【状态估计】【卡尔曼滤波kalman】UKF、EKF、粒子滤波PF学习与研究附Matlab代码

✅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。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥内容介绍

一、引言：状态估计与卡尔曼滤波基础

1.1 状态估计核心内涵

状态估计是控制工程、信号处理、自动驾驶等领域的核心技术，其核心目标是从含噪声的观测数据中，精准推断出系统不可直接测量的内部状态（如机器人的位置与速度、飞行器的姿态、传感器的误差修正量等）。现实世界中，系统运行往往伴随随机干扰（过程噪声），观测数据也存在测量误差（观测噪声），状态估计算法通过构建合理的数学模型，融合先验信息与观测数据，实现对真实状态的最优或次优估计，为系统决策与控制提供可靠依据。

1.2 卡尔曼滤波（Kalman Filter, KF）核心框架

卡尔曼滤波是线性高斯系统下最优的递归状态估计算法，由鲁道夫·E·卡尔曼于1960年提出，其核心思想是“预测-更新”的闭环递归机制，无需存储历史观测数据，仅通过当前观测与上一时刻估计结果，即可完成实时状态更新，具备计算高效、实时性强的优势，为后续非线性滤波算法的发展奠定了基础。

卡尔曼滤波的适用前提有三个核心：系统模型为线性、过程噪声与观测噪声均服从高斯分布、所有随机变量服从高斯分布。其核心流程分为两步：

1. 预测步：基于上一时刻的最优状态估计值，结合线性状态转移模型，预测当前时刻的状态先验估计值，并更新状态协方差（表征估计的不确定性）；

2. 更新步：结合当前时刻的观测数据，计算卡尔曼增益（控制观测数据与预测值的权重分配），利用观测残差（观测值与预测观测值的差值）修正先验估计，得到当前时刻的最优状态估计值，并更新协方差矩阵，完成一次递归。

但实际工程场景中，绝大多数系统均存在非线性特性（如机器人转弯时的姿态变化、传感器观测模型中的三角函数关系等），传统卡尔曼滤波无法直接适用，因此衍生出了扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）等非线性卡尔曼滤波变体，以及不依赖高斯假设的粒子滤波（PF），三者分别针对不同非线性、非高斯场景，解决传统KF的应用局限。

二、三种主流非线性滤波算法学习解析

2.1 扩展卡尔曼滤波（Extended Kalman Filter, EKF）

2.1.1 核心思想与设计初衷

EKF是最基础的非线性卡尔曼滤波算法，其核心思想是“局部线性化”——将非线性系统在当前状态估计点附近，通过一阶泰勒展开近似为线性系统，再将传统卡尔曼滤波的“预测-更新”框架直接应用于线性化后的系统，从而解决非线性系统的状态估计问题。其设计初衷是弥补传统KF仅能处理线性系统的缺陷，在不显著增加计算复杂度的前提下，实现对弱非线性系统的状态估计，是工程中应用最广泛的非线性滤波算法之一。

2.1.3 优势、局限与典型应用

EKF的核心优势在于：计算复杂度与传统KF接近，实时性强，工程实现难度适中，能够有效处理弱非线性系统的状态估计问题，在非线性程度不高、噪声服从高斯分布的场景中，可实现较好的估计精度，是非线性滤波的“入门级”算法，应用范围极广。

其核心局限主要有两点：一是线性化误差导致的次优性，一阶泰勒展开忽略高阶项，当系统非线性程度较强（如剧烈机动、强耦合系统）或初始估计误差较大时，线性化误差会显著累积，甚至导致滤波器发散（估计结果完全偏离真实状态）；二是雅可比矩阵的计算繁琐，对于复杂非线性函数，手动推导雅可比矩阵难度大、易出错，增加了工程实现的复杂度。

典型应用场景：自动驾驶中的简单巡航控制（ACC）、平缓转向场景的车辆状态估计，无人机低速飞行姿态估计，简易目标跟踪系统，以及各类弱非线性、高斯噪声场景的状态估计任务。

2.2 无迹卡尔曼滤波（Unscented Kalman Filter, UKF）

2.2.1 核心思想与设计初衷

UKF是针对EKF线性化误差缺陷提出的改进型非线性卡尔曼滤波算法，其核心思想是“无迹变换（Unscented Transformation, UT）”——无需对非线性函数进行线性化，而是通过精心挑选一组具有代表性的样本点（称为Sigma点），使这组样本点能够完全捕获当前状态分布的均值和协方差，再将所有Sigma点通过真实的非线性函数进行传播，最后从传播后的样本点中重新计算出状态的均值和协方差，从而更精准地逼近非线性变换后的状态分布。其设计初衷是解决EKF的线性化误差问题，在保证计算复杂度可控的前提下，提升非线性系统状态估计的精度和鲁棒性。

2.2.2 核心原理与实现流程

UKF的核心是无迹变换，其核心假设是：状态分布服从高斯分布（过程噪声与观测噪声仍为高斯噪声），但无需对非线性函数进行线性化，通过Sigma点的采样与传播，直接捕获非线性变换对状态分布的影响，其估计精度可达二阶泰勒展开水平，显著优于EKF的一阶精度。

UKF的实现流程仍遵循“预测-更新”框架，但核心操作围绕Sigma点展开，具体步骤如下：

1. 初始化：确定状态向量维度n，选取Sigma点采样参数（如比例因子、权重系数等），初始化状态均值（初始估计值）和协方差矩阵；

2. Sigma点生成：基于当前状态均值和协方差矩阵，生成2n+1个Sigma点（n为状态维度），这些点均匀分布在状态均值周围，距离由协方差决定，能够完整表征当前状态的高斯分布；

3. 预测步：

   1. Sigma点传播：将所有Sigma点通过非线性状态转移函数f进行传播，得到预测后的Sigma点；

   2. 状态先验估计：基于传播后的Sigma点及其权重，加权计算得到状态先验均值；

   3. 协方差先验估计：基于传播后的Sigma点、状态先验均值及其权重，计算得到先验协方差矩阵（含过程噪声Q）。

4. 更新步：

   1. 观测Sigma点传播：将预测后的Sigma点通过非线性观测函数h进行传播，得到观测空间中的Sigma点；

   2. 预测观测值与观测协方差：基于观测空间中的Sigma点及其权重，计算预测观测均值和观测协方差矩阵（含观测噪声R）；

   3. 互协方差计算：计算状态先验Sigma点与观测Sigma点之间的互协方差矩阵；

   4. 卡尔曼增益与状态更新：基于互协方差、观测协方差计算卡尔曼增益，利用观测残差修正状态先验均值和协方差矩阵，得到当前时刻的最优状态估计。

2.2.3 优势、局限与典型应用

UKF的核心优势在于：无需线性化处理，避免了EKF的线性化误差，估计精度更高（二阶精度），鲁棒性更强，不易出现滤波器发散问题；无需推导复杂的雅可比矩阵，工程实现更简单，仅需提供非线性函数f和h的黑箱实现即可；计算复杂度虽高于EKF，但远低于粒子滤波，可满足多数实时性要求较高的场景需求。

其核心局限主要有两点：一是仍依赖高斯分布假设，当系统噪声为非高斯分布时，估计精度会显著下降；二是Sigma点的采样参数（如比例因子）选择对估计性能影响较大，参数调优难度较高，不同场景下需反复调试以获得最优参数；此外，其计算复杂度高于EKF，在高维系统中，实时性会受到一定影响。

典型应用场景：自动驾驶中的城市道路加减速、转向场景，GPS/INS组合导航，无人机机动飞行姿态估计，行人轨迹跟踪，连续急转弯、高速变道等中等非线性场景的状态估计任务，目前在SLAM、机器人等领域，已逐渐取代传统EKF成为主流算法之一。

2.3 粒子滤波（Particle Filter, PF）

2.3.1 核心思想与设计初衷

PF是一种基于蒙特卡洛采样思想的非线性、非高斯滤波算法，其核心思想是“用样本逼近概率分布”——无需假设系统模型的线性性和噪声的高斯性，通过生成大量随机样本（称为“粒子”）来表征系统状态的后验概率分布，每个粒子都代表一个可能的状态估计值，通过“预测-权重更新-重采样”的循环机制，筛选出与观测数据最吻合的粒子，最终通过粒子加权平均得到最优状态估计值。其设计初衷是解决EKF、UKF依赖高斯假设、无法处理强非线性、非高斯系统的缺陷，适用于各类复杂场景的状态估计。

2.3.2 核心原理与实现流程

PF的核心是蒙特卡洛采样与贝叶斯估计的结合，其核心逻辑是“优胜劣汰”——通过大量粒子覆盖所有可能的状态空间，再根据观测数据对每个粒子的“适配度”（权重）进行评估，保留适配度高的粒子、淘汰适配度低的粒子，逐步使粒子群向真实状态集中，从而逼近状态的后验分布。与EKF、UKF不同，PF无需任何线性化或高斯假设，适用于任意非线性、非高斯系统，其实现流程主要分为四步：

1. 初始化（撒网）：基于先验知识（如初始位置范围），在状态空间中随机生成N个粒子（N为粒子数量，通常需达到数千甚至数万个），每个粒子对应一个初始状态估计值，且所有粒子的初始权重相等（均匀分布），粒子数量越多，估计精度越高，但计算复杂度也越高；

2. 预测步（粒子传播）：基于非线性状态转移模型，将每个粒子独立地向前传播，得到每个粒子在当前时刻的预测状态，即使系统模型不精确甚至未知，也可通过粒子的多样性覆盖各种可能的状态变化，无需依赖精确的线性或非线性模型；

3. 更新步（权重评估）：获取当前时刻的观测数据，计算每个粒子的权重——权重大小取决于该粒子的预测状态与观测数据的吻合程度，吻合度越高，权重越大；反之，权重越小。权重计算通常基于观测似然函数，用于衡量观测数据由该粒子状态产生的概率，实现对粒子适配度的量化评估；

4. 重采样（优胜劣汰）：这是PF保持估计精度的核心步骤。由于部分粒子权重极低（适配度差），若直接保留会导致粒子群分散，无法逼近真实状态，因此通过重采样操作，按照粒子权重进行筛选：权重高的粒子被大量复制（保留优质候选），权重低的粒子被淘汰（剔除劣质候选），重采样后得到新的粒子群，所有粒子权重重新归一化，完成一次递归。重采样可有效缓解“粒子退化”问题，使粒子群始终向真实状态集中。

最终，当前时刻的最优状态估计值，即为所有粒子状态的加权平均值（权重为更新后的归一化权重）。

2.3.3 优势、局限与典型应用

PF的核心优势在于：无任何线性化和高斯分布假设，能够处理强非线性、非高斯系统，以及模型未知、多模态（如路口多方向运动可能性）等极端复杂场景，鲁棒性极强；概念直观，逻辑清晰，无需推导雅可比矩阵或设计Sigma点，工程实现难度较低（仅需实现采样、权重计算和重采样）；在极端场景下，仍能通过海量粒子捕捉真实状态，为系统提供兜底保障。

其核心局限主要有两点：一是计算复杂度极高，粒子数量通常需达到数千甚至数万个，每个粒子都需独立完成预测和权重计算，实时性较差，对硬件算力要求较高（如需要高性能车载芯片支撑）；二是存在“粒子退化”和“粒子枯竭”问题——即使经过重采样，若传感器噪声过大或粒子数量不足，仍可能导致所有粒子权重极低，无法反映真实状态，或重采样后粒子多样性不足，陷入局部最优，需通过自适应粒子数调整、退火重采样等优化手段缓解。

典型应用场景：自动驾驶中的极端天气（暴雪、沙尘暴）、非结构化道路（工地碎石路、山区泥泞路）、车辆失控（爆胎、刹车失灵）等场景的状态估计，路口多假设跟踪、多机动目标协同跟踪，机器人在未知环境中的定位与导航，以及各类强非线性、非高斯场景的状态估计任务。实际工程中，常采用“EKF/UKF+PF”混合策略，兼顾实时性与鲁棒性。

三、三种滤波算法对比与研究方向

3.1 算法选型逻辑

实际工程与研究中，算法选型的核心是“场景非线性程度、噪声类型、算力预算”三者的精准匹配，无需逐一测试所有算法，可通过“三步法”快速锁定最优方案：

1. 第一步：判断场景“非线性程度”（核心依据）

   1. 线性场景（运动无弯曲、无突变）：直接选KF，如高速匀速跟车、笔直城市道路的状态估计；

   2. 弱非线性场景（轻微弯曲、缓慢变化）：选EKF，如城市道路平缓转向、无人机低速飞行；

   3. 中等非线性场景（明显弯曲、耦合变化）：选UKF，如城市道路加减速+转向、GPS/INS组合导航；

   4. 强非线性场景（剧烈弯曲、突变变化）：选PF，如车辆爆胎、连续绕桩、极端天气场景。

2. 第二步：确认“噪声类型”（关键补充）

   1. 若噪声为高斯分布（如传感器随机误差）：KF/EKF/UKF均可，优先选算力更低的算法；

   2. 若噪声为非高斯/多模态（如突发干扰、多目标交叉）：只能选PF，如交叉路口多方向来车跟踪。

3. 第三步：匹配“算力预算”（落地关键）

   1. 低成本、低算力场景（如低端传感器、简易控制器）：优先EKF；

   2. 中高端算力场景（如智能车、无人机）：选UKF，兼顾精度与实时性；

   3. 高阶算力场景（如Robotaxi、无人重卡）：关键场景叠加PF，确保极端情况下的鲁棒性。

注：成熟的工程系统（如高级自动驾驶），往往采用混合策略：大部分时间使用EKF或UKF保证高效运行，后台并行轻量PF监控系统不确定性，一旦进入复杂场景，立即切换至PF，实现精度与实时性的平衡。

3.2 重点研究方向

基于三种算法的特性与局限，结合当前工程应用需求，未来的研究重点主要集中在“精度提升、复杂度优化、鲁棒性增强”三个方向，针对不同算法的核心缺陷，提出针对性改进策略：

3.2.1 EKF的改进研究

核心围绕“降低线性化误差、简化雅可比矩阵计算”展开：一是高阶扩展卡尔曼滤波（如二阶EKF），考虑泰勒展开的二阶项，减少线性化误差，但需优化计算复杂度，避免算力过高；二是自适应雅可比矩阵计算方法，通过自适应调整线性化点，减少初始估计误差和强非线性区域的线性化偏差，提升滤波器鲁棒性；三是结合机器学习方法，自适应调整过程噪声和观测噪声协方差矩阵（Q、R），解决传统EKF中Q、R手动调优的缺陷，提升不同场景的适配能力。

3.2.2 UKF的改进研究

核心围绕“优化Sigma点设计、提升非高斯场景适配性”展开：一是自适应Sigma点采样策略，根据系统非线性程度和状态不确定性，动态调整Sigma点的数量和分布，在精度与计算复杂度之间实现平衡；二是改进无迹变换算法，提升高维系统中的采样效率和估计精度，解决高维场景下UKF实时性下降的问题；三是放松高斯假设，结合混合高斯模型，使UKF能够处理轻度非高斯噪声场景，拓展其适用范围；四是自适应参数调优方法，通过智能算法自动优化比例因子、权重系数等参数，降低工程应用难度。

3.2.3 PF的改进研究

核心围绕“降低计算复杂度、缓解粒子退化/枯竭问题”展开：一是自适应粒子数调整算法，根据系统状态不确定性动态调整粒子数量，在精度要求高的场景增加粒子数，在稳定场景减少粒子数，平衡精度与实时性；二是改进重采样算法，如正则化重采样、退火重采样等，缓解粒子退化和枯竭问题，提升粒子群的多样性；三是粒子滤波与其他算法的融合（如PF-EKF、PF-UKF融合），利用EKF/UKF的高效性生成粒子初始分布，减少粒子数量，降低计算复杂度；四是基于机器学习的粒子权重优化，通过神经网络等方法优化权重计算函数，提升粒子适配度评估的准确性，进一步提升估计精度。

3.2.4 跨场景自适应融合滤波研究

单一算法难以适配所有复杂场景（如自动驾驶中从高速匀速到突发失控的场景切换），因此，多算法自适应融合是未来的重要研究方向：设计自适应融合策略，根据系统实时状态（非线性程度、噪声类型、不确定性），自动切换滤波算法或调整算法权重，实现“线性场景用KF、弱非线性用EKF、中等非线性用UKF、强非线性用PF”的动态适配，确保在各类场景下均能实现高精度、高实时性、高鲁棒性的状态估计。

四、学习总结与工程实践建议

4.1 学习总结

本文以状态估计为核心，以卡尔曼滤波为基础，系统学习了EKF、UKF、PF三种主流非线性滤波算法，梳理了三者的核心思想、原理流程、优势局限及适用场景，得出以下核心结论：

1. 三种算法均是为解决传统KF无法处理非线性系统的缺陷而衍生，但其设计思路截然不同：EKF通过“局部线性化”逼近非线性，UKF通过“无迹变换”逼近非线性分布，PF通过“蒙特卡洛采样”逼近后验分布，三者的精度和计算复杂度依次提升，鲁棒性也逐步增强；

2. 算法选型的核心是场景适配：弱非线性、高斯噪声、低算力场景优先选EKF；中等非线性、高斯噪声、中高端算力场景选UKF；强非线性、非高斯噪声、极端复杂场景选PF，实际应用中可采用混合策略兼顾性能；

3. 三种算法均有明确局限，改进研究需针对性突破：EKF聚焦线性化误差和雅可比矩阵计算，UKF聚焦Sigma点设计和参数调优，PF聚焦计算复杂度和粒子退化问题，融合改进和自适应优化是未来的发展趋势。

4.2 工程实践建议

结合学习内容与工程应用经验，针对三种算法的工程实践，提出以下建议，助力算法落地：

1. 从基础入手，循序渐进实现：先掌握传统卡尔曼滤波的核心框架和公式推导，再深入学习EKF的线性化处理和雅可比矩阵计算，然后研究UKF的无迹变换和Sigma点设计，最后学习PF的采样、权重更新和重采样逻辑，逐步提升对非线性滤波的理解；

2. 重视参数调优，提升适配能力：EKF需重点调优Q、R矩阵和线性化点；UKF需重点调优Sigma点采样参数和权重系数；PF需重点调优粒子数量和重采样策略，参数调优需结合具体场景，通过仿真和实测反复迭代；

3. 兼顾精度与实时性，优化工程实现：EKF可通过简化雅可比矩阵计算、自适应调整Q、R提升实时性；UKF可通过优化Sigma点数量、简化无迹变换流程适配高维系统；PF可通过自适应粒子数、融合EKF/UKF生成初始粒子，降低计算复杂度，满足工程实时性要求；

4. 加强仿真与实测验证：通过MATLAB、Python等工具搭建仿真平台，模拟不同非线性、噪声场景，验证算法的估计精度和鲁棒性；再结合实际硬件（如传感器、控制器），进行实测调试，解决工程落地中的实际问题（如噪声特性匹配、算力优化）。

五、结语

状态估计是各类工程系统实现精准控制和决策的基础，EKF、UKF、PF作为三种主流的非线性滤波算法，各自具备独特的优势和局限，适用于不同的场景需求。随着自动驾驶、机器人、无人机等领域的快速发展，对状态估计的精度、实时性和鲁棒性提出了更高的要求，单一算法已难以满足复杂场景的应用需求。

通过本次学习与研究，明确了三种算法的核心逻辑和应用边界，也梳理了未来的研究方向。后续研究中，需进一步聚焦算法的改进与融合，突破现有局限，结合机器学习、自适应控制等技术，设计更高效、更鲁棒的状态估计算法，推动状态估计技术在各类复杂工程场景中的广泛应用，为系统的精准运行提供可靠保障。

⛳️ 运行结果

🔗 参考文献

[1] 于洪波,王国宏,孙芸,等.一种融合UKF和EKF的粒子滤波状态估计算法[J].系统工程与电子技术, 2013(07):29-33.DOI:10.3969/j.issn.1001-506X.2013.07.04.

[2] 盛峥,陈加清,徐如海.利用粒子滤波从雷达回波实时跟踪反演大气波导[J].物理学报, 2012, 61(6):6.DOI:10.7498/aps.61.069301.

[3] 杨珺.粒子滤波算法研究及应用[D].西安理工大学[2026-02-07].DOI:10.7666/d.y1381072.

📣 部分代码

🎈 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

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 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

👇