✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎个人主页：Matlab科研工作室
🍊个人信条：格物致知，求助可私信。
🔥 内容介绍
摘要: 合成孔径雷达(SAR)图像变化检测在诸多领域具有重要应用价值，例如城市规划、灾害评估和环境监测等。然而，SAR图像易受噪声、斑点噪声以及几何畸变等因素的影响，导致变化检测的准确性降低。本文提出一种基于邻域比率和极限学习机(ELM)的SAR图像变化检测方法，以提高检测精度和效率。该方法首先利用邻域比率法对SAR图像进行预处理，有效地抑制斑点噪声并增强变化区域的对比度；随后，将预处理后的图像送入ELM进行分类，实现变化与非变化区域的区分。实验结果表明，该方法相比传统的基于像素的差值法和阈值法，具有更高的准确率和鲁棒性。
关键词: 合成孔径雷达(SAR)；图像变化检测；邻域比率；极限学习机；斑点噪声
1. 引言
合成孔径雷达(SAR)是一种主动式微波遥感技术，能够全天候、全天时获取地物信息，在目标识别、地形测绘以及环境监测等领域发挥着至关重要的作用。SAR图像变化检测是指利用不同时间获取的两幅或多幅SAR图像，提取出地物变化信息的过程。其结果广泛应用于城市扩张监测、森林砍伐检测、灾害评估以及军事侦察等方面。然而，SAR图像固有的斑点噪声以及几何畸变等问题，给变化检测带来了巨大的挑战。传统的变化检测方法，例如基于像素的差值法和阈值法，对噪声非常敏感，容易产生虚警和漏警现象，限制了其应用效果。
近年来，随着机器学习技术的快速发展，一些基于机器学习的SAR图像变化检测方法被提出，并取得了显著的成果。其中，极限学习机(ELM)作为一种新型的单隐层前馈神经网络，具有训练速度快、泛化能力强以及参数少等优点，在图像分类和模式识别领域展现出巨大的潜力。本文将结合邻域比率法和ELM，提出一种新的SAR图像变化检测方法，旨在提高检测精度和效率。
2. 方法论
本文提出的SAR图像变化检测方法主要包括两个阶段：预处理阶段和分类阶段。
2.1 预处理阶段：基于邻域比率法的斑点噪声抑制
SAR图像的斑点噪声是影响变化检测精度的一个重要因素。为了抑制斑点噪声并增强变化区域的对比度，本文采用邻域比率法进行预处理。邻域比率法通过计算像素与其邻域像素的比率来抑制斑点噪声。具体来说，对于一幅SAR图像I，其像素点(i,j)的邻域比率R(i,j)计算如下：
R(i,j) = I(i,j) / [∑_{k∈N(i,j)} I(k) / |N(i,j)|]
其中，N(i,j)表示像素点(i,j)的邻域，|N(i,j)|表示邻域内像素点的个数。 通过设定合适的邻域大小，可以有效地抑制斑点噪声，同时保留图像的细节信息。 选择合适的邻域大小需要根据具体的SAR图像数据和噪声水平进行调整。 过小的邻域可能无法有效抑制噪声，过大的邻域则可能导致图像细节丢失。
预处理阶段不仅包含邻域比率的计算，还需要对两幅SAR图像进行配准，以确保它们具有相同的几何位置。配准过程可以使用基于特征点匹配或图像相关性的方法实现。
2.2 分类阶段：基于ELM的变化区域识别
在预处理阶段得到两幅去噪后的SAR图像后，需要对图像进行变化检测。本文采用ELM对预处理后的图像进行分类，以区分变化区域和非变化区域。ELM是一种单隐层前馈神经网络，其训练速度快、泛化能力强，并且参数少。ELM的结构简单，易于实现，且避免了传统神经网络中复杂的迭代训练过程。
首先，将预处理后的两幅SAR图像拼接成一个新的特征向量作为ELM的输入。特征向量可以包含像素值、邻域比率以及其他纹理特征等。 然后，ELM根据训练样本学习输入特征与变化类别之间的映射关系。 训练结束后，ELM可以对新的SAR图像进行分类，输出变化图，从而识别出图像中的变化区域。 为了提高ELM的分类精度，可以使用不同的激活函数以及优化算法，例如交叉验证等方法进行参数调整。
3. 实验结果与分析
为了验证本文方法的有效性，我们在公开的SAR数据集上进行了实验。 实验结果表明，本文提出的方法在准确率和效率方面均优于传统的基于像素的差值法和阈值法。 具体来说，本文方法的总体精度明显高于其他方法，同时减少了虚警和漏警的发生。 此外，本文方法的训练速度也显著快于其他基于深度学习的SAR图像变化检测方法，提高了处理效率。 实验结果的具体数据将在论文中详细展现，并进行统计分析。
4. 结论
本文提出了一种基于邻域比率和极限学习机的SAR图像变化检测方法。该方法首先利用邻域比率法对SAR图像进行预处理，有效地抑制斑点噪声并增强变化区域的对比度；然后，利用ELM对预处理后的图像进行分类，实现变化区域的精确识别。实验结果表明，该方法具有较高的准确率和效率，优于传统的基于像素的方法。 未来的研究方向包括：探索更有效的特征提取方法，改进ELM模型，以及将该方法应用于更复杂的SAR图像变化检测场景。
📣 部分代码
[ylen, xlen] = size(im1);
ratio = zeros(ylen, xlen);
nrmap = zeros(ylen, xlen);
for j = 1:ylen
for i = 1:xlen
if im1(j,i)>im2(j,i)
ratio(j,i) = (im2(j,i)+0.001)/(im1(j,i)+0.001);
elseif im1(j,i)<im2(j,i)
ratio(j,i) = (im1(j,i)+0.001)/(im2(j,i)+0.001);
else
ratio(j,i) = 1;
end
end
end
for j = 1+(k-1)/2:ylen-(k-1)/2
for i = 1+(k-1)/2:xlen-(k-1)/2
u = 0; diat = 0;
smin=0; smax=0;
im_se1 = im1(j-(k-1)/2:j+(k-1)/2, i-(k-1)/2:i+(k-1)/2);
im_se2 = im2(j-(k-1)/2:j+(k-1)/2, i-(k-1)/2:i+(k-1)/2);
rat_se = ratio(j-(k-1)/2:j+(k-1)/2, i-(k-1)/2:i+(k-1)/2);
smin = im_se1.* (im_se1 <= im_se2);
smin = smin + im_se2.* (im_se1 > im_se2);
smin = sum(smin(:));
smax = im_se1.* (im_se1 >= im_se2);
smax = smax + im_se2.* (im_se1 < im_se2);
smax = sum(smax(:));
% 求均值，方差，以及lamda
u = mean(rat_se(:));
diat = var(rat_se(:));
lmd = (diat+0.001)/(u+0.001);
if lmd>1
lmd = 1;
end
if smax==0
nrmap(j,i) = lmd*ratio(j,i)+(1-lmd);
else
nrmap(j,i) = lmd*ratio(j,i)+(1-lmd)*smin/smax;
end
end
end
clear j i u diat rat_se ratio smax smin lmd;
clear im_se1 im_se2;
% 处理一下四个边上的像素
tmp = nrmap(1+(k-1)/2:ylen-(k-1)/2, 1+(k-1)/2:xlen-(k-1)/2);
u = mean(tmp(:));
nrmap(1:1+(k-1)/2, :) = u; nrmap(ylen-(k-1)/2:ylen, :) = u;
⛳️ 运行结果
✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎个人主页：Matlab科研工作室
🍊个人信条：格物致知，求助可私信。
🔥 内容介绍
摘要: 合成孔径雷达(SAR)图像变化检测在诸多领域具有重要应用价值，例如城市规划、灾害评估和环境监测等。然而，SAR图像易受噪声、斑点噪声以及几何畸变等因素的影响，导致变化检测的准确性降低。本文提出一种基于邻域比率和极限学习机(ELM)的SAR图像变化检测方法，以提高检测精度和效率。该方法首先利用邻域比率法对SAR图像进行预处理，有效地抑制斑点噪声并增强变化区域的对比度；随后，将预处理后的图像送入ELM进行分类，实现变化与非变化区域的区分。实验结果表明，该方法相比传统的基于像素的差值法和阈值法，具有更高的准确率和鲁棒性。
关键词: 合成孔径雷达(SAR)；图像变化检测；邻域比率；极限学习机；斑点噪声
1. 引言
合成孔径雷达(SAR)是一种主动式微波遥感技术，能够全天候、全天时获取地物信息，在目标识别、地形测绘以及环境监测等领域发挥着至关重要的作用。SAR图像变化检测是指利用不同时间获取的两幅或多幅SAR图像，提取出地物变化信息的过程。其结果广泛应用于城市扩张监测、森林砍伐检测、灾害评估以及军事侦察等方面。然而，SAR图像固有的斑点噪声以及几何畸变等问题，给变化检测带来了巨大的挑战。传统的变化检测方法，例如基于像素的差值法和阈值法，对噪声非常敏感，容易产生虚警和漏警现象，限制了其应用效果。
近年来，随着机器学习技术的快速发展，一些基于机器学习的SAR图像变化检测方法被提出，并取得了显著的成果。其中，极限学习机(ELM)作为一种新型的单隐层前馈神经网络，具有训练速度快、泛化能力强以及参数少等优点，在图像分类和模式识别领域展现出巨大的潜力。本文将结合邻域比率法和ELM，提出一种新的SAR图像变化检测方法，旨在提高检测精度和效率。
2. 方法论
本文提出的SAR图像变化检测方法主要包括两个阶段：预处理阶段和分类阶段。
2.1 预处理阶段：基于邻域比率法的斑点噪声抑制
SAR图像的斑点噪声是影响变化检测精度的一个重要因素。为了抑制斑点噪声并增强变化区域的对比度，本文采用邻域比率法进行预处理。邻域比率法通过计算像素与其邻域像素的比率来抑制斑点噪声。具体来说，对于一幅SAR图像I，其像素点(i,j)的邻域比率R(i,j)计算如下：
R(i,j) = I(i,j) / [∑_{k∈N(i,j)} I(k) / |N(i,j)|]
其中，N(i,j)表示像素点(i,j)的邻域，|N(i,j)|表示邻域内像素点的个数。 通过设定合适的邻域大小，可以有效地抑制斑点噪声，同时保留图像的细节信息。 选择合适的邻域大小需要根据具体的SAR图像数据和噪声水平进行调整。 过小的邻域可能无法有效抑制噪声，过大的邻域则可能导致图像细节丢失。
预处理阶段不仅包含邻域比率的计算，还需要对两幅SAR图像进行配准，以确保它们具有相同的几何位置。配准过程可以使用基于特征点匹配或图像相关性的方法实现。
2.2 分类阶段：基于ELM的变化区域识别
在预处理阶段得到两幅去噪后的SAR图像后，需要对图像进行变化检测。本文采用ELM对预处理后的图像进行分类，以区分变化区域和非变化区域。ELM是一种单隐层前馈神经网络，其训练速度快、泛化能力强，并且参数少。ELM的结构简单，易于实现，且避免了传统神经网络中复杂的迭代训练过程。
首先，将预处理后的两幅SAR图像拼接成一个新的特征向量作为ELM的输入。特征向量可以包含像素值、邻域比率以及其他纹理特征等。 然后，ELM根据训练样本学习输入特征与变化类别之间的映射关系。 训练结束后，ELM可以对新的SAR图像进行分类，输出变化图，从而识别出图像中的变化区域。 为了提高ELM的分类精度，可以使用不同的激活函数以及优化算法，例如交叉验证等方法进行参数调整。
3. 实验结果与分析
为了验证本文方法的有效性，我们在公开的SAR数据集上进行了实验。 实验结果表明，本文提出的方法在准确率和效率方面均优于传统的基于像素的差值法和阈值法。 具体来说，本文方法的总体精度明显高于其他方法，同时减少了虚警和漏警的发生。 此外，本文方法的训练速度也显著快于其他基于深度学习的SAR图像变化检测方法，提高了处理效率。 实验结果的具体数据将在论文中详细展现，并进行统计分析。
4. 结论
本文提出了一种基于邻域比率和极限学习机的SAR图像变化检测方法。该方法首先利用邻域比率法对SAR图像进行预处理，有效地抑制斑点噪声并增强变化区域的对比度；然后，利用ELM对预处理后的图像进行分类，实现变化区域的精确识别。实验结果表明，该方法具有较高的准确率和效率，优于传统的基于像素的方法。 未来的研究方向包括：探索更有效的特征提取方法，改进ELM模型，以及将该方法应用于更复杂的SAR图像变化检测场景。
📣 部分代码
[ylen, xlen] = size(im1);
ratio = zeros(ylen, xlen);
nrmap = zeros(ylen, xlen);
for j = 1:ylen
for i = 1:xlen
if im1(j,i)>im2(j,i)
ratio(j,i) = (im2(j,i)+0.001)/(im1(j,i)+0.001);
elseif im1(j,i)<im2(j,i)
ratio(j,i) = (im1(j,i)+0.001)/(im2(j,i)+0.001);
else
ratio(j,i) = 1;
end
end
end
for j = 1+(k-1)/2:ylen-(k-1)/2
for i = 1+(k-1)/2:xlen-(k-1)/2
u = 0; diat = 0;
smin=0; smax=0;
im_se1 = im1(j-(k-1)/2:j+(k-1)/2, i-(k-1)/2:i+(k-1)/2);
im_se2 = im2(j-(k-1)/2:j+(k-1)/2, i-(k-1)/2:i+(k-1)/2);
rat_se = ratio(j-(k-1)/2:j+(k-1)/2, i-(k-1)/2:i+(k-1)/2);
smin = im_se1.* (im_se1 <= im_se2);
smin = smin + im_se2.* (im_se1 > im_se2);
smin = sum(smin(:));
smax = im_se1.* (im_se1 >= im_se2);
smax = smax + im_se2.* (im_se1 < im_se2);
smax = sum(smax(:));
% 求均值，方差，以及lamda
u = mean(rat_se(:));
diat = var(rat_se(:));
lmd = (diat+0.001)/(u+0.001);
if lmd>1
lmd = 1;
end
if smax==0
nrmap(j,i) = lmd*ratio(j,i)+(1-lmd);
else
nrmap(j,i) = lmd*ratio(j,i)+(1-lmd)*smin/smax;
end
end
end
clear j i u diat rat_se ratio smax smin lmd;
clear im_se1 im_se2;
% 处理一下四个边上的像素
tmp = nrmap(1+(k-1)/2:ylen-(k-1)/2, 1+(k-1)/2:xlen-(k-1)/2);
u = mean(tmp(:));
nrmap(1:1+(k-1)/2, :) = u; nrmap(ylen-(k-1)/2:ylen, :) = u;
⛳️ 运行结果
🔗 参考文献
Change Detection from Synthetic Aperture Radar Images Based on Neighborhood-Based Ratio and Extreme Learning Machine. Journal of Applied Remote Sensing. 10(4), 2016.
🎈 部分理论引用网络文献，若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🎁 私信完整代码和数据获取及论文数模仿真定制
擅长领域：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
🔗 参考文献
Change Detection from Synthetic Aperture Radar Images Based on Neighborhood-Based Ratio and Extreme Learning Machine. Journal of Applied Remote Sensing. 10(4), 2016.
🎈 部分理论引用网络文献，若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🎁 私信完整代码和数据获取及论文数模仿真定制
擅长领域：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
