Q-learning是一种无模型强化学习算法。Q-learning的目标是学习一个策略，，包括前馈、反向传播、梯度下降等。 基于深度强化学习Qlearning的智能小车避障训练和测试，带操作界面，matlab2021a测试运行。运行时，注意matlab操作界面左侧的路径窗口，必须是该文件夹，以供matlab调用各个子函数。

基于BP神经网络的客运量预测算法仿真,BP神经网络为自己编程实现，不使用MATLAB自带的工具箱，matlab2021a测试。

CPLEX12.9免安装版 支持matlab2021a 解压后直接在matlab设置路径cplex/matlab 需要配合YALMIP

ESN神经网络。一种基于ESN神经网络的移动机器人场景识别方法：从构成场景的图像序列中，提取ORB特征点，再从提取到的ORB特征点中，matlab2021a测试。

指纹图像预处理是指纹识别的前提,它的好坏直接影响到指纹识别的成败，但由于指纹图像降质带来的困难,并根据指纹图像的特征提出了合理的假设，再根据假设提出了增强指纹图像对比度的算法、提取指纹有效区域的算法、根据方向信息分割图像的算法以及去除图像中气泡噪声的算法，这些算法处理效果好，能有效地解决指纹图像的预处理问题。用Matlab实现这种方法，既能分步对指纹图像预处理算法进行仿真测试，又可以很直观地看到图像预处理算法的效果。实验证明，用Matlab实现的处理结果比较理想，满足识别的应用性。本文介绍用matlab实现了指纹图像的对比度增强、有效区域的选取、指纹图像的二值化、指纹的特征值提取等。并选取较好的处理步骤和算法参数解决指纹图像预处理的问题。

基于深度强化学习的小球弹射控制系统仿真对比DDPG和TD3，matlab2021a仿真测试。

基于LSTM深度学习的数据预测，matlab2021a测试。

基于神经网络识别的身份证号码数字分割和识别matlabl仿真，matlab2021a测试。

SAD匹配，NCC匹配，SSD匹配三种匹配方法的对比和仿真输出图像深度信息，matlab2021a测试。

ICP算法通过迭代的方式解决点云的刚性配准: (1) 基于最近空间距离寻找hard的点对应关系; (2) 求解最小二乘变换。其中第(1)步对待配准点云的初始位置和噪声点/离群点敏感，会导致迭代收敛到错误的局部最小值。在本文中，作者提出了RPM-Net，一种对初始化不太敏感且鲁棒的、基于学习的用于刚性点云配准方法。为此，RMP-Net使用可微的Sinkhorn层和退火(Annealing)技术，利用从空间坐标和局部几何信息中学习到的混合特征，实现点对应(point correspondences)的软(soft)分配。为了提高配准性能，作者引入了第二个网络来预测最佳退火参数。与现有的一些方法不同，RPM-Net可以处理部分可见和丢失correspondences的点云。实验结果表明，与现有的非深度学习和最近的基于深度学习的方法相比，RPM-Net达到了SOTA。