【OFDM通信】辅助安全OFDM-IM ISAC系统仿真【含Matlab源码 16061期】

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、辅助安全OFDM-IM ISAC系统仿真OFDM-IMOFDM with Index Modulation索引调制 OFDM。核心思想信息一部分承载在子载波的调制符号上另一部分承载在哪些子载波被激活索引图案。本代码对比两种方案普通 OFDM-IM、人工噪声 AN 辅助安全 OFDM-IM仿真合法接收方 Bob、窃听者 Eve 的块误码率 BLER蒙特卡洛仿真瑞利信道 视距信道。系统参数总子载波 N8划分 2 个子块每个子块 4 个子载波每次激活 2 个子载波。matlab% % Index Detection Error for Secure OFDM-IM% N8 subcarriers n4, k2% clear; clc; close all;rng(42);清除变量、命令行、窗口固定随机种子rng(42)保证仿真结果可复现。系统参数定义matlab%% — 1. System Parameters —N_total 8; % Total subcarriersN_sub 4; % Subcarriers per subblock (4)G N_total/N_sub; % Number of subblocksK_act 2; % Active subcarriers per subblockK_pas N_sub - K_act; % Passive (AN) subcarriers per subblockP_total 1; % Normalized transmit power budget per subblockSNR_dB 0:2:30; % SNR SweepSNR_linear 10.^(SNR_dB/10);num_trials 2e4; % Monte Carlo iterationsN_total8全部可用子载波总数N_sub4每个子块包含 4 个子载波G 8/4 2一共划分为 2 个子块K_act2每个子块内激活子载波数量 2用来传数据K_pas2每个子块静默子载波 2在改进方案中用来叠加人工噪声 ANArtificial NoiseP_total1每个子块归一化总发射功率功率总和固定为 1SNR_dB信噪比扫描范围 0~30dB步长 2dBnum_trials 2e4蒙特卡洛仿真次数每个信噪比点循环 20000 次子块码本生成matlab%% — 2. Subblock Codebook Generation —% Generate all possible combinations: 4 choose 2 6all_patterns nchoosek(1:N_sub, K_act);% Calculate spatial bits: floor(log2(6)) 2 bitsspatial_bits floor(log2(size(all_patterns, 1)));num_valid_patterns 2^spatial_bits; % 2^2 4 legal patterns% Extract strictly the 4 legal patterns to act as our Codebookcodebook all_patterns(1:num_valid_patterns, ;% Calculate Theoretical Block Error Rate (BLER) Limit for Eve% Eve must randomly guess BOTH subblocks correctly to get the whole block right.% Probability of guessing one subblock 1 / 4.% Probability of guessing whole block (1/4) * (1/4) 1/16.theoretical_guessing_bler 1 - (1 / (num_valid_patterns^G));nchoosek(1:4,2)4 选 2一共有 6 种子载波激活位置组合。空间比特floor(log2(6))2bit2bit 最多只能表示 4 种合法图案。因此只取前 4 种组合作为系统码本 codebook只使用这 4 种索引图案承载信息。窃听者 Eve 纯随机猜测理论极限每个子块 4 种图案猜对概率 1/4一共 2 个子块全部猜对概率 所以随机猜测的块误码率。这个是图上黑色虚线理论下限。含义即使信噪比无穷大Eve 最多只能依靠盲猜BLER 最低只能到 0.9375无法更低。误差存储数组初始化matlab%% — 3. Arrays for Error Tracking —err_Bob_plain zeros(length(SNR_dB), 1);err_Eve_plain zeros(length(SNR_dB), 1);err_Bob_prop zeros(length(SNR_dB), 1);err_Eve_prop zeros(length(SNR_dB), 1);数组用来保存 4 条 BLER 曲线err_Bob_plain普通 OFDM-IM合法用户 Bob 块误码率err_Eve_plain普通 OFDM-IM窃听者 Eve 块误码率err_Bob_propAN 人工噪声辅助方案所提方案Bob 块误码率err_Eve_propAN 人工噪声辅助方案Eve 块误码率蒙特卡洛主循环外层循环遍历每个 SNR内层循环num_trials次蒙特卡洛试验。matlab%% — 4. Main Monte Carlo Loop —for i 1:length(SNR_dB)% Base noise variance relative to total budgetsigma2 P_total / SNR_linear(i);errors_Bp 0; errors_Ep 0;errors_Bpr 0; errors_Epr 0;for t 1:num_trialsblock_err_Bp 0; block_err_Ep 0;block_err_Bpr 0; block_err_Epr 0;% Process each subblock independently for g 1:Gsigma2噪声方差g遍历 2 个子块每个子块独立生成索引图案、符号。matlab% 1. Pick a Valid Index Pattern from the Codebookmsg_idx randi([1, num_valid_patterns]);idx_true codebook(msg_idx, ;idx_pas setdiff(1:N_sub, idx_true);随机从码本 4 种图案选一个真实索引idx_trueidx_pas为未激活的静默子载波编号。matlab% 2. Power Allocation% Plain: 100% of budget to Dataamp_plain sqrt(P_total / K_act);% Proposed: 50% budget to Data, 50% to AN amp_prop_data sqrt(0.5 * P_total / K_act); amp_prop_an sqrt(0.5 * P_total / K_pas);功率分配策略普通方案 Plain全部功率100%分配给激活子载波的数据符号静默子载波功率 0没有人工噪声。所提方案 Proposed总功率对半分50% 给数据50% 给人工噪声 AN叠加在静默子载波上。matlab% 3. Generate Baseband Symbolss_data_plain zeros(N_sub, 1);s_data_plain(idx_true) amp_plain * exp(1j * (pi/4 randi([0 3], K_act, 1) * pi/2));s_data_prop zeros(N_sub, 1); s_an_prop zeros(N_sub, 1); s_data_prop(idx_true) amp_prop_data * exp(1j * (pi/4 randi([0 3], K_act, 1) * pi/2)); s_an_prop(idx_pas) amp_prop_an * exp(1j * (pi/4 randi([0 3], K_pas, 1) * pi/2)); x_plain s_data_plain; x_prop s_data_prop s_an_prop;生成基带调制符号采用QPSK 调制相位π/4,3π/4,5π/4,7π/4Plain只有激活子载波存在 QPSK 数据符号Proposed激活子载波传 QPSK 数据静默子载波上叠加独立 QPSK 人工噪声 AN发射信号 数据符号 人工噪声。matlab% 4. Channel Noise Generationh_Bob (randn(N_sub,1) 1j*randn(N_sub,1)) / sqrt(2); % Rayleighh_Eve ones(N_sub, 1); % LoS Targetn_Bob (randn(N_sub,1) 1j*randn(N_sub,1)) * sqrt(sigma2/2); n_Eve (randn(N_sub,1) 1j*randn(N_sub,1)) * sqrt(sigma2/2);信道建模Bob 信道瑞利衰落信道 无线多径场景Eve 信道视距 LoS 信道全部子载波信道系数 1理想直达信道生成复高斯白噪声% 5. Received Signalsy_Bp h_Bob .* x_plain n_Bob;y_Ep h_Eve .* x_plain n_Eve;% Bob spatially nulls/filters out the known AN, receiving only his datay_Bpr h_Bob .* s_data_prop n_Bob;% Eve receives Data and AN perfectly superimposedy_Epr h_Eve .* x_prop n_Epr;接收信号y_BpBob 收到普通 OFDM-IM 信号y_EpEve 收到普通 OFDM-IM 信号y_BprBob 接收改进方案Bob 已知 AN 信息可以滤除人工噪声只收到纯净数据符号本仿真假设 Bob 可以完美消除 ANy_EprEve 接收改进方案Eve 不知道 AN数据 人工噪声叠加在一起干扰索引检测matlab% 6. Detection% Helper function specifically tests only the 4 legal combinationsest_Bp detect_index(y_Bp, h_Bob, codebook);est_Ep detect_index(y_Ep, h_Eve, codebook);est_Bpr detect_index(y_Bpr, h_Bob, codebook);est_Epr detect_index(y_Epr, h_Eve, codebook);调用索引检测函数detect_index只在码本 4 种合法图案里做能量检测输出估计索引编号。matlab% 7. Flag Subblock Errorsif est_Bp ~ msg_idx, block_err_Bp 1; endif est_Ep ~ msg_idx, block_err_Ep 1; endif est_Bpr ~ msg_idx, block_err_Bpr 1; endif est_Epr ~ msg_idx, block_err_Epr 1; endend% If ANY subblock is wrong, record a Block Error errors_Bp errors_Bp block_err_Bp; errors_Ep errors_Ep block_err_Ep; errors_Bpr errors_Bpr block_err_Bpr; errors_Epr errors_Epr block_err_Epr;块误码 BLER 定义只要任意一个子块索引判断错误则整个传输块判定为错误。统计本轮试验是否发生块错误。matlabenderr_Bob_plain(i) errors_Bp / num_trials;err_Eve_plain(i) errors_Ep / num_trials;err_Bob_prop(i) errors_Bpr / num_trials;err_Eve_prop(i) errors_Epr / num_trials;enddisp(‘Simulation Complete.’);每个 SNR 点BLER 错误次数 / 总试验次数。5. 绘图模块matlab%% — 5. Plotting Results —figure(1);set(gcf, ‘Position’, [150, 150, 550, 300]);% 1. Assign explicit handles to the 4 data linesp1 semilogy(SNR_dB, err_Bob_plain, ‘b-s’, ‘LineWidth’, 2, ‘MarkerSize’, 7); hold on;p2 semilogy(SNR_dB, err_Eve_plain, ‘r-d’, ‘LineWidth’, 2, ‘MarkerSize’, 7);p3 semilogy(SNR_dB, err_Bob_prop, ‘c–s’, ‘LineWidth’, 2, ‘MarkerSize’, 7);p4 semilogy(SNR_dB, err_Eve_prop, ‘m–o’, ‘LineWidth’, 2, ‘MarkerSize’, 7);p5 yline(theoretical_guessing_bler, ‘k:’, ‘LineWidth’, 2);grid on;set(gca, ‘GridLineStyle’, ‘:’, ‘GridAlpha’, 0.6, ‘XMinorGrid’, ‘off’, ‘YMinorGrid’, ‘on’);xlabel(‘Transmit Power Budget SNR (dB)’, ‘Interpreter’, ‘latex’, ‘FontSize’, 12);ylabel(‘Block Error Rate (BLER)’, ‘Interpreter’, ‘latex’, ‘FontSize’, 12);limit_label sprintf(‘Theoretical Limit’);% 4. Lock the legend to all 5 handleslegend([p1, p2, p3, p4, p5], …{‘Bob: Plain OFDM-IM’, …‘Eve: Plain OFDM-IM (Unsecured)’, …‘Bob: Proposed AN-Aided’, …‘Eve: Proposed AN-Aided (Secure)’, …limit_label}, …‘Interpreter’, ‘latex’, ‘Location’, ‘southwest’, ‘FontSize’, 10);ylim([10^-3 1]);xlim([min(SNR_dB) max(SNR_dB)]);绘制半对数坐标 BLER 曲线误码仿真常用semilogyp1普通 OFDM-IM Bobp2普通 OFDM-IM Eve无安全防护SNR 升高Eve 误码快速下降p3AN 辅助方案 Bobp4AN 辅助方案 Evep5黑色虚线Eve 纯盲猜理论 BLER 极限 0.9375坐标轴使用 LaTeX 渲染设置图例、坐标范围。6. 子函数 detect_index码本约束能量检测器matlab%% — 6. Helper Function: Codebook-Constrained Energy Detector —function est_idx detect_index(y, h, codebook)% Optimal Energy Detector with CSI for standardized OFDM-IMnum_patterns size(codebook, 1);metrics zeros(num_patterns, 1);equalized_y abs(y ./ h).^2; % Only evaluate the valid patterns inside the codebook for c 1:num_patterns metrics(c) sum(equalized_y(codebook(c, :))); end [~, est_idx] max(metrics);end索引检测算法能量检测先做信道均衡取幅度平方得到每个子载波接收能量遍历码本里 4 种合法索引图案计算对应激活子载波上接收能量之和能量总和最大的那个图案判定为估计索引est_idx原理激活子载波有信号能量静默子载波能量低检测器找能量最大的索引组合。整体系统总结可放进报告该 MATLAB 蒙特卡洛仿真实现人工噪声 AN 辅助安全 OFDM 索引调制 OFDM-IM研究子载波索引图案的块误码性能。系统将 8 个子载波拆分为 2 个子块每个子块 4 个子载波每次激活 2 个子载波4 选 2 组合选出 4 种合法索引图案构成码本索引携带 2bit 空间信息。对比两种方案传统 OFDM-IMAN 辅助安全 OFDM-IM。所提方案把一半发射功率分配在静默子载波上发送人工噪声合法用户 Bob 已知 AN 信息可以消除人工噪声维持自身检测性能窃听者 Eve 无法区分数据和 AN索引检测受到强烈干扰。信道模型Bob 为瑞利衰落信道窃听者 Eve 为理想视距 LoS 信道。检测器采用信道已知的能量检测算法仅在码本内候选图案搜索。仿真输出 BLER 随 SNR 变化曲线观察传统 OFDM-IM 在高 SNR 下 Eve 误码率持续下降信息不安全AN 方案下Eve 的 BLER 被钳制在盲猜理论极限附近而 Bob 仍可以保持较低误码率实现物理层安全传输。⛄二、部分源代码和运行步骤1 部分代码% % Index Detection Error for Secure OFDM-IM% N8 subcarriers n4, k2% clear; clc; close all;rng(42);%% — 1. System Parameters —N_total 8; % Total subcarriersN_sub 4; % Subcarriers per subblock (4)G N_total/N_sub; % Number of subblocksK_act 2; % Active subcarriers per subblockK_pas N_sub - K_act; % Passive (AN) subcarriers per subblockP_total 1; % Normalized transmit power budget per subblockSNR_dB 0:2:30; % SNR SweepSNR_linear 10.^(SNR_dB/10);num_trials 2e4; % Monte Carlo iterations%% — 2. Subblock Codebook Generation —% Generate all possible combinations: 4 choose 2 6all_patterns nchoosek(1:N_sub, K_act);% Calculate spatial bits: floor(log2(6)) 2 bitsspatial_bits floor(log2(size(all_patterns, 1)));num_valid_patterns 2^spatial_bits; % 2^2 4 legal patterns% Extract strictly the 4 legal patterns to act as our Codebookcodebook all_patterns(1:num_valid_patterns, ;% Calculate Theoretical Block Error Rate (BLER) Limit for Eve% Eve must randomly guess BOTH subblocks correctly to get the whole block right.% Probability of guessing one subblock 1 / 4.% Probability of guessing whole block (1/4) * (1/4) 1/16.theoretical_guessing_bler 1 - (1 / (num_valid_patterns^G));%% — 3. Arrays for Error Tracking —err_Bob_plain zeros(length(SNR_dB), 1);err_Eve_plain zeros(length(SNR_dB), 1);err_Bob_prop zeros(length(SNR_dB), 1);err_Eve_prop zeros(length(SNR_dB), 1);%% — 4. Main Monte Carlo Loop —for i 1:length(SNR_dB)% Base noise variance relative to total budgetsigma2 P_total / SNR_linear(i);errors_Bp 0; errors_Ep 0; errors_Bpr 0; errors_Epr 0; for t 1:num_trials block_err_Bp 0; block_err_Ep 0; block_err_Bpr 0; block_err_Epr 0; % Process each subblock independently for g 1:G % 1. Pick a Valid Index Pattern from the Codebook msg_idx randi([1, num_valid_patterns]); idx_true codebook(msg_idx, :); idx_pas setdiff(1:N_sub, idx_true); % 2. Power Allocation % Plain: 100% of budget to Data amp_plain sqrt(P_total / K_act); % Proposed: 50% budget to Data, 50% to AN amp_prop_data sqrt(0.5 * P_total / K_act); amp_prop_an sqrt(0.5 * P_total / K_pas); % 3. Generate Baseband Symbols s_data_plain zeros(N_sub, 1); s_data_plain(idx_true) amp_plain * exp(1j * (pi/4 randi([0 3], K_act, 1) * pi/2)); s_data_prop zeros(N_sub, 1); s_an_prop zeros(N_sub, 1); s_data_prop(idx_true) amp_prop_data * exp(1j * (pi/4 randi([0 3], K_act, 1) * pi/2)); s_an_prop(idx_pas) amp_prop_an * exp(1j * (pi/4 randi([0 3], K_pas, 1) * pi/2)); x_plain s_data_plain; x_prop s_data_prop s_an_prop; % 4. Channel Noise Generation h_Bob (randn(N_sub,1) 1j*randn(N_sub,1)) / sqrt(2); % Rayleigh h_Eve ones(N_sub, 1); % LoS Target n_Bob (randn(N_sub,1) 1j*randn(N_sub,1)) * sqrt(sigma2/2); n_Eve (randn(N_sub,1) 1j*randn(N_sub,1)) * sqrt(sigma2/2); % 5. Received Signals y_Bp h_Bob .* x_plain n_Bob; y_Ep h_Eve .* x_plain n_Eve; % Bob spatially nulls/filters out the known AN, receiving only his data y_Bpr h_Bob .* s_data_prop n_Bob; % Eve receives Data and AN perfectly superimposed y_Epr h_Eve .* x_prop n_Eve; % 6. Detection % Helper function specifically tests only the 4 legal combinations est_Bp detect_index(y_Bp, h_Bob, codebook); est_Ep detect_index(y_Ep, h_Eve, codebook); est_Bpr detect_index(y_Bpr, h_Bob, codebook); est_Epr detect_index(y_Epr, h_Eve, codebook); % 7. Flag Subblock Errors if est_Bp ~ msg_idx, block_err_Bp 1; end if est_Ep ~ msg_idx, block_err_Ep 1; end if est_Bpr ~ msg_idx, block_err_Bpr 1; end if est_Epr ~ msg_idx, block_err_Epr 1; end end % If ANY subblock is wrong, record a Block Error errors_Bp errors_Bp block_err_Bp; errors_Ep errors_Ep block_err_Ep; errors_Bpr errors_Bpr block_err_Bpr; errors_Epr errors_Epr block_err_Epr; end err_Bob_plain(i) errors_Bp / num_trials; err_Eve_plain(i) errors_Ep / num_trials; err_Bob_prop(i) errors_Bpr / num_trials; err_Eve_prop(i) errors_Epr / num_trials;enddisp(‘Simulation Complete.’);%% — 5. Plotting Results —figure(1);set(gcf, ‘Position’, [150, 150, 550, 300]);% 1. Assign explicit handles to the 4 data linesp1 semilogy(SNR_dB, err_Bob_plain, ‘b-s’, ‘LineWidth’, 2, ‘MarkerSize’, 7); hold on;p2 semilogy(SNR_dB, err_Eve_plain, ‘r-d’, ‘LineWidth’, 2, ‘MarkerSize’, 7);p3 semilogy(SNR_dB, err_Bob_prop, ‘c–s’, ‘LineWidth’, 2, ‘MarkerSize’, 7);p4 semilogy(SNR_dB, err_Eve_prop, ‘m–o’, ‘LineWidth’, 2, ‘MarkerSize’, 7);p5 yline(theoretical_guessing_bler, ‘k:’, ‘LineWidth’, 2);grid on;set(gca, ‘GridLineStyle’, ‘:’, ‘GridAlpha’, 0.6, ‘XMinorGrid’, ‘off’, ‘YMinorGrid’, ‘on’);xlabel(‘Transmit Power Budget SNR (dB)’, ‘Interpreter’, ‘latex’, ‘FontSize’, 12);ylabel(‘Block Error Rate (BLER)’, ‘Interpreter’, ‘latex’, ‘FontSize’, 12);limit_label sprintf(‘Theoretical Limit’);% 4. Lock the legend to all 5 handleslegend([p1, p2, p3, p4, p5], …{‘Bob: Plain OFDM-IM’, …‘Eve: Plain OFDM-IM (Unsecured)’, …‘Bob: Proposed AN-Aided’, …‘Eve: Proposed AN-Aided (Secure)’, …limit_label}, …‘Interpreter’, ‘latex’, ‘Location’, ‘southwest’, ‘FontSize’, 10);ylim([10^-3 1]);xlim([min(SNR_dB) max(SNR_dB)]);%% — 6. Helper Function: Codebook-Constrained Energy Detector —function est_idx detect_index(y, h, codebook)% Optimal Energy Detector with CSI for standardized OFDM-IMnum_patterns size(codebook, 1);metrics zeros(num_patterns, 1);equalized_y abs(y ./ h).^2; % Only evaluate the valid patterns inside the codebook for c 1:num_patterns metrics(c) sum(equalized_y(codebook(c, :))); end [~, est_idx] max(metrics);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