MATLAB畢業(yè)設計外文資料翻譯

ComplexRidgeletsforImageDenoising1IntroductionWavelettransformshavebeensuccessfullyusedinmanyscientificfieldssuchasimagecompression,imagedenoising,signalprocessing,computergraphics,andpatternrecognition,tonameonlyafew.Donohoandhiscoworkerspioneeredawaveletdenoisingschemebyusingsoftthresholdingandhardthresholding.Thisapproachappearstobeagoodchoiceforanumberofapplications.Thisisbecauseawavelettransformcancompacttheenergyoftheimagetoonlyasmallnumberoflargecoefficientsandthemajorityofthewaveletcoeficientsareverysmallsothattheycanbesettozero.Thethresholdingofthewaveletcoeficientscanbedoneatonlythedetailwaveletdecompositionsubbands.Wekeepafewlowfrequencywaveletsubbandsuntouchedsothattheyarenotthresholded.ItiswellknownthatDonoho'smethodofferstheadvantagesofsmoothnessandadaptation.However,asCoifmanandDonohopointedout,thisalgorithmexhibitsvisualartifacts:Gibbsphenomenaintheneighbourhoodofdiscontinuities.Therefore,theyproposeinatranslationinvariant(TI)denoisingschemetosuppresssuchartifactsbyaveragingoverthedenoisedsignalsofallcircularshifts.TheexperimentalresultsinconfirmthatsingleTIwaveletdenoisingperformsbetterthanthenon-TIcase.BuiandChenextendedthisTIschemetothemultiwaveletcaseandtheyfoundthatTImultiwaveletdenoisinggavebetterresultsthanTIsinglewaveletdenoising.CaiandSilvermanproposedathresholdingschemebytakingtheneighbourcoeficientsintoaccountTheirexperimentalresultsshowedapparentadvantagesoverthetraditionalterm-by-termwaveletdenoising.ChenandBuiextendedthisneighbouringwaveletthresholdingideatothemultiwaveletcase.Theyclaimedthatneighbourmultiwaveletdenoisingoutperformsneighboursinglewaveletdenoisingforsomestandardtestsignalsandreal-lifeimages.Chenetal.proposedanimagedenoisingschemebyconsideringasquareneighbourhoodinthewaveletdomain.Chenetal.alsotriedtocustomizethewavelet_lterandthethresholdforimagedenoising.Experimentalresultsshowthatthesetwomethodsproducebetterdenoisingresults.Theridgelettransformwasdevelopedoverseveralyearstobreakthelimitationsofthewavelettransform.The2Dwavelettransformofimagesproduceslargewaveletcoeficientsateveryscaleofthedecomposition.Withsomanylargecoe_cients,thedenoisingofnoisyimagesfacesalotofdiffculties.Weknowthattheridgelettransformhasbeensuccessfullyusedtoanalyzedigitalimages.Unlikewavelettransforms,theridgelettransformprocessesdatabyfirstcomputingintegralsoverdifferentorientationsandlocations.Aridgeletisconstantalongthelinesx1cos_+x2sin_=constant.Inthedirectionorthogonaltotheseridgesitisawavelet.Ridgeletshavebeensuccessfullyappliedinimagedenoisingrecently.Inthispaper,wecombinethedual-treecomplexwaveletintheridgelettransformandapplyittoimagedenoising.Theapproximateshiftinvariancepropertyofthedual-treecomplexwaveletandthegoodpropertyoftheridgeletmakeourmethodaverygoodmethodforimagedenoising.Experimentalresultsshowthatbyusingdual-treecomplexridgelets,ouralgorithmsobtainhigherPeakSignaltoNoiseRatio(PSNR)forallthedenoisedimageswithdi_erentnoiselevels.Theorganizationofthispaperisasfollows.InSection2,weexplainhowtoincorporatethedual-treecomplexwaveletsintotheridgelettransformforimagedenoising.ExperimentalresultsareconductedinSection3.Finallywegivetheconclusionandfutureworktobedoneinsection4.2ImageDenoisingbyusingComplexRidgeletsDiscreteridgelettransformprovidesnear-idealsparsityofrepresentationofbothsmoothobjectsandofobjectswithedges.Itisanear-optimalmethodofdenoisingforGaussiannoise.Theridgelettransformcancompresstheenergyoftheimageintoasmallernumberofridgeletcoe_cients.Ontheotherhand,thewavelettransformproducesmanylargewaveletcoe_cientsontheedgesoneveryscaleofthe2Dwaveletdecomposition.Thismeansthatmanywaveletcoe_cientsareneededinordertoreconstructtheedgesintheimage.WeknowthatapproximateRadontransformsfordigitaldatacanbebasedondiscretefastFouriertransform.Theordinaryridgelettransformcanbeachievedasfollows:1.Computethe2DFFToftheimage.2.SubstitutethesampledvaluesoftheFouriertransformobtainedonthesquarelatticewithsampledvaluesonapolarlattice.3.Computethe1DinverseFFToneachangularline.4.Performthe1Dscalarwavelettransformontheresultingangularlinesinordertoobtaintheridgeletcoe_cients.Itiswellknownthattheordinarydiscretewavelettransformisnotshiftinvariantbecauseofthedecimationoperationduringthetransform.Asmallshiftintheinputsignalcancauseverydi_erentoutputwaveletcoe_cients.Inordertoovercomethisproblem,Kingsburyintroducedanewkindofwavelettransform,calledthedual-treecomplexwavelettransform,thatexhibitsapproximateshiftinvariantpropertyandimprovedangularresolution.Sincethescalarwaveletisnotshiftinvariant,itisbettertoapplythedual-treecomplexwaveletintheridgelettransformsothatwecanhavewhatwecallcomplexridgelets.Thiscanbedonebyreplacingthe1Dscalarwaveletwiththe1Ddualtreecomplexwavelettransforminthelaststepoftheridgelettransform.Inthisway,wecancombinethegoodpropertyoftheridgelettransformwiththeapproximateshiftinvariantpropertyofthedual-treecomplexwavelets.Thecomplexridgelettransformcanbeappliedtotheentireimageorwecanpartitiontheimageintoanumberofoverlappingsquaresandweapplytheridgelettransformtoeachsquare.Wedecomposetheoriginaln_nimageintosmoothlyoverlappingblocksofsidelengthRpixelssothattheoverlapbetweentwoverticallyadjacentblocksisarectangulararrayofsizeR=2_RandtheoverlapbetweentwohorizontallyadjacentblocksisarectangulararrayofsizeR_R=2.Forann_nimage,wecount2n=Rsuchblocksineachdirection.Thispartitioningintroducesaredundancyof4times.Inordertogetthedenoisedcomplexridgeletcoe_cient,weusetheaverageofthefourdenoisedcomplexridgeletcoe_cientsinthecurrentpixellocation.Thethresholdingforthecomplexridgelettransformissimilartothecurveletthresholding[10].Onedifferenceisthatwetakethemagnitudeofthecomplexridgeletcoe_cientswhenwedothethresholding.Lety_bethenoisyridgeletcoe_cients.Weusethefollowinghardthresholdingruleforestimatingtheunknownridgeletcoe_cients.Whenjy_j>k_~_,welet^y_=y_.Otherwise,^y_=0.Here,~ItisapproximatedbyusingMonte-Carlosimulations.Theconstantkusedisdependentonthenoise.Whenthenoiseislessthan30,weusek=5forthefirstdecompositionscaleandk=4forotherdecompositionscales.Whenthenoise_isgreaterthan30,weusek=6forthe_rstdecompositionscaleandk=5forotherdecompositionscales.Thecomplexridgeletimagedenoisingalgorithmcanbedescribedasfollows:1.PartitiontheimageintoR*RblockswithtwoverticallyadjacentblocksoverlappingR=2*RpixelsandtwohorizontallyadjacentblocksoverlappingR_R=2pixels2.Foreachblock,Applytheproposedcomplexridgelets,thresholdthecomplexridgeletcoefficients,andperforminversecomplexridgelettransform.3.Taketheaverageofthedenoisingimagepixelvaluesatthesamelocation.WecallthisalgorithmComRidgeletShrink,whilethealgorithmusingtheordinaryridgeletsRidgeletShrink.ThecomputationalcomplexityofComRidgeletShrinkissimilartothatofRidgeletShrinkbyusingthescalarwavelets.Theonlydi_erenceisthatwereplacedthe1Dwavelettransformwiththe1Ddual-treecomplexwavelettransform.Theamountofcomputationforthe1Ddual-treecomplexwaveletistwicethatofthe1Dscalarwavelettransform.However,otherstepsofthealgorithmkeepthesameamountofcomputation.OurexperimentalresultsshowthatComRidgeletShrinkoutperformsVisuShrink,RidgeletShink,andwiener2_lterforalltestingcases.Undersomecase,weobtain0.8dBimprovementinPeakSignaltoNoiseRatio(PSNR)overRidgeletShrink.TheimprovementoverVisuShinkisevenbiggerfordenoisingallimages.ThisindicatesthatComRidgeletShrinkisanexcellentchoicefordenoisingnaturalnoisyimages.3ExperimentalResultsWeperformourexperimentsonthewell-knownimageLena.WegetthisimagefromthefreesoftwarepackageWaveLabdevelopedbyDonohoetal.atStanfordUniversity.Noisyimageswithdi_erentnoiselevelsaregeneratedbyaddingGaussianwhitenoisetotheoriginalnoise-freeimages.Forcomparison,weimplementVisuShrink,RidgeletShrink,ComRidgeletShrinkandwiener2.VisuShrinkistheuniversalsoft-thresholdingdenoisingtechnique.Thewiener2functionisavailableintheMATLABImageProcessingToolbox,andweusea5*5neighborhoodofeachpixelintheimageforit.Thewiener2functionappliesaWiener_lter(atypeoflinearfilter)toanimageadaptively,tailoringitselftothelocalimagevariance.TheexperimentalresultsinPeakSignaltoNoiseRatio(PSNR)areshowninTable1.Wefindthatthepartitionblocksizeof32*32or64*64isourbestchoice.Table1isfordenoisingimageLena,fordi_erentnoiselevelsandafixedpartitionblocksizeof32*32pixels.ThefirstcolumninthesetablesisthePSNRoftheoriginalnoisyimages,whileothercolumnsarethePSNRofthedenoisedimagesbyusingdi_erentdenoisingmethods.ThePSNRisde_nedasPSNR=10log10Pi;j(B(i;j)A(i;j))2n22552:whereBisthedenoisedimageandAisthenoise-freeimage.FromTable1wecanseethatComRidgeletShrinkoutperformsVisuShrink,theordinaryRidgeletShrink,andwiener2forallcases.VisuShrinkdoesnothaveanydenoisingpowerwhenthenoiselevelislow.Undersuchacondition,VisuShrinkproducesevenworseresultsthantheoriginalnoisyimages.However,ComRidgeletShrinkperformsverywellinthiscase.Forsomecase,ComRidgeletShrinkgivesusabout0.8dBimprovementovertheordinaryRidgeletShink.Thisindicatesthatbycombiningthedual-treecomplexwaveletintotheridgelettransformweobtainsigni_cantimprovementinimagedenoising.TheimprovementofComRidgeletShrinkoverVisuShrinkisevenmoresigni_cantforallnoisylevelsandtestingimages.Figure1showsthenoisefreeimage,theimagewithnoiseadded,thedenoisedimagewithVisuShrink,thedenoisedimagewithRidgeletShrink,thedenoisedimagewithComRidgeletShrink,andthedenoisedimagewithwiener2forimagesLena,atapartitionblocksizeof32*32pixels.ItcanbeseenthatComRidgeletShrinkproducesvisuallysharperdenoisedimagesthanVisuShrink,theordinaryRidgeletShrink,andwiener2filter,intermsofhigherqualityrecoveryofedgesandlinearandcurvilinearfeatures.4ConclusionsandFutureWorkInthispaper,westudyimagedenoisingbyusingcomplexridgelets.Ourcomplexridgelettransformisobtainedbyperforming1Ddual-treecomplexwaveletontotheRadontransformcoe_cients.TheRadontransformisdonebymeansoftheprojection-slicetheorem.Theapproximateshiftinvariantpropertyofthedual-treecomplexwavelettransformmakesthecomplexridgelettransformanexcellentchoiceforimagedenoising.Thecomplexridgelettransformprovidesnear-idealsparsityofrepresentationforbothsmoothobjectsandobjectswithedges.Thismakesthethresholdingofnoisyridgeletcoe_cientsanear-optimalmethodofdenoisingforGaussianwhitenoise.WetestournewdenoisingmethodwithseveralstandardimageswithGaussianwhitenoiseaddedtotheimages.Averysimplehardthresholdingofthecomplexridgeletcoe_cientsisused.ExperimentalresultsshowthatcomplexridgeletsgivebetterdenoisingresultsthanVisuShrink,wiener2,andtheordinaryridgeletsunderallexperiments.WesuggestthatComRidgeletShrinkbeusedforpracticalimagedenoisingapplications.Futureworkwillbedonebyconsideringcomplexridgeletsincurveletimagedenoising.Also,complexridgeletscouldbeappliedtoextractinvariantfeaturesforpatternrecognition.復雜脊波圖像去噪1.介紹小波變換已成功地應用于許多科學領域，如圖像壓縮，圖像去噪，信號處理，計算機圖形，IC和模式識別，僅舉幾例。Donoho和他的同事們提出了小波閾值去噪通過軟閾值和閾值.這種方法的出現(xiàn)對于大量的應用程序是一個好的選擇。這是因為一個小波變換能結合的能量,在一小部分的大型系數(shù)和大多數(shù)的小波系數(shù)中非常小,這樣他們可以設置為零。這個閾值的小波系數(shù)是可以做到的只有細節(jié)的小波分解子帶。我們有一些低頻波子帶不能碰觸，讓他們不閾值。眾所周知，Donoho提出的方法的優(yōu)勢是光滑和自適應。然而，Coifman和Donoho指出，這種算法展示出一個視覺產(chǎn)出：吉布斯現(xiàn)象在鄰近的間斷。因此，他們提出對這些產(chǎn)出去噪通過平均抑制所有循環(huán)信號。實驗結果證實單目標識別小波消噪優(yōu)于沒有目標識別的情況。Bui和Chen擴展了這個目標識別計劃，他們發(fā)現(xiàn)多小波的目標識別去噪的結果比單小波去噪的結果要好。蔡和西爾弗曼提出了一種閾值方案通過采取相鄰的系數(shù)。他們結果表現(xiàn)出的優(yōu)勢超于了傳統(tǒng)的一對一小波消燥。Chen和Bui擴展這個相鄰小波閾值為多小波方法。他們聲稱對于某些標準測試信號和真實圖像相鄰的多小波降噪優(yōu)于相鄰的單一小波去噪。陳等人提出一種圖像去噪是考慮方形相鄰的小波域。陳等人也嘗試對圖像去噪自定義小波域和閾值。實驗結果表明：這兩種方法產(chǎn)生更好的去噪效果。研究脊波變換的數(shù)多年來打破了小波變換的局限性。將小波變換產(chǎn)生的二維圖像在每個規(guī)模大的小波系數(shù)的分解。有這么多的大系數(shù)，對于圖像去噪有很多困難。我們知道脊波變換已經(jīng)成功用于分析數(shù)字圖像。不像小波變換,脊波變換過程首先計算積分在不同的方向和位置的數(shù)據(jù)。沿著“x1cos_+x2sin_=常數(shù)”一條線的脊波是不變的。在這些脊的方向正交小波變換是一。最近脊波已成功應用于圖像去噪。在本文中，我們結合dual-treecomplexwaveletintheridgelettransfo二元樹復小波的脊波變換中并將其應用到圖像降噪。這種近似二元樹性能的復雜變性小波和良好性能的脊波使我們有更好的方法去圖像去噪。實驗結果表明，采用二元樹復雜脊波在所有去噪圖像和許多不同噪音中我們的算法獲得較高的峰值信噪比（PSNR）。這篇文章大體是這樣的。在第二部分，我們將解釋如何將二元樹復雜的波變換成脊波去圖像去噪。實驗結果在第3節(jié)。第4節(jié)是最后得出的結論和未來需要做的工作。2.用復雜脊波圖像去噪離散脊波變換提供接近理想的稀松代表光滑的物體邊緣。高斯去噪是一個接近最優(yōu)的方法。脊波變換能夠壓縮圖像能量成為少量的脊波系數(shù)。在另一方面,利用小波變換產(chǎn)生的多大的小波系數(shù)對每個尺度邊緣二維小波分解。這句話的意思是說許多小波系數(shù)進行重構在圖像的邊緣。我們知道近似氡轉化為數(shù)字數(shù)據(jù)可以基于離散傅立葉變換。普通的脊波變換即可達到如下：計算出二維FFT的圖像。替補的采樣傅里葉廣域上變換得到晶格和極性格的采樣值。計算一維逆FFT每一個角的線。執(zhí)行一維標量小波對角線結果，獲取脊波系數(shù)。眾所周知，普通的離散小波變換在變換期間是不移位和不轉變的。輸入信號的一個小小的改變能夠引起輸出小波系數(shù)很大的變化。為了克服這個問題，Kingsbury發(fā)明了一種新型的小波變換，叫做二元樹復雜小波變換，它能夠轉移性能和提高近似角分辨率不變。由于標量波不是轉移不變的，在脊波變換中就更好的應用二元樹復雜小波變換這樣我們就可以叫我們的復雜脊波。這樣可以通過取代一維標量小波的一維二元樹復雜小波在最后一步進行脊波變換。用這種方法我們可以優(yōu)秀品質的脊波變換用來替換二元樹發(fā)雜脊波。這個復雜的脊波變換可以應用到整體圖像，或者我們可以應用到分割圖像大量重疊的平方或者在每一平方上運用脊波變換。我們分解一組n*n的影像重疊順利進入邊長R的象素是重疊的是兩個相鄰長方形的數(shù)組大小為R/2*R兩者之間重疊的相鄰區(qū)域就是一個長方形的大小R*R/2。對于一個n*n的圖像，我們能夠計數(shù)2n=R對于不同方向的模塊，這個分區(qū)就引入了4倍的冗余。為了得到降噪的復雜脊波系數(shù)我們通常在當前象素地位對降噪的復雜脊波系數(shù)進行平均4份。復雜的脊波變換閾值類似于曲波閾值。當我們求閾值時一個不同是我們采取的是復雜的脊波系數(shù)。當yλ是帶噪的脊波系數(shù)。我們使用下列硬閾值規(guī)則估算未知的脊波系數(shù)。當│yλ┃>kσ?,我們令λ=?λ.否則,^y_=0.在這里，?σ是通過用蒙特卡羅模擬接近。采用的系數(shù)k是依賴于噪聲系數(shù)。當這個小于30時，我們用k=5首先分解尺度和k=4分解其他尺度。當這個噪音系數(shù)大于30時，我們用k=6首次分解尺度和k=5分解其他尺度。這個復雜的脊波去噪算法能夠被描述如下：圖像分割成R*R塊，兩個垂直相鄰的R/2*R重疊，兩個水平象素塊R*R/2重疊。對于每一塊，應用所提出的復雜脊波，復雜脊波系數(shù)的閾值，復雜脊波的逆換算。在同一位置以平均象素對圖像去噪。我們稱這種算法叫，同時我們使用普通的脊波。這個計算復雜度的ComRidgeletShrink是和小波RidgeletShrink的標量相似。唯一的區(qū)別是我們取代了一維小波變換與一維二元樹發(fā)雜小波變換。這個數(shù)量的計算是一維二元樹復數(shù)小波的變換是一維小波變換的兩倍。該算法的其他計算步驟保持相同。我們的實驗結果顯示ComRidgeletShrink優(yōu)于VisuShrink,RidgeletShink,and過濾器wiener2等所有測試案例。在某些情況下，我們在RidgeletShink中能夠提高0.8db的信噪比。通過VisuShrink,能夠改善更大的去噪圖像。這表明ComRidgeletSrink對于自然圖像去噪是一個很好的選擇。3.實驗結果我們通過對眾所周知的蕾娜進行處理，通過Donoho等人我們得到了這種圖片的自由軟體包WaveLab。帶有不同噪音的噪音圖像時通過對原無噪音圖像添加高斯白噪音得到的。與之相比，我們實行VisuShrink,RidgeletShrink,ComRidgeletShrinkandwiener2。VisuShrink是通用軟閾值去噪技術。這個wiener2函數(shù)是可以從MatLab圖像工具箱得到，我們用一個5*5的相鄰圖像在每個象素中。該wiener2適用于一個維納濾波器（一種線性的濾波器）圖形自適應。剪裁自己的圖像局部方差。峰值信噪比的實驗結果顯示的表1.我們發(fā)現(xiàn)對于分區(qū)塊的大小32*32或者64*64是最好的選擇。表1是對蕾娜圖像進行去噪，根據(jù)不同的噪聲水平固定分區(qū)和一素塊為32*32。表格中的第一欄是原來帶噪圖片的信噪比，其他列是通過不同去噪方法得到的去噪圖像信噪比。這個信噪比被定義PSNR=10log10Pi;j(B(i;j)A(j))2n22552:;其中B是去噪圖像A是無噪音圖像。從表1.我們可以看出VisuShrink,ComRidgeletShrink是優(yōu)于不同RidgeletShrink和wiener2在所有案例中。當噪音低時VisuShrink沒有去噪能力。在這樣的情況下，VisuShrink將產(chǎn)生比原來的去噪圖像更糟的結果。然而，ComRidgeletShrink在這種情況下取得較好的效果。在某些情況下，ComRidgeletShrink能夠比普通RidgeletShrink多提供給我們0.8db。這表明，我們把二元樹結合復數(shù)的小波變換成脊波變換能夠明顯的改善我們圖像去噪的效果。ComRidgeletShrink超越VisuShrink的表現(xiàn)更重要的是所有噪音水平和圖像測試。圖一顯示的是在無噪音圖像，添加噪音的圖像，用VisuShrink去噪的圖像，用RidgeletShrink去噪的圖像，用ComRidgeletShrink去噪的圖像，用wiener2去噪的圖像，在一個分區(qū)大小為32*32的象素塊中。ComRidgeletShrink在視覺上產(chǎn)生的效果比VisuShrink，wiener2RidgeletShrink更清晰具有高線性和恢復曲線的特點。4．結論和未來工作在這篇文章中我們研究了用復雜脊波對圖像去噪。復雜脊波變換是通過執(zhí)行一維二元樹復雜小波在空氣中氡的變換系數(shù)獲得的。氡變換是通過投影片定理得到的。對于圖像去噪近似轉換不變性質的二元樹復數(shù)小波變換對于復雜小波變換是一個很好的選擇。復雜脊波變換提供了近乎完美的對于光滑的物體和表現(xiàn)對象與邊緣。這使噪音閾值的脊波系數(shù)更接近高斯白噪音的消噪。我們測試了我們新的去噪方法和幾個標準圖像和加入高斯白噪音的圖像。用一個非常簡單的硬閾值復雜脊波系數(shù)。在這些脊波實驗中，實驗結果表明復雜的脊波有更好的去噪能力比起VisuShrink和普通的wiener2。我們建議ComRidgeletShrink用于實際的圖像去噪中。未來工作主要是考慮在復雜圖像應用曲波復雜脊波。同樣，復雜脊波還可以應用的不變特征提取模式識別方法。

基于C8051F單片機直流電動機反饋控制系統(tǒng)的設計與研究基于單片機的嵌入式Web服務器的研究MOTOROLA單片機MC68HC（8）05PV8/A內嵌EEPROM的工藝和制程方法及對良率的影響研究基于模糊控制的電阻釬焊單片機溫度控制系統(tǒng)的研制基于MCS-51系列單片機的通用控制模塊的研究基于單片機實現(xiàn)的供暖系統(tǒng)最佳啟停自校正（STR）調節(jié)器單片機控制的二級倒立擺系統(tǒng)的研究基于增強型51系列單片機的TCP/IP協(xié)議棧的實現(xiàn)基于單片機的蓄電池自動監(jiān)測系統(tǒng)基于32位嵌入式單片機系統(tǒng)的圖像采集與處理技術的研究基于單片機的作物營養(yǎng)診斷專家系統(tǒng)的研究基于單片機的交流伺服電機運動控制系統(tǒng)研究與開發(fā)基于單片機的泵管內壁硬度測試儀的研制基于單片機的自動找平控制系統(tǒng)研究基于C8051F040單片機的嵌入式系統(tǒng)開發(fā)基于單片機的液壓動力系統(tǒng)狀態(tài)監(jiān)測儀開發(fā)模糊Smith智能控制方法的研究及其單片機實現(xiàn)一種基于單片機的軸快流CO〈,2〉激光器的手持控制面板的研制基于雙單片機沖床數(shù)控系統(tǒng)的研究基于CYGNAL單片機的在線間歇式濁度儀的研制基于單片機的噴油泵試驗臺控制器的研制基于單片機的軟起動器的研究和設計基于單片機控制的高速快走絲電火花線切割機床短循環(huán)走絲方式研究基于單片機的機電產(chǎn)品控制系統(tǒng)開發(fā)基于PIC單片機的智能手機充電器基于單片機的實時內核設計及其應用研究基于單片機的遠程抄表系統(tǒng)的設計與研究基于單片機的煙氣二氧化硫濃度檢測儀的研制基于微型光譜儀的單片機系統(tǒng)單片機系統(tǒng)軟件構件開發(fā)的技術研究基于單片機的液體點滴速度自動檢測儀的研制基于單片機系統(tǒng)的多功能溫度測量儀的研制基于PIC單片機的電能采集終端的設計和應用基于單片機的光纖光柵解調儀的研制氣壓式線性摩擦焊機單片機控制系統(tǒng)的研制基于單片機的數(shù)字磁通門傳感器基于單片機的旋轉變壓器-數(shù)字轉換器的研究基于單片機的光纖Bragg光柵解調系統(tǒng)的研究單片機控制的便攜式多功能乳腺治療儀的研制基于C8051F020單片機的多生理信號檢測儀基于單片機的電機運動控制系統(tǒng)設計Pico專用單片機核的可測性設計研究基于MCS-51單片機的熱量計基于雙單片機的智能遙測微型氣象站MCS-51單片機構建機器人的實踐研究基于單片機的輪軌力檢測基于單片機的GPS定位儀的研究與實現(xiàn)基于單片機的電液伺服控制系統(tǒng)用于單片機系統(tǒng)的MMC卡文件系統(tǒng)研制基于單片機的時控和計數(shù)系統(tǒng)性能優(yōu)化的研究基于單片機和CPLD的粗光柵位移測量系統(tǒng)研究單片機控制的后備式方波UPS提升高職學生單片機應用能力的探究基于單片機控制的自動低頻減載裝置研究基于單片機控制的水下焊接電源的研究基于單片機的多通道數(shù)據(jù)采集系統(tǒng)基于uPSD3234單片機的氚表面污染測量儀的研制基于單片機的紅外測油儀的研究96系列單片機仿真器研究與設計基于單片機的單晶金剛石刀具刃磨設備的數(shù)控改造基于單片機的溫度智能控制系統(tǒng)的設計與實現(xiàn)基于MSP430單片機的電梯門機控制器的研制基于單片機的氣體測漏儀的研究基于三菱M16C/6N系列單片機的CAN/USB協(xié)議轉換器基于單片機和DSP的變壓器油色譜在線監(jiān)測技術研究基于單片機的膛壁溫度報警系統(tǒng)設計基于AVR單片機的低壓無功補償控制器的設計基于單片機船舶電力推進電機監(jiān)測系統(tǒng)基于單片機網(wǎng)絡的振動信號的采集系統(tǒng)基于單片機的大容量數(shù)據(jù)存儲技術的應用研究基于單片機的疊圖機研究與教學方法實踐基于單片機嵌入式Web服務器技術的研究及實現(xiàn)基于AT89S52單片機的通用數(shù)據(jù)采集系統(tǒng)基于單片機的多道脈沖幅度分析儀研究機器人旋轉電弧傳感角焊縫跟蹤單片機控制系統(tǒng)基于單片機的控制系統(tǒng)在PLC虛擬教學實驗中的應用研究基于單片機系統(tǒng)的網(wǎng)絡通信研究與應用基于PIC16F877單片機的莫爾斯碼自動譯碼系統(tǒng)設計與研究基于單片機的模糊控制器在工業(yè)電阻爐上的應用研究基于雙單片機沖床數(shù)控系統(tǒng)的研究與開發(fā)基于Cygnal單片機的μC/OS-Ⅱ的研究基于單片機的一體化