【图像边缘检测】神经网络算法边缘检测（带面板）【含GUI Matlab源码 1346期】

本文提出了一种车联网场景下的联邦拆分混合学习（VRC-FSHL）方法，通过动态参数卸载优化模型训练效率。系统将路侧感知任务建模为逻辑回归，在24辆异构算力车辆间执行联邦学习。弱算力车辆通过评估所有可能的层拆分点，选择最优协同对象与卸载层位，将部分计算任务通过V2V信道转交强算力邻居完成，同时保留V2S卸载作为基线对比。采用参数回滚机制应对信道波动，并通过样本加权实现全局聚合。实验结果表明，V2V-FSHL相比纯本地训练和V2S卸载显著降低了训练时延，验证了该方法的有效性。

本文提出了一种基于传输熵的非协作通信网络拓扑推理算法。在无法获取先验信息的情况下，该算法通过分析节点通信时序数据，计算传输熵量化节点间的有向信息流，结合置换检验和多元条件传输熵方法，有效剔除随机噪声和间接链路干扰，最终构建准确的有向加权网络拓扑。算法支持4-26个节点的网络规模，采用MATLAB实现，包含数据预处理、状态重构、传输熵计算、统计检验等核心模块，可精确还原非线性、时滞性通信网络的拓扑结构。完整程序工程可通过指定方式获取。

在联邦通信阶段，框架仅对"同层、同操作"的客户端参数进行数据量加权聚合——即操作级对齐聚合——再以个性化混合比例将全局共识与本地模型融合，使各客户端在享受跨端知识共享的同时保留任务特异性。在真实部署的联邦学习系统中，参与客户端往往承载着任务类型迥异、数据分布高度非同质（non-IID）的本地学习目标，一刀切的同构模型架构既无法适配各节点的计算资源约束，也难以捕捉客户端数据内在复杂度的差异。命令行会输出每个客户端的任务类型、模型深度和操作序列，方便观察“一车一模型”的个性化效果。

虹膜识别 MATLAB 代码，涵盖图像预处理、虹膜定位、特征提取、BPN 训练与识别全流程。

RRT（Rapidly-exploring Random Tree）2D & 3D 路径规划 — MATLAB

静态半导体光放大器（SOA）模型仿真代码，涵盖增益特性、噪声特性、交叉增益调制（XGM）、交叉相位调制（XPM）等核心物理机制。

SOMP高光谱分类MATLAB实现

基于 MATLAB 的图像增强技术实现

LTSA（Local Tangent Space Alignment）是一种经典的流形学习算法，通过局部切空间估计和全局排列实现非线性降维。

本文介绍了一种基于TD-U-CP模型的交叉口调头开口与信号配时联合优化方法。该方法采用整数编码精英保留遗传算法，通过两阶段优化过程：第一阶段分时段独立寻优各时段最优调头开口位置，第二阶段固定高峰时段开口方案后对各时段信号配时进行精细化再优化。MATLAB程序实现了13基因染色体编码，以通行能力与平均延误之比为适应度指标，通过锦标赛选择、分组交叉与随机扰动变异进行优化。运行结果显示，该方法能有效提升交叉口运行效率，生成调头开口位置、相位方案及延误与通行能力的优化对比图表，为交叉口渠化设计与信号控制一体化决策提

本项目本质上是 AOA 定位，测距信息只作为辅助约束引入；带距离辅助的 AOA 定位是在纯 AOA 定位基础上的精度增强方法。二维版本保留原三维版本的授权文件和代码介绍文件配置要求。

摘要： 本文介绍了一个基于MATLAB的花卉图像识别系统，采用卷积神经网络（CNN）和GUI界面实现5类花卉的自动分类。系统通过自定义CNN网络（4层卷积+全连接层）处理112×112×3的RGB图像，使用SGDM优化器训练25轮，测试集准确率达84.375%。GUI支持BMP图像选取、模型加载、单图识别（弹窗显示结果）及测试集评估，操作简便。不足包括网络深度有限、格式兼容性单一等，未来可通过迁移学习、数据增强优化。系统适用于植物学教学与智能农业，提供源码定制服务。

移动最小二乘法（Moving Least Squares, MLS）是一种无网格逼近方法，通过局部加权最小二乘拟合，具有光滑性好、自适应性强的特点。

实现从多幅干涉图中读取数据，使用随机移相算法（Random Phase Shifting, RPS）解包相位，并进行相位展开。

预测函数控制（Predictive Functional Control, PFC）是一种基于函数逼近的预测控制方法，通过基函数展开描述控制输入，避免在线优化，计算效率高。