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、OFDM无线通信系统利用BER与SNR分析分析AWGN、Rayleigh和多普勒衰落通道上简介本代码为纯基础 MATLAB 仿真无需任何工具箱实现梳状导频Comb Pilot辅助的 QPSK-OFDM 收发机。信道估计采用最小二乘 LS 估计支持线性插值和DFT 域插值两种插值方案。仿真包含 AWGN 信道、瑞利衰落信道对比不同接收机方案的误码率 BER-SNR 曲线并和理论 BER 曲线对比同时还有理想信道完美 CSI作为性能上界参考。仿真自动生成星座图、信道估计图、BER 曲线图结果保存到result文件夹。整体仿真流程系统参数配置计算导频开销单次演示链路发射端比特生成→QPSK 调制→串并转换→插入梳状导频→OFDM 调制 添加循环前缀 CP信道分别经过 AWGN 信道、瑞利多径衰落信道接收端去除 CP、OFDM 解调瑞利信道下分 4 种接收方案无均衡器、理想信道均衡、LS 线性插值信道估计均衡、LSDFT 插值信道估计均衡计算信道估计 NMSE归一化均方误差、BER绘制星座图与信道估计对比图BER 扫参仿真在 SNR 范围 0~30dB步进 2dB批量仿真多条曲线同时计算 AWGN 与瑞利信道理论 BER绘图、保存图片与 BER 数据到 csv 文件。分段详细解释初始化、路径与文件夹创建clc; clear; close all; projectRoot fileparts(mfilename(fullpath)); ... resultDir fullfile(projectRoot, result); if exist(resultDir, dir) ~ 7, mkdir(resultDir); end清理工作区获取脚本所在路径自动创建result文件夹用于存放图片和 BER 结果 csvaddpath(genpath(projectRoot));加载项目下所有子目录函数如qpsk_modulator、estimate_channel等外部函数。系统参数配置段p.fftSize 64; % FFT长度/子载波总数 p.cpLength 16; % CP循环前缀采样点数 p.pilotSpacing 4; % 梳状导频间隔每4个子载波插入1个导频 p.numTaps 8; % DFT信道估计算法假设最大信道抽头数 p.pdp exp(-(0:3)/1.5); % 4径指数功率时延分布PDP多径功率指数衰减 p.numOfdmSymbols 1024; % 一帧包含OFDM符号数量 p.minErrors 100; % BER仿真停止条件至少统计100个误码 p.maxFrames 50; % 最多跑50帧就停止当前SNR点 demoSnr 20; % 单次演示链路固定SNR20dB snrRange 0:2:30; % BER扫描SNR范围0~30dB步长2dB梳状导频 comb pilot导频在子载波维度稀疏插入同一个 OFDM 符号内每隔固定子载波放置已知导频符号适合快衰落信道。cfg pilot_config(p.fftSize, p.pilotSpacing);调用函数计算导频位置、导频数量、数据子载波数量、导频开销百分比。导频开销 导频子载波数 / 全部子载波数导频是冗余用来估计信道会降低频谱效率。单次仿真发射机 TransmitternumBits 2 * cfg.numData * p.numOfdmSymbols; bits generate_bits(numBits); symbols qpsk_modulator(bits);QPSK每个符号承载 2bit计算总比特数生成随机二进制比特流QPSK 调制输出复符号。par serial_to_parallel(symbols, cfg.numData); % 串并转换 X insert_pilots(par, cfg); % 插入梳状导频 ofdmSig ofdm_modulator(X); txSignal add_cyclic_prefix(ofdmSig, p.cpLength);发射链路顺序串并转换串行 QPSK 符号 → 并行分配到各个 OFDM 符号的数据子载波插入梳状导频在预定义子载波位置填入已知导频符号OFDM 调制IFFT频域网格转为时域 OFDM 符号添加循环前缀 CP复制 OFDM 符号尾部采样点放到符号头部用来抵抗多径时延带来的符号间干扰 ISI绘制发射 QPSK 星座图、OFDM 时域波形。单次仿真AWGN 信道加性高斯白噪声信道rxAwgn awgn_channel(txSignal, demoSnr); Y ofdm_demodulator(remove_cyclic_prefix(rxAwgn, p.cpLength)); dataRx extract_data(Y, cfg);AWGN 信道无衰落只叠加复高斯噪声。接收流程接收信号去除 CPOFDM 解调FFT恢复频域网格 Yextract_data取出数据子载波剔除导频绘制接收星座图计算 BER。AWGN 信道下星座点集中BER 性能较好。单次仿真Rayleigh 瑞利多径衰落信道[rxRay, H] rayleigh_channel(txSignal, demoSnr, p.fftSize, p.pdp); Y ofdm_demodulator(remove_cyclic_prefix(rxRay, p.cpLength));瑞利信道多径衰落子载波信道增益 H 随子载波起伏会造成星座点严重扩散。代码对比 4 种接收方案无均衡器 No Equalizer直接提取数据解调。信道畸变没有补偿星座弥散BER 很差理想信道均衡 Perfect CSI使用真实信道 H做单抽头均衡作为性能上界实际工程不可能得到真实信道LS 线性插值信道估计导频位置LS 最小二乘估计信道子载波之间线性插值得到全部子载波信道LSDFT 插值信道估计导频位置 LS 估计把频域信道估计变换到时域截断到有限信道抽头再变换回频域抑制噪声估计精度一般优于线性插值。nmse (Hh) mean(abs(Hh(:) - H(:)).^2) / mean(abs(H(:)).^2);NMSE 归一化均方误差衡量估计信道与真实信道之间误差NMSE 越小代表信道估计越准。绘制 4 种方案接收星座图、信道估计对比图真实信道、LS 线性估计、LS-DFT 估计。BER vs SNR 批量仿真核心对比部分berAwgnSim simulate_ber(awgn, snrRange, p); berPerfect simulate_ber(rayleigh_perfect, snrRange, p); berDft simulate_ber(rayleigh_ls_dft, snrRange, p); berLin simulate_ber(rayleigh_ls_linear, snrRange, p); berNoEqSim simulate_ber(rayleigh_noeq, snrRange, p); berThAwgn theoretical_ber(snrRange, awgn); berThRay theoretical_ber(snrRange, rayleigh);simulate_ber循环遍历 SNR蒙特卡洛仿真达到最小误码数minErrors或最大帧数maxFrames就停止当前 SNR 点节约仿真时间theoretical_berQPSK 在 AWGN、瑞利信道下理论误码率公式semilogy半对数坐标绘图BER 是指数下降半对数图适合观察误码性能曲线说明AWGN 仿真 BERAWGN 理论 BER瑞利信道理想 CSI 均衡性能上限瑞利理论 BER瑞利信道 LSDFT 插值信道估计瑞利信道 LS 线性插值信道估计瑞利信道无均衡器性能最差一般规律理想 CSI LSDFT LS 线性插值 无均衡瑞利衰落 BER 明显高于同 SNR 下 AWGN。结果保存模块if saveFiles save_figure(constellation_tx, fullfile(resultDir, constellation_tx.png)); ... fid fopen(fullfile(resultDir, ber_results.csv), w);自动保存所有图到 result 文件夹将 SNR 和全部 BER 数值写入ber_results.csv方便在 Python/Origin 绘制图表、数据分析。核心子函数功能简述外部 m 文件pilot_config计算梳状导频位置、导频数目、数据子载波数目generate_bits生成随机二进制比特流qpsk_modulator / qpsk_demodulatorQPSK 调制与硬判决解调serial_to_parallel / parallel_to_serial串并、并串转换insert_pilots将导频符号插入 OFDM 频域网格ofdm_modulator / ofdm_demodulatorOFDM IFFT/FFT 调制解调add_cyclic_prefix / remove_cyclic_prefix添加 / 去除 CPawgn_channelAWGN 信道模型rayleigh_channel生成多径瑞利衰落频域信道 H生成时域接收波形one_tap_equalizer单抽头频域均衡(Y_{eq}Y/H)estimate_channelLS 最小二乘 线性插值 / DFT 插值两种信道估计calculate_ber比特对比计算误码率 BERsimulate_ber蒙特卡洛 BER 仿真循环主体theoretical_berQPSK 理论 BERplot_xxx、save_figure绘图、保存图片工具函数。⛄二、部分源代码和运行步骤1 部分代码clc; clear; close all;projectRoot fileparts(mfilename(‘fullpath’));if exist(fullfile(projectRoot, ‘transmitter’), ‘dir’) ~ 7 % started with run(…)projectRoot pwd;endaddpath(genpath(projectRoot));resultDir fullfile(projectRoot, ‘result’);if exist(resultDir, ‘dir’) ~ 7, mkdir(resultDir); enddisp(‘‘);disp(’ OFDM Wireless Communication System’);disp(’);%% 1. PARAMETERS ---------------------------------------------------------p.fftSize 64; % subcarriers (FFT length)p.cpLength 16; % cyclic prefix length (samples)p.pilotSpacing 4; % one pilot every 4 subcarriersp.numTaps 8; % DFT estimator: assumed max channel lengthp.pdp exp(-(0:3)/1.5); % 4-tap exponential power delay profilep.numOfdmSymbols 1024; % OFDM symbols per framep.minErrors 100; % stop an SNR point after this many errorsp.maxFrames 50; % … or after this many framesdemoSnr 20; % SNR (dB) for the single-run demosnrRange 0:2:30; % SNR sweep (dB), Es/N0 per subcarriersaveFiles true; % save figures and results into result/try, rng(1); catch, randn(‘state’, 1); rand(‘state’, 1); end %#okcfg pilot_config(p.fftSize, p.pilotSpacing);fprintf(‘Subcarriers: %d (pilots: %d, data: %d, pilot overhead: %.1f %%)\n’, …p.fftSize, cfg.numPilots, cfg.numData, 100*cfg.numPilots/p.fftSize);%% 2. SINGLE RUN: TRANSMITTER ---------------------------------------------numBits 2 * cfg.numData * p.numOfdmSymbols;bits generate_bits(numBits);symbols qpsk_modulator(bits);display_first_symbols(symbols);figConstTx plot_constellation(symbols(1:4000), ‘Transmitted QPSK Constellation’, 120, 1.5);set(figConstTx, ‘Name’, ‘constellation_tx’);par serial_to_parallel(symbols, cfg.numData); % data per OFDM symbolX insert_pilots(par, cfg); % add known pilotsofdmSig ofdm_modulator(X);txSignal add_cyclic_prefix(ofdmSig, p.cpLength);verify_cyclic_prefix(txSignal, ofdmSig, p.cpLength);figWave plot_waveform(real(txSignal(1,:)), ‘OFDM Symbol with Cyclic Prefix (real part)’);set(figWave, ‘Name’, ‘ofdm_symbol_with_cp’);%% 3. SINGLE RUN: AWGN CHANNEL --------------------------------------------rxAwgn awgn_channel(txSignal, demoSnr);Y ofdm_demodulator(remove_cyclic_prefix(rxAwgn, p.cpLength));dataRx extract_data(Y, cfg);figConstAwgn plot_constellation(dataRx(1:4000), …sprintf(‘Received Constellation, AWGN, SNR %d dB’, demoSnr));set(figConstAwgn, ‘Name’, ‘constellation_awgn’);berAwgn calculate_ber(bits, qpsk_demodulator(parallel_to_serial(dataRx)));disp(‘AWGN channel:’); display_ber(berAwgn);%% 4. SINGLE RUN: RAYLEIGH FADING CHANNEL ---------------------------------[rxRay, H] rayleigh_channel(txSignal, demoSnr, p.fftSize, p.pdp);Y ofdm_demodulator(remove_cyclic_prefix(rxRay, p.cpLength));% 4a. no equalizerdataRx extract_data(Y, cfg);figConstRay plot_constellation(dataRx(1:4000), …sprintf(‘Rayleigh Fading, NO Equalizer, SNR %d dB’, demoSnr));set(figConstRay, ‘Name’, ‘constellation_rayleigh_no_eq’);berNoEq calculate_ber(bits, qpsk_demodulator(parallel_to_serial(dataRx)));disp(‘Rayleigh channel, no equalizer:’); display_ber(berNoEq);% 4b. equalizer with perfect channel knowledgedataEq extract_data(one_tap_equalizer(Y, H), cfg);ber1 calculate_ber(bits, qpsk_demodulator(parallel_to_serial(dataEq)));disp(‘Rayleigh channel, equalizer with PERFECT channel knowledge:’); display_ber(ber1);% 4c. pilot-based channel estimationHlin estimate_channel(Y, cfg, ‘ls_linear’);Hdft estimate_channel(Y, cfg, ‘ls_dft’, p.numTaps);nmse (Hh) mean(abs(Hh( - H().^2) / mean(abs(H().^2);fprintf(‘Channel estimation error (NMSE) at %d dB: LSlinear %.4f LSDFT %.4f\n’, …demoSnr, nmse(Hlin), nmse(Hdft));dataEq extract_data(one_tap_equalizer(Y, Hlin), cfg);ber2 calculate_ber(bits, qpsk_demodulator(parallel_to_serial(dataEq)));disp(‘Rayleigh channel, pilot estimate LS linear interpolation:’); display_ber(ber2);dataEq extract_data(one_tap_equalizer(Y, Hdft), cfg);figConstEq plot_constellation(dataEq(1:4000), …sprintf(‘Rayleigh Fading, Pilot-Based Equalizer (LSDFT), SNR %d dB’, demoSnr), 8, 2);set(figConstEq, ‘Name’, ‘constellation_rayleigh_pilot_eq’);ber3 calculate_ber(bits, qpsk_demodulator(parallel_to_serial(dataEq)));disp(‘Rayleigh channel, pilot estimate LS DFT interpolation:’); display_ber(ber3);figChan plot_channel_estimate(H, Hlin, Hdft, cfg, 1, …sprintf(‘Channel Estimation, First OFDM Symbol, SNR %d dB’, demoSnr));set(figChan, ‘Name’, ‘channel_estimation’);%% 5. BER vs SNR -----------------------------------------------------------disp(‘Running BER simulation (this can take a minute)…’);berAwgnSim simulate_ber(‘awgn’, snrRange, p);berPerfect simulate_ber(‘rayleigh_perfect’, snrRange, p);berDft simulate_ber(‘rayleigh_ls_dft’, snrRange, p);berLin simulate_ber(‘rayleigh_ls_linear’, snrRange, p);berNoEqSim simulate_ber(‘rayleigh_noeq’, snrRange, p);berThAwgn theoretical_ber(snrRange, ‘awgn’);berThRay theoretical_ber(snrRange, ‘rayleigh’);figBer figure;set(figBer, ‘Name’, ‘ber_vs_snr’);semilogy(snrRange, berAwgnSim, ‘bo-’, ‘LineWidth’, 1.5, ‘MarkerSize’, 6); hold on;semilogy(snrRange, berThAwgn, ‘b–’, ‘LineWidth’, 1.0);semilogy(snrRange, berPerfect, ‘rs-’, ‘LineWidth’, 1.5, ‘MarkerSize’, 6);semilogy(snrRange, berThRay, ‘r–’, ‘LineWidth’, 1.0);semilogy(snrRange, berDft, ‘gd-’, ‘LineWidth’, 1.5, ‘MarkerSize’, 6);semilogy(snrRange, berLin, ‘m^-’, ‘LineWidth’, 1.5, ‘MarkerSize’, 6);semilogy(snrRange, berNoEqSim, ‘k-’, ‘LineWidth’, 1.0);grid on; ylim([1e-6 1]); xlim([min(snrRange) max(snrRange)]);xlabel(‘SNR, Es/N0 per subcarrier (dB)’);ylabel(‘Bit Error Rate (BER)’);title(‘BER vs SNR of Pilot-Based QPSK-OFDM’);legend(‘AWGN (simulated)’, ‘AWGN (theory)’, …‘Rayleigh, perfect channel knowledge’, ‘Rayleigh (theory)’, …‘Rayleigh, pilots LS DFT’, ‘Rayleigh, pilots LS linear’, …‘Rayleigh, no equalizer’, ‘Location’, ‘southwest’);fprintf(‘\n%7s %10s %10s %10s %10s %10s %10s\n’, ‘SNR(dB)’, ‘AWGN’, ‘Perfect’, …‘LSDFT’, ‘LSlinear’, ‘No-eq’, ‘Rayl-theory’);for k 1:numel(snrRange)fprintf(‘%7d %10.2e %10.2e %10.2e %10.2e %10.2e %10.2e\n’, snrRange(k), …berAwgnSim(k), berPerfect(k), berDft(k), berLin(k), berNoEqSim(k), berThRay(k));enddisp(‘(NaN no bit errors observed, BER too low to measure)’);%% 6. SAVE RESULTS ---------------------------------------------------------if saveFilessave_figure(‘constellation_tx’, fullfile(resultDir, ‘constellation_tx.png’));save_figure(‘ofdm_symbol_with_cp’, fullfile(resultDir, ‘ofdm_symbol_with_cp.png’));save_figure(‘constellation_awgn’, fullfile(resultDir, ‘constellation_awgn.png’));save_figure(‘constellation_rayleigh_no_eq’, fullfile(resultDir, ‘constellation_rayleigh_no_eq.png’));save_figure(‘constellation_rayleigh_pilot_eq’, fullfile(resultDir, ‘constellation_rayleigh_pilot_eq.png’));save_figure(‘channel_estimation’, fullfile(resultDir, ‘channel_estimation.png’));save_figure(‘ber_vs_snr’, fullfile(resultDir, ‘ber_vs_snr.png’));fid fopen(fullfile(resultDir, ber_results.csv), w); fprintf(fid, snr_db,awgn_sim,rayleigh_perfect_csi,rayleigh_ls_dft,rayleigh_ls_linear,rayleigh_no_eq,awgn_theory,rayleigh_theory\n); for k 1:numel(snrRange) fprintf(fid, %d,%.3e,%.3e,%.3e,%.3e,%.3e,%.3e,%.3e\n, snrRange(k), ... berAwgnSim(k), berPerfect(k), berDft(k), berLin(k), berNoEqSim(k), ... berThAwgn(k), berThRay(k)); end fclose(fid); disp([Results saved in: resultDir]);end2 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