车牌识别管理（matlab 源码）

基于Swerling目标模型的雷达信号检测

数字信号处理实践教程实验名称：FFT及其应用一．实验目的学习按时间抽取的基—2FFT算法原理，掌握使用FFT快速计算序列线性卷积的原理与方法，掌握重叠相加法和重叠保留法的原理。二．实验原理快速傅里叶变换将时域中难以处理的信号转换成易于处理的频域信号，分析完成后进行傅里叶反变换即得到原始的时域信号。需要注意区分的是FFT算法针对一个已经测量好的数字序列进行处理，是DFT的一种快速算法，通过蝶形运算利用正交函数特性大大提高了运算速度；而递归DFT算法则是每测量一个点都计算一次。或者可以这么理解：FFT是离线式的计算，而递归DFT则是在线式的。

车牌定位识别系统

【实例简介】

异步电机矢量控制仿真

%% 输入数据 %0负荷节点  1PQ节点  2PV 节点  3平衡节点 %序号 bus   Area Zo co V   sita    PL       QL        PG      QG      Vbase?    PVBASE  PVQmax  PVQmin BUS=[...    1    100   1  1  3 1.04  0.     0.       0.        71.6410 27.04592 100.    1.04   999900 -99990                                                                                                                                                                                   2    100   1  1  2 1.025 9.28   0.       0.        163.    6.65366  100.    1.025  999900 -99990                                                                                                                                                                                 3    100   1  1  2 1.025 4.6647 0.       0.        85.     -10.8597 100.    1.025  999900 -99990                                                                                                                                                                                   4    100   1  1  1 1.025 -2.216 0.       0.        0.      0.       100.    1.       0.     0.                                                                                                                                                                                      5    100   1  1  1 0.995 -3.988 125.     50.       0.      0.       100.    1.       0.     0.                                                                                                                                                                                    6    100   1  1  1 1.012 -3.687 90.      30.       0.      0.       100.    1.       0.     0.                                                                                                                                                                                      7    100   1  1  1 1.025 3.7197 0.       0.        0.      0.       100.    1.       0.     0.                                                                                                                                                                                     8    100   1  1  1 1.015 0.7275 100.     35.       0.      0.       100.    1.       0.     0.                                                                                                                                                                                    9    100   1  1  1 1.032 1.9667 0.       0.        0.      0.       100.    1.       0.     0. ];  

摘要：针对机器人路径规划中，传统蚁群算法收敛速度慢、易陷入局部最优解等问题，提出了一种移动机器人路径规划的改进蚁群优化(ACO)算法。用栅格法建立环境模型，并基于人工势场建立启发信息素矩阵，降低了蚂蚁在初始阶段搜索的盲目性；引入激励函数，降低搜索过程中的死锁现象；改进信息素的更新机制，增强了优秀蚂蚁对全局路径规划的影响。仿真结果表明：改进后蚁群算法的机器人路径规划算法加快了收敛速度，具有较强的鲁棒性和全局寻优能力。关键词：蚁群优化(ACO)算法；人工势场；路径规划；机器人

操作简单，新手上手快捷，方便

激光3D点云源数据,只提供几个基本常用的动物点云图像

matlab在振动信号处理中的应用.pdf