扩展卡尔曼滤波单目标跟踪

针对旅行商问题 clear; clc; %%%%%%%%%%%%%%%输入参数%%%%%%%% N=10;               %%城市的个数 M=100;               %%种群的个数 C=100;               %%迭代次数 C_old=C; m=2;                %%适应值归一化淘汰加速指数 Pc=0.4;             %%交叉概率 Pmutation=1;       %%变异概率 %%生成城市的坐标 %pos=randn(N,2);

包括校验矩阵的生成、编码器、bpsk调制解调、利用BP算法进行LDPC的译码

语音信号的数字化：放大及增益控制、反混叠滤波、采样，A/D变换及编码语音信号的用带通滤波器防干扰

物体围绕一圆周运动，角加速度是白噪声，观测噪声是高斯白噪声。使用卡尔曼滤波器实现物体的跟踪-Follow the trace

形态学分析 计算目标物周长及面积的代码

用以实现高光谱影像的PCA降维，首先读入一幅多波段高光谱影像，通过PCA方法实现降维，并显示前6个主成分图像。

霍夫变换(Hough Transform)是图像处理中的一种特征提取技术，它通过一种投票算法检测具有特定形状的物体。该过程在一个参数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为霍夫变换结果。霍夫变换于1962年由Paul Hough 首次提出[53]，后于1972年由Richard Duda和Peter Hart推广使用[54]，经典霍夫变换用来检测图像中的直线，后来霍夫变换扩展到任意形状物体的识别，多为圆和椭圆。 霍夫变换运用两个坐标空间之间的变换将在一个空间中具有相同形状的曲线或直线映射到另一个坐标空间的一个点上形成峰值，从而把检测任意形状的问题转化为统计峰值问题，上一节中已经介绍了车道的直线特征，本节中介绍hough变换检测直线的原理和检测结果。 我们知道，一条直线在直角坐标系下可以用y=kx+b表示, 霍夫变换的主要思想是将该方程的参数和变量交换，即用x,y作为已知量k,b作为变量坐标，所以直角坐标系下的直线y=kx+b在参数空间表示为点(k,b)，而一个点(x1,y1)在直角坐标系下表示为一条直线y1=x1·k+b，其中(k,b)是该直线上的任意点。为了计算方便，我们将参数空间的坐标表示为极坐标下的γ和θ。因为同一条直线上的点对应的(γ,θ)是相同的，因此可以先将图片进行边缘检测，然后对图像上

基于麦克风的空间DOA估计，需要面型的阵元才行。面阵是由两个线阵构成面阵，利用几何关系，面阵麦克风阵列可以恢复出空间DOA估计。

比较好的遗传算法，下载的 % population_size: 输入种群大小 % chromosome_size: 输入染色体长度 % generation_size: 输入迭代次数 % cross_rate: 输入交叉概率 % mutate_rate: 输入变异概率 % elitism: 输入是否精英选择 % m: 输出最佳个体 % n: 输出最佳适应度 % p: 输出最佳个体出现迭代次数 % q: 输出最佳个体自变量值

改代码为ransack算法的源码，希望对学习该算法的有所帮助