分量进行相应处理。其实灰度图像也可反映图像形态特征，是一种R、G、B 3 个分量都相同的特殊彩色图像，各像素点仅表现为一种颜色［12］。因此，处理彩色图像要先进行图像灰度化处理，以减少图像计算量，然后通过灰度变换增强图像对比度。常见的图像灰度化算法有：①最大值法。可使转化后 R、G、B 的值等于转化前 3 个值中最大的一个，该方法转换的灰度图亮度较高；②平均值法。可使转化后 R、G、B 的值为转化前 R、G、B 的平均值，该方法转换的灰度图较为柔和。因此，本文采取加权平均值法对图像进行灰度处理，公式如下： R = G = B = (wR R + wGG + wB B) 3 （1） 式中,wR、wG、wB 代表 R、G、B 权值，不同值会生成不同的灰度图像。通过人的视觉对颜色敏感度进行颜色权值排序，为 wG > wR > wB，能得到较易识别的灰度图像。通常 当 wR = 0.299, wG = 0.587, wB = 0.114 时 得 到 的 灰 度 图 效果最好，处理效果如图 5 所示。
2.3 图片倾斜矫正与二值化处理
由于处理车牌图像时车牌可能出现倾斜的情况，所以需要对图像进行倾斜校正处理。常见的倾斜校正方法有基于投影的倾斜校正，但该方法一般需要提前知道图像大概的倾斜状况，然后选定角度进行投影计算，否则会加大运算量；此外还有 Hough 变换的倾斜校正与外接矩形的倾斜校正，通过实验发现，后者在整体速度和效果上要优于前者。为了找到两个图像之间的几何对应关系，通常会计算包含平面变换（例如平移、旋转、缩放、投影、仿射）的单应矩阵［13］，该过程称为几何变换。在使用外接矩形的倾斜校正方法处理图像过程中，可使用基于连通域聚集的方式提取所需对象，形成外接矩形，然后通过选取长边与水平方向的夹角 θ，以图像左下角为圆心，利用几何变换将图像顺时针旋转 θ 角度。其几何变换公式如下：
二值化处理的目的是将需要识别的目标与背景分离开，其算法一般分为两种：传统的非机器学习方法和基于图像分割的深度学习方法［14］。本系统采用灰度阈值变换方法，选取合适的阈值将背景与车牌号分离，最后获得二值化图像。灰度阈值变换可将一幅灰度图像转换成黑白二值图像。用户指定一个可起分界线作用的灰度值，如果图像中某像素灰度值小于该灰度值，则将该像素灰度值设置为 0，否则设置为 255。这个起分界线作用的灰度值称为阈值，灰度的阈值变换也常被称为阈值化或二值化。灰度阈值变换的函数表达式如下：
2.4 图像形态学处理与精确定位
图像形态学处理是应用最广泛的图像技术之一，其目的主要是提取图像中对识别有意义的图像分量，能够抓住图像最本质的形状特征。图像形态学处理的主要运算方法包括：膨胀、腐蚀、开运算以及闭运算等［15］。图像经过腐蚀运算后可使边缘变得杂乱［16］。膨胀是指一个集或对象目标从其原来的形状扩大的过程［17］。腐蚀能够去除图像边界，而膨胀与其相反，能够扩大图像边界。本系统运用形态学的开运算（先腐蚀后膨胀）进行图像处理，移除车牌图像的连通与孤立像素，使图像轮廓变得更加光滑。使用结构元素 S 对 A 进行开运算，记作 A∘ S，可表示为：
一般来说，开运算可使图像轮廓变得光滑，断开狭窄的连接并消除细毛刺。如图 8 所示，开运算断开了图中两个小区域间的狭窄连接，并去除了右侧物体上部突出的一个小于结构元素的2 × 2 区域（去除细小毛刺）。但与腐蚀不同的是，图像大的轮廓并没有发生整体收缩，物体位置也没有发生任何变
化。本系统使用开运算运行后的图像形态学处理结果如图 9 所示。
2.5 图像车牌分割处理
图像分割是图像处理和计算机视觉中应用的基本技术手段［18］，国内外广泛使用的图像分割方法主要包括阈值分割法、聚类分割法、区域生长法、深度学习法等［19］。文献［20］通过对比字符宽度对车牌图像进行分割，但效果不够理想。本系统采用阈值分割方法，针对图像像素灰度值的
不同，选取阈值将图片中的车牌号与背景分割开。常见的阈值分割方法有：①直方图阈值化法。其根据直方图谷底确定阈值，但当图像直方图两个区域峰值相差很远，且图像受噪声影响时，该算法则不适用；②迭代选择阈值法。但该算法的阈值迭代选择规则不容易选取；③最小均方误差法。该算法确定阈值时使用的参数非常复杂，而且对图像有正态分布的要求；④最大类间方差法。该方法不需要
人为设定其它参数，是一种自动选择阈值的方法，而且能得到较好的结果。最大类间方差法的原理为：对图像进行阈值分割时，选定的分割阈值应使前景区域、背景区域与整幅图像的平均灰度之间差别最大，这种差异用区域的方差表示。该方法不仅适用于包含两个区域的单阈值选择，也适用于多区域的多阈值选择，而且计算简单，不受图像对比度与亮度影响，是阈值分割算法中错分概率最小的一
种算法。
2.6 语音播报
系统会对最后的识别结果进行语音播报，系统中有提前录制好的数字、字母语音素材，系统通过相应函数实现其功能，部分关键代码如下：
function shengyin=fasheng（jieguoyuyin）
sound（audioread（‘结果语音 .wav’），46000）；
pause（2）；
3 结语
本文采用 GUI 图形处理系统进行车牌识别，并通过语音播报读出结果，可令使用者更方便地使用。测试结果表明，系统对车牌识别的精确度可由 95% 提高到 96.5%。由于字符笔划包含丰富的角点信息，后期还可采用角点字符检测方法提取出图像中的字符信息，并尝试使用神经网络算法，以期提高识别精确度至 97% 以上。
⛄二、部分源代码
function varargout = untitled(varargin)
% UNTITLED MATLAB code for untitled.fig
% UNTITLED, by itself, creates a new UNTITLED or raises the existing
% singleton*.
%
% H = UNTITLED returns the handle to a new UNTITLED or the handle to
% the existing singleton*.
%
% UNTITLED(‘CALLBACK’,hObject,eventData,handles,…) calls the local
% function named CALLBACK in UNTITLED.M with the given input arguments.
%
% UNTITLED(‘Property’,‘Value’,…) creates a new UNTITLED or raises the
% existing singleton*. Starting from the left, property value pairs are
% applied to the GUI before untitled_OpeningFcn gets called. An
% unrecognized property name or invalid value makes property application
% stop. All inputs are passed to untitled_OpeningFcn via varargin.
%
% *See GUI Options on GUIDE’s Tools menu. Choose “GUI allows only one
% instance to run (singleton)”.
%
% See also: GUIDE, GUIDATA, GUIHANDLES
% Edit the above text to modify the response to help untitled
% Last Modified by GUIDE v2.5 03-Apr-2023 23:37:52
% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @untitled_OpeningFcn, …
‘gui_OutputFcn’, @untitled_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 untitled is made visible.
function untitled_OpeningFcn(hObject, ~, 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 untitled (see VARARGIN)
% Choose default command line output for untitled
% persistent list;
global capacity;
capacity=100;
global a;
a=0;
global list;
list=[];
global editFlag;
editFlag=0;
global path1;
global path2;
path1='.\ ƺ ֿ ‘;
path2=’.\ ַ ';
set(handles.text28,‘String’,[‘ʣ ݣ ’ num2str(capacity)]);
set(handles.text26,‘String’,[’ ǰ ’ num2str(a)]);
handles.output = hObject;
clc; warning off all;%
axes(handles.axes1); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);%ȥͼ Ŀ̶
axes(handles.axes2); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
axes(handles.axes3); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
axes(handles.axes4); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
axes(handles.axes5); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
axes(handles.axes6); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
axes(handles.axes7); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
axes(handles.axes8); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
axes(handles.axes9); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
axes(handles.axes10); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
axes(handles.axes11); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
axes(handles.axes12); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
axes(handles.axes13); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
axes(handles.axes14); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
axes(handles.axes15); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
axes(handles.axes16); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
axes(handles.axes17); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
axes(handles.axes18); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
axes(handles.axes19); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
axes(handles.axes20); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
axes(handles.axes21); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
axes(handles.axes22); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
axes(handles.axes23); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
axes(handles.axes24); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
set(handles.edit1, ‘string’, []);% ɱ༭
set(handles.edit2, ‘string’, []);
set(handles.edit3, ‘string’, [])
set(handles.edit4, ‘string’, [])
set(handles.edit5, ‘string’, [])
set(handles.edit6, ‘string’, [])
set(handles.edit7, ‘string’, [])
handles.Img=[];
handles.Plate = [];
⛄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]呙润华，苏婷婷，马晓伟.BP神经网络联合模板匹配的车牌识别系统[J].清华大学学报(自然科学版)，2013，53(9)：1221-1226.
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
9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长
10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合
扫一扫
437
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
