💥💥💞💞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）

0 引言 在高校教学过程中，考试是最为普遍的一种教学评估、综合练习的教学手段，随着科技进步，考试阅卷的方式也发生了巨大的变革。传统的阅卷方式主要以人工阅卷为主， 存在效率低下等不足； 现代的阅卷方式采用了光学标记识别(Optica Mark Recognition， OMR) 技术， 考生只需在答题卡上填涂， 计算机会通过对答题卡进行处理从而实现自动阅卷， 但这种方式需使用特别设计的答题卡与铅笔，并且遵循一定的填涂规范。以上两种方法均给老师、考生带来了一定的限制，耗费了较多的时间；因此为了让被试者灵活、高效的进行答题，对手写体的字符识别进行研究十分有必要。 手写体的字符识别按照采取的技术路线大体上分为两类：一类是特征提取法；另一类是神经网络法。特征提取法按照提取字符特征的不同又可分为两类：一类是基于轮廓、结构特征的字符识别算法，这类算法通过识别字符图像的轮廓特征、端点特征、凹凸结构特征等，对字符进行细化处理，采用模板匹配的方式实现手写字符的自动识别。这类方式虽然能够对字符的结构进行直观地描述，但是对于噪声及产生形变的字符不能很好的识别，缺乏鲁棒性。 另一类是基于统计特征的手写体字符识别算法，这类算法通过对大量的样本训练相应的分类器，并利用这些分类器对待识别字符进行分类。优点是当采样样本足够充分时，这类方法能够具有较好的识别效果；缺点就是往往不能构造足够丰富的样本。神经网络法得到较高的识别率，但需要对大量样本进行训练，耗费较多时间，降低了识别的实时性；即使对神经网络进行改进、优化，也没有从根本上弥补其不足。

在考试中由于被试者的书写风格不一造成了手写字符的形态各异的特点，这就决定了在手写字符的识别中单一方案不会得到很好的识别效果。试卷客观题的评阅中，大多只包含A、B、C、D四个字符，字符个数少，仅对A~D四个字符进行识别能够得到较好的阅卷效率及较高的正确识别率。针对手写英文字母的特点及应用场景，本文提出一种基于组合特征的手写英文字母识别方法。该方法在轮廓特征提取的基础上加入形状特征提取，提取特征信息简单，同时不需要样本训练，因此提高了手写英文字母的识别成功率与识别速度。

1 图像预处理 由于手写字符形状存在风格不一的特点，且图像拍摄时的光照变化、纸张整洁程度等都会使得字符图像存在一定程度的噪声，因此必须对图像进行预处理，这样便于对后面的字母切分和特征提取，提高最终的字母识别准确率。图像预处理包括使用高斯滤波去除拍照设备产生的高斯噪声；对图像进行二值化，使得图像去掉背景；最后使用轮廓提取去除较大的噪点。

1.1 高斯滤波 数字图像在获取、传输的过程中都可能受到噪声的污染，而摄像机传感器内部元器件最容易产生的噪声是高斯噪声。高斯噪声是指它的概率密度函数服从高斯分布的一类噪声，对于此类噪声常用的方法为高斯滤波。高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。根据对测试样本分别使用1×1、3×3、5×5的高斯核进行实验发现，使用3×3高斯核的样本实验结果表现最好，因此本文选用3*3的高斯核对原始图像进行高斯滤波。

1.2 图像二值化 对图像进行二值化处理是利用手写字符区域与其背景存在灰度差异的特点，将手写字符与背景以灰度区分开，便于后期的处理。常用的二值化算法有最大类间方差法(OTSU法) 、迭代法、Bers en、Niblack、简单统计法、Niblack与模糊C均值法(Niblack and Fuzzy C-Means， NFC M) 等。OTSU法是一种自适应的阈值确定的方法， 其基本思想是求取最佳门限阈值，此阈值将图像灰度直方图分割成黑白两部分，使两部分类间方差取得最大值，并使类内方差值最小，因此OTSU法也称为最大类间方差法。本文图像中的手写英文字母与背景具有明显的灰度差异， 因此采用OTSU法较为合适。图1为图像二值化过程。 图1 图像二值化

1.3 轮廓去噪 经过高斯滤波后，可以去除或者减少部分由摄像头传感器引起的噪声，但是对于纸张本身存在的噪点处理效果达不到要求。在实际应用过程中，除字母以外的背景区域有可能会出现分布不均、不规则噪点，因此本文采用寻找连通域轮廓的方式，找到所有连通域的轮廓，并计算它们的轮廓面积，设定一个面积阈值，轮廓面积小于阈值的连通域可以判断为噪点，将其剔除。经过大量实验，本文设定将像素面积小于12的像素点去除。具体的轮廓提取方法在后文详细叙述。图2是轮廓去噪后的图像。

2 字符分割 图像的投影特征在图像处理中是重要技术之一，一般是通过计算图像在X轴或者Y轴的每个位置上的像素点(黑色或白色)总数量，并描绘出相应的投影曲线图来分析图像特征，该技术常用于图像分割、字符检测及提取等。公式(1)(2)分别是水平投影与垂直投影的计算公式。其中，h，w分别是二值化图像的高度和宽度；f(i，j)为图像第i行第j列元素的值1或0。 2.1 行分割 行分割就是对图像X轴方向进行水平投影，得到X轴方向上每个位置的白点总数，若某个位置上的白点总数为0，则说明该位置没有手写痕迹。因为人们的常用书写习惯是一行一行写，且行与行之间存在一定距离，所以通过行分割就能知道哪些位置是没有书写过的，这样就能大致将手写区域按行进行分割。 图3 行分割过程

2.2 列分割 列分割就是对图像Y轴方向进行垂直投影，得到Y轴方向上每个位置的白点总数，若某个位置上的白点总数为0，则说明该位置为字母间的间隙。通过列分割很容易地将每个字母提取出来进行后面的识别。 图4 列分割过程

2.3 最小图像分割 在进行过行分割与列分割后，基本将字母分割成单独的图像，但是此时的图像往往尺寸较大，字母在整个图像中所占比例较小，为了减少图像处理时间，方便后面的字母识别，需要对分割后的字母再次进行切割，使得字母尽量占满整个图片。图5中的黑色边框为图像边界。 图5 最小图像示意图

3 分类识别 对于字母A~D很容易发现它们的轮廓特征，字母A、D包含一个闭合曲线；字母B包含2个闭合曲线；字母C包含0个闭合曲线，因此可以通过提取字母的闭合曲线数量对字母进行粗分，然后再对A、D进行区分。提取轮廓特征后接着提取形状特征，将两种特征的识别结果进行融合即可得到最后的识别结果

3.1 轮廓特征提取 轮廓提取在图像处理中是常用方法之一，轮廓可以简单认为成将连续的点连在一起的曲线，具有相同的颜色或者灰度。通过对二值图像进行拓扑分析，对图像进行行扫描，为不同的轮廓赋予不同的整数值，从而确定外轮廓、内轮廓以及它们的层级关系。如图6有2个黑色轮廓，1a为第一个黑色轮廓的外边界，1b为第一个黑色轮廓的孔边界，2a为第二个黑色轮廓的外边界，2b为第二个黑色轮廓的孔边界。 图6 轮廓示意图 具体的操作是先对二值图像进行行扫描，判断像素点的像素值，用式(3)表示图像的像素值，i是图像的行数，j是图像的列数。 当行扫描到轮廓的外边界与孔边界时，扫描终止，式(4)为外边界终止条件，式(5)为孔边界终止条件。以扫描终止时的f(i，j)为起点，标记边界上的像素，给边界赋予一个数值(如1)，以后每次发现一个新边界即在数值上加1，在图6中有两条轮廓，第一条轮廓的标记值为1，第二条轮廓标记值为2，这样即完成了轮廓的检测。 本文中，通过对分割后的手写英文字母进行轮廓提取可以很容易地将A~D分为3类：轮廓数为0的有C；轮廓数为1的有 A、D；轮廓数为2的有B。 由于字母A、D具有相同的轮廓数，因此需要对两个字母进行区分。通过对字母A、D的轮廓特征进行分析可以发现，对于同样尺寸的字母A和字母D，A字母轮廓面积比D字母轮廓面积小；对于已是最小图象的字母A和字母D，经过对182份手写英文字母数据进行统计分析得到字母A轮廓面积占图像面积的比例为0.075194884，字母D轮廓面积占图像面积比例为0.321412412。由此可见，A字母轮廓面积占尺寸面积的比例小于字母D。因此在王识别中只需对待识别的字母轮廓面积占比分别与字母A的占比系数和字母D的占比系数求差值，相比较即可判别A、D。图7为字母A与字母D提取轮廓面积示意图。 图7 字母A与字母D轮廓面积提取示意图

3.2形状特征提取 通过对英文字母A~D的形状进行分析可以找到各个字母的形状特征，具体操作为：将预处理后得到的二值图像(如图8(a))进行填充，得到图8(b)，可以看出字母A的形状近似三角形；字母B的形状包含两个凸起部分和一个凹进部分；字母C同样包含两个凸起部分和一个凹进部分；字母D只有一个凸起部分。然后对图8(b)进行水平投影将字母每行的像素和显示在投影直方图上(图8©)，对各个字母的像素和数据进行分析，可以得到字母A的数据曲线呈现单调递增；字母B的数据曲线包含2个波峰一个波谷；字母C的数据曲线同样包含2个波峰一个波谷；字母D的数据曲线包含1个波峰。 图8 形状特征提取过程 得到各个字母的数据后, 对数据曲线进行差分运算, 曲线的峰值点满足一阶导数为0, 二阶导数为负;波谷点满足一阶导数为0, 二阶导数为正;单调性曲线满足一阶导数不为0, 由此可以将字母区分为A、B和C、D三类。算法流程如下:数据曲线可以看作是一维向量如下: 其中, vi (i∈[1, 2, …, N]) 代表图像在第i行上的白色像素和。计算V的一阶差分向量Diffv: 得到差分向量后进行符号函数运算, 如式 (8) : 此时可以得到各点的变化情况，但是有些点值相同，却不是波峰波谷，那么再进行一次一阶差分即可得到数据曲线的波峰或波谷点。

3.3特殊处理 由于在考试中难免出现答案填写错误的情况，因此对于这种情况需要作特殊处理。本文在对字母识别的基础上设计一种错误答案标注方式，对于填写错误的答案，可在答案上从左至右划2笔不重复的斜杠，从右至左划2笔不重复的斜杠，如图9所示，经过标注后的错误答案轮廓数会超出正常字母的轮廓数，这样即可区分出填写错误的答案。 图9 特殊情况处理

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 05-Jan-2022 19:52:04

% 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, eventdata, 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 handles.output = hObject;

% Update handles structure guidata(hObject, handles);

% UIWAIT makes untitled wait for user response (see UIRESUME) % uiwait(handles.figure1);

% — Outputs from this function are returned to the command line. function varargout = untitled_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure varargout{1} = handles.output;

% — Executes on button press in pushbutton1. function pushbutton1_Callback(hObject, eventdata, handles) % hObject handle to pushbutton1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) [filename, pathname] = uigetfile({‘.jpg;.tif;.png;.gif;.bmp’,‘All Image Files’;… '.*’,‘All Files’ },‘载入图像’,… fullfile(pwd, ‘images’));

if isequal(filename, 0) || isequal(pathname, 0) return; end

% [FileName,Pathname]=uigetfile(‘.jpg;.jpeg;.bmp;.png;*.gif’); F_P=fullfile(pathname,filename); img=imread(F_P); handles.path=F_P; handles.img=img;

axes(handles.axes1);imshow(img); guidata(hObject,handles);

% — Executes on button press in pushbutton2. function pushbutton2_Callback(hObject, eventdata, handles) % hObject handle to pushbutton2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) [out1,out2]=main_(handles.img); axes(handles.axes3);imshow(out2); set(handles.edit1,‘string’,out1);

function edit1_Callback(hObject, eventdata, handles) % hObject handle to edit1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,‘String’) returns contents of edit1 as text % str2double(get(hObject,‘String’)) returns contents of edit1 as a double

% — Executes during object creation, after setting all properties. function edit1_CreateFcn(hObject, eventdata, handles) % hObject handle to edit1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called

% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,‘BackgroundColor’), get(0,‘defaultUicontrolBackgroundColor’)) set(hObject,‘BackgroundColor’,‘white’); end

1 matlab版本 2014a

2 参考文献 [1]和小娟,罗勇.边界链码在字母与数字混合识别中的应用[J].郑州大学学报(理学版). 2011,43(03)

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