Matlab武动乾坤博客之家博主简介985研究生Matlab领域科研开发者座右铭行百里者半于九十。代码获取方式CSDN Matlab武动乾坤—代码获取方式更多Matlab信号处理仿真内容点击①Matlab信号处理进阶版⛳️关注CSDN Matlab武动乾坤更多资源等你来⛄一、模拟M-PAM和16-QAM数字传输系统实验名称TLC VIRTUAL LAB 3 整体分为两大模块线性系统验证16-QAM平方根升余弦 SRRC 成型 匹配滤波仿真 BER 曲线并和理论公式对比计算功率谱 PSD、星座图找到 BER1e-3 对应的(E_b/N_0)。非线性功放 NLA 模块引入无记忆非线性功放AM-AM 压缩扫描功放输入功率(P_{in})考察功放压缩带来的信号失真计算满足 BER1e-3所需(E_b/N_0)、可用(E_b/N_0)、(E_b/N_0)余量找到最优输入功率绘制不同功放工作点下接收星座图最后研究 SRRC 滚降系数(\alpha)对系统性能的影响。一、参数初始化clearclcclose allrng(1)%% TLC VIRTUAL LAB 3 - 16-QAM SRRC NON-LINEAR AMPLIFIERM 16;Nbit log2(M);SpS 8;alpha 0.30;span 16;BER_target 1e-3;h rcosdesign(alpha,span,SpS,‘sqrt’);delay length(h)-1;(M16)16QAM每个符号携带(\log_2(16)4)比特SpS8每符号 8 个采样点上采样倍数(\alpha0.3)SRRC 平方根升余弦滤波器滚降系数span16滤波器截断长度单位符号BER_target1e-3目标误码率rcosdesign生成 SRRC 脉冲成型滤波器delay是滤波器固有群延迟接收端采样时需要补偿模块 1线性系统验证无功放AWGN 信道1.1 BER 仿真与理论对比EbN0_dB 0:1:14;EbN0_lin 10.^(EbN0_dB/10);EbN0_theory linspace(0,14,500);BER_theory (3/8)*erfc(sqrt((4/10)*10.^(EbN0_theory/10)));16QAM 在 AWGN 下理论 BER 公式(\text{BER}\frac{3}{8}\mathrm{erfc}\left(\sqrt{\frac{4}{10}\cdot\frac{E_b}{N_0}}\right))自适应确定每个(E_b/N_0)需要发送多少符号保证每个仿真点大约产生 100 个误码保证 BER 估计统计可靠限制符号数量(5\times10^4 \sim 5\times10^6)防止仿真过慢。循环仿真链路生成随机比特流qammod映射为平均功率归一化16QAM 复符号符号上采样 8 倍SRRC 脉冲成型滤波得到发射基带波形x_tx计算信号功率根据当前(E_b/N_0)计算噪声方差叠加复高斯白噪声接收端匹配滤波同样 SRRC补偿滤波器延迟按符号速率采样qamdemod解调得到接收比特统计 BER绘图半对数坐标 BER 曲线对比理论与仿真值。 代码插值找到BER1e-3 对应的理论(E_b/N_0)打印输出。1.2 PSD 功率谱密度发送大量符号pwelch Welch 法估计发射信号功率谱归一化到最大值绘制归一化 PSD (dB)。SRRC 作用限制信号带宽滚降系数(\alpha)控制带外衰减。1.3 接收星座图目标 BER 点在 BER1e-3 对应的(E_b/N_0)条件下仿真接收信号绘制 I-Q 星座散点图叠加理想 16QAM 星座点红色 直观观察噪声带来的星座弥散。模块 2无记忆非线性放大器 NLA核心实验功放参数G0 100; % 20 dB power gainPref 1; % WPN_dBW -5; % noise power over bandwidth RbPin_dBW -20:1:10; % 扫描功放输入功率dBWEbN0_grid 6:0.5:40;Nsymbols_NLA 1e5;无记忆功放 AM-AM 模型瞬时增益(G_{\text{inst}}\frac{G_0}{1P_{\text{inst}}/P_{\text{ref}}}) (P_{\text{inst}}|x|^2)为输入瞬时功率。原理输入信号幅度越大增益被压缩功率饱和AM-AM 非线性失真星座发生形变带来额外失真噪声导致 BER 恶化。功放输入功率扫描循环固定一套发射符号序列扫描不同输入功率(P_{in})缩放发射波形设置功放平均输入功率逐点计算瞬时增益经过非线性功放输出x_amp遍历(E_b/N_0)网格叠加 AWGN接收端匹配滤波、采样信道估计计算复系数c补偿功放引入的平均复增益消除相位 / 幅度偏移QAM 解调统计 BER调用函数target_crossing插值求解刚好满足 BER1e-3 所需要的(E_b/N_0)。(E_{b}/N_0)余量定义 (\text{margin(dB)} \text{可用}E_b/N_0 - \text{所需}E_b/N_0)余量 0系统可以满足 BER 指标余量越大抗噪声能力越强寻找最大余量对应的最优输入功率(P_{in,opt})功放工作在最佳点失真与输出功率折中。绘图满足 BER1e-3所需(E_b/N_0) vs 功放输入功率(P_{in})(E_b/N_0)余量曲线标出最优工作点不同功放工作点的星座图选取 3 个典型输入功率低输入功率、最优功率、深度压缩大功率绘制接收星座图直观看到小输入功率功放近似线性星座形状规整大功率饱和星座外圈点被压缩星座扭曲变形失真严重滚降系数(\alpha)参数研究alpha_vec [0.50 0.30 0.10 0.05];遍历不同 SRRC 滚降系数重复上面 NLA 仿真(\alpha)大带宽更宽峰均比特性、功放失真特性不同(\alpha)小频谱更紧凑但时域脉冲拖尾更长 对比不同(\alpha)下所需(E_b/N_0)随输入功率变化曲线并输出每种(\alpha)对应的最优输入功率。本地函数 target_crossing(EbN0_dB,BER,target)功能给定 BER 数组插值求解BER 下降穿过目标 BER1e-3时对应的(E_b/N_0)在 BER 半对数域做线性插值log10 (BER) 对(E_b/N_0)近似线性找不到满足 BER 的点则返回 NaN失真太大无法达到目标 BER整体核心物理现象总结线性链路SRRC 成型 匹配滤波可以达到 16QAM 理论 BER 性能功放非线性输入功率很低功放接近线性失真很小所需(E_b/N_0)接近线性系统逐步提高输入功率功放进入压缩区信号产生非线性失真需要更高(E_b/N_0)才能达到 BER1e-3输入功率过大严重饱和星座畸变所需(E_b/N_0)急剧上升甚至无法满足指标存在最优输入功率输出功率和非线性失真之间的平衡点此时(E_b/N_0)余量最大SRRC 滚降系数(\alpha)改变信号峰均比、频谱会改变功放引入的失真程度影响最优工作点。用到的 MATLAB 内置函数rcosdesign升余弦 / SRRC 滤波器qammod/qamdemodQAM 调制解调支持比特输入输出、平均功率归一化pwelch功率谱估计erfc互补误差函数用于 BER 理论计算⛄二、部分源代码和运行步骤1 部分代码clearclcclose allrng(1)%% TLC VIRTUAL LAB 3 - 16-QAM SRRC NON-LINEAR AMPLIFIERM 16;Nbit log2(M);SpS 8;alpha 0.30;span 16;BER_target 1e-3;h rcosdesign(alpha,span,SpS,‘sqrt’);delay length(h)-1;%% 1) VALIDATION AGAINST THEORYEbN0_dB 0:1:14;EbN0_lin 10.^(EbN0_dB/10);EbN0_theory linspace(0,14,500);BER_theory (3/8)*erfc(sqrt((4/10)*10.^(EbN0_theory/10)));% Enough symbols to obtain about 100 errors at each pointBER_est (3/8)*erfc(sqrt((4/10)EbN0_lin));Nsymbols_vec ceil(100./(BER_estNbit));Nsymbols_vec min(max(Nsymbols_vec,5e4),5e6);BER_sim zeros(size(EbN0_dB));for k 1:length(EbN0_dB)Nsymbols Nsymbols_vec(k); Nbits Nsymbols*Nbit; bits_tx randi([0 1],1,Nbits); symbols_tx qammod(reshape(bits_tx,Nbit,Nsymbols),M, ... InputType,bit,UnitAveragePower,true); x_tx filter(h,1,upsample(symbols_tx,SpS)); SignalPower mean(abs(x_tx).^2); NoiseVariance SignalPower/EbN0_lin(k)*SpS/Nbit; noise sqrt(NoiseVariance/2).* ... (randn(size(x_tx)) 1j*randn(size(x_tx))); y_mf filter(h,1,x_tx noise); samples y_mf(delay1:SpS:end); Nvalid min(length(samples),Nsymbols); samples samples(1:Nvalid); bits_rx qamdemod(samples,M, ... OutputType,bit,UnitAveragePower,true); bits_rx bits_rx(:).; BER_sim(k) mean(bits_rx ~ bits_tx(1:Nvalid*Nbit));endfiguresemilogy(EbN0_theory,BER_theory,‘LineWidth’,1.6)hold onvalid BER_sim 0;semilogy(EbN0_dB(valid),BER_sim(valid),‘o–’, …‘LineWidth’,1.4,‘MarkerSize’,6)grid onxlabel(‘E_b/N_0 [dB]’)ylabel(‘BER’)title(‘16-QAM BER - Matched SRRC Filter’)legend(‘Theory’,‘Simulation’,‘Location’,‘southwest’)ylim([1e-6 1])xlim([0 14])% Theoretical Eb/N0 for BER 10^-3[~,ii] min(abs(BER_theory-BER_target));EbN0_target EbN0_theory(ii);fprintf(‘\nLINEAR VALIDATION\n’);fprintf(‘Eb/N0 required for BER 1e-3: %.2f dB\n’,EbN0_target);%% PSDNsymbols 1e5;bits_tx randi([0 1],1,Nsymbols*Nbit);symbols_tx qammod(reshape(bits_tx,Nbit,Nsymbols),M, …‘InputType’,‘bit’,‘UnitAveragePower’,true);x_tx filter(h,1,upsample(symbols_tx,SpS));Nfft 4096;[Pxx,f] pwelch(x_tx,hann(Nfft),Nfft/2,Nfft,SpS,‘centered’);Pxx_dB 10*log10(Pxx/max(Pxx));figureplot(f,Pxx_dB,‘LineWidth’,1.5)grid onxlabel(‘Normalized Frequency f/R_s’)ylabel(‘Normalized PSD [dB]’)title(sprintf(‘16-QAM SRRC PSD - \alpha %.2f’,alpha))xlim([-SpS/2 SpS/2])ylim([-80 5])%% SCATTER DIAGRAM AT BER 10^-3EbN0_sc 10^(EbN0_target/10);SignalPower mean(abs(x_tx).^2);NoiseVariance SignalPower/EbN0_sc*SpS/Nbit;noise sqrt(NoiseVariance/2).* …(randn(size(x_tx)) 1j*randn(size(x_tx)));y_mf filter(h,1,x_tx noise);samples y_mf(delay1:SpS:end);Nplot min(5000,length(samples));ideal qammod((0:M-1),M,‘UnitAveragePower’,true);figureplot(real(samples(1:Nplot)),imag(samples(1:Nplot)),‘.’)hold onplot(real(ideal),imag(ideal),‘r’,‘MarkerSize’,10,‘LineWidth’,1.5)grid onaxis equalxlabel(‘In-Phase’)ylabel(‘Quadrature’)title(sprintf(‘16-QAM Scatter - E_b/N_0 %.2f dB’,EbN0_target))legend(‘Received’,‘Ideal’)%% 2) NON-LINEAR AMPLIFIERG0 100; % 20 dB power gainPref 1; % WPN_dBW -5; % noise power over bandwidth RbPin_dBW -20:1:10;EbN0_grid 6:0.5:40;Nsymbols_NLA 1e5;% Use one common data sequence for the whole Pin sweepbits randi([0 1],1,Nsymbols_NLA*Nbit);symbols qammod(reshape(bits,Nbit,Nsymbols_NLA),M, …‘InputType’,‘bit’,‘UnitAveragePower’,true);x0 filter(h,1,upsample(symbols,SpS));P0 mean(abs(x0).^2);EbN0_required NaN(size(Pin_dBW));Pout_dBW NaN(size(Pin_dBW));EbN0_available_dB NaN(size(Pin_dBW));margin_dB NaN(size(Pin_dBW));for ip 1:length(Pin_dBW)Pin_W 10^(Pin_dBW(ip)/10); % Set average amplifier input power x x0*sqrt(Pin_W/P0); % Memoryless NLA: instantaneous AM/AM gain Pinst abs(x).^2; Ginst G0./(1 Pinst/Pref); x_amp sqrt(Ginst).*x; Pout mean(abs(x_amp).^2); Pout_dBW(ip) 10*log10(Pout); BER NaN(size(EbN0_grid)); for ie 1:length(EbN0_grid) EbN0lin 10^(EbN0_grid(ie)/10); NoiseVariance Pout/EbN0lin*SpS/Nbit; noise sqrt(NoiseVariance/2).* ... (randn(size(x_amp)) 1j*randn(size(x_amp))); y filter(h,1,x_amp noise); rx y(delay1:SpS:end); Ns min(length(rx),length(symbols)); rx rx(1:Ns); tx_ref symbols(1:Ns); Nskip span 2; rx rx(Nskip1:end-Nskip); tx_ref tx_ref(Nskip1:end-Nskip); % Remove the average complex gain before QAM decisions c sum(conj(tx_ref).*rx)/sum(abs(tx_ref).^2); rx rx/c; bits_rx qamdemod(rx,M, ... OutputType,bit,UnitAveragePower,true); bits_ref qamdemod(tx_ref,M, ... OutputType,bit,UnitAveragePower,true); BER(ie) mean(bits_rx(:) ~ bits_ref(:)); end2 通用运行步骤1直接运行main.m即可一键出图⛄三、运行结果⛄四、matlab版本及参考文献1 matlab版本2019b2 参考文献[1]刘岩冰,周世东,王京.MIMO-OFDM系统自适应传输技术的仿真研究[J].科技与创新. 20073 备注简介此部分摘自互联网仅供参考若侵权联系删除⛄五、仿真咨询与程序定制1 各类智能优化算法改进及应用1.1 PID优化1.2 VMD优化1.3 配电网重构1.4 三维装箱1.5 微电网优化1.6 优化布局1.7 优化参数1.8 优化成本1.9 优化充电1.10 优化调度1.11 优化电价1.12 优化发车1.13 优化分配1.14 优化覆盖1.15 优化控制1.16 优化库存1.17 优化路由1.18 优化设计1.19 优化位置1.20 优化吸波1.21 优化选址1.22 优化运行1.23 优化指派1.24 优化组合1.25 车间调度1.26 生产调度1.27 经济调度1.28 装配线调度1.29 水库调度1.30 货位优化1.31 公交排班优化1.32 集装箱船配载优化1.33 水泵组合优化1.34 医疗资源分配优化1.35 可视域基站和无人机选址优化2 机器学习和深度学习分类与预测2.1 机器学习和深度学习分类2.1.1 BiLSTM双向长短时记忆神经网络分类2.1.2 BP神经网络分类2.1.3 CNN卷积神经网络分类2.1.4 DBN深度置信网络分类2.1.5 DELM深度学习极限学习机分类2.1.6 ELMAN递归神经网络分类2.1.7 ELM极限学习机分类2.1.8 GRNN广义回归神经网络分类2.1.9 GRU门控循环单元分类2.1.10 KELM混合核极限学习机分类2.1.11 KNN分类2.1.12 LSSVM最小二乘法支持向量机分类2.1.13 LSTM长短时记忆网络分类2.1.14 MLP全连接神经网络分类2.1.15 PNN概率神经网络分类2.1.16 RELM鲁棒极限学习机分类2.1.17 RF随机森林分类2.1.18 SCN随机配置网络模型分类2.1.19 SVM支持向量机分类2.1.20 XGBOOST分类2.2 机器学习和深度学习预测2.2.1 ANFIS自适应模糊神经网络预测2.2.2 ANN人工神经网络预测2.2.3 ARMA自回归滑动平均模型预测2.2.4 BF粒子滤波预测2.2.5 BiLSTM双向长短时记忆神经网络预测2.2.6 BLS宽度学习神经网络预测2.2.7 BP神经网络预测2.2.8 CNN卷积神经网络预测2.2.9 DBN深度置信网络预测2.2.10 DELM深度学习极限学习机预测2.2.11 DKELM回归预测2.2.12 ELMAN递归神经网络预测2.2.13 ELM极限学习机预测2.2.14 ESN回声状态网络预测2.2.15 FNN前馈神经网络预测2.2.16 GMDN预测2.2.17 GMM高斯混合模型预测2.2.18 GRNN广义回归神经网络预测2.2.19 GRU门控循环单元预测2.2.20 KELM混合核极限学习机预测2.2.21 LMS最小均方算法预测2.2.22 LSSVM最小二乘法支持向量机预测2.2.23 LSTM长短时记忆网络预测2.2.24 RBF径向基函数神经网络预测2.2.25 RELM鲁棒极限学习机预测2.2.26 RF随机森林预测2.2.27 RNN循环神经网络预测2.2.28 RVM相关向量机预测2.2.29 SVM支持向量机预测2.2.30 TCN时间卷积神经网络预测2.2.31 XGBoost回归预测2.2.32 模糊预测2.2.33 奇异谱分析方法SSA时间序列预测2.3 机器学习和深度学习实际应用预测CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测3 图像处理方面3.1 图像边缘检测3.2 图像处理3.3 图像分割3.4 图像分类3.5 图像跟踪3.6 图像加密解密3.7 图像检索3.8 图像配准3.9 图像拼接3.10 图像评价3.11 图像去噪3.12 图像融合3.13 图像识别3.13.1 表盘识别3.13.2 车道线识别3.13.3 车辆计数3.13.4 车辆识别3.13.5 车牌识别3.13.6 车位识别3.13.7 尺寸检测3.13.8 答题卡识别3.13.9 电器识别3.13.10 跌倒检测3.13.11 动物识别3.13.12 二维码识别3.13.13 发票识别3.13.14 服装识别3.13.15 汉字识别3.13.16 红绿灯识别3.13.17 虹膜识别3.13.18 火灾检测3.13.19 疾病分类3.13.20 交通标志识别3.13.21 卡号识别3.13.22 口罩识别3.13.23 裂缝识别3.13.24 目标跟踪3.13.25 疲劳检测3.13.26 旗帜识别3.13.27 青草识别3.13.28 人脸识别3.13.29 人民币识别3.13.30 身份证识别3.13.31 手势识别3.13.32 数字字母识别3.13.33 手掌识别3.13.34 树叶识别3.13.35 水果识别3.13.36 条形码识别3.13.37 温度检测3.13.38 瑕疵检测3.13.39 芯片检测3.13.40 行为识别3.13.41 验证码识别3.13.42 药材识别3.13.43 硬币识别3.13.44 邮政编码识别3.13.45 纸牌识别3.13.46 指纹识别3.14 图像修复3.15 图像压缩3.16 图像隐写3.17 图像增强3.18 图像重建4 路径规划方面4.1 旅行商问题TSP4.1.1 单旅行商问题TSP4.1.2 多旅行商问题MTSP4.2 车辆路径问题VRP4.2.1 车辆路径问题VRP4.2.2 带容量的车辆路径问题CVRP4.2.3 带容量时间窗距离车辆路径问题DCTWVRP4.2.4 带容量距离车辆路径问题DCVRP4.2.5 带距离的车辆路径问题DVRP4.2.6 带充电站时间窗车辆路径问题ETWVRP4.2.7 带多种容量的车辆路径问题MCVRP4.2.8 带距离的多车辆路径问题MDVRP4.2.9 同时取送货的车辆路径问题SDVRP4.2.10 带时间窗容量的车辆路径问题TWCVRP4.2.11 带时间窗的车辆路径问题TWVRP4.3 多式联运运输问题4.4 机器人路径规划4.4.1 避障路径规划4.4.2 机器人轨迹跟踪4.4.3 机器人编队4.4.4 机器人导航4.4.5 机器人定位4.4.6 机器人控制4.4.7 机器人路径规划4.4.8 机器人任务分配4.4.9 机器人搜索4.4.10 机器人运输4.4.11 迷宫路径规划4.4.12 水下机器人路径规划4.4.13 栅格地图路径规划4.5 配送路径规划4.5.1 冷链配送路径规划4.5.2 外卖配送路径规划4.5.3 口罩配送路径规划4.5.4 药品配送路径规划4.5.5 含充电站配送路径规划4.5.6 连锁超市配送路径规划4.5.7 车辆协同无人机配送路径规划4.6 无人机路径规划4.6.1 飞行器仿真4.6.2 无人机飞行作业4.6.3 无人机轨迹跟踪4.6.4 无人机集群仿真4.6.5 卡车无人机4.6.6 目标搜索4.6.7 三维路径规划4.6.8 无人机编队4.6.9 无人机导航4.6.10 无人机吊运4.6.11 无人机对抗4.6.12 无人机覆盖4.6.13 无人机检测4.6.14 无人机控制4.6.15 无人机求援4.6.16 无人机位姿估计4.6.17 无人机系统4.6.18 无人机侦查4.6.19 无人机联盟4.6.20 无人机协同任务4.6.21 异构无人机4.7 水下飞行器4.8 无人车路径规划4.9 无人艇路径规划4.10 物流选址4.11 车辆控制4.12 多智能体路径规划4.12.1 多智能体编队4.12.2 多智能体控制4.12.3 多智能体路径规划4.12.4 多智能体协同5 语音处理5.1 语音情感识别5.2 声源定位5.3 特征提取5.4 语音编码5.5 语音处理5.6 语音分离5.7 语音分析5.8 语音合成5.9 语音加密5.10 语音去噪5.11 语音识别5.12 语音压缩5.13 语音隐藏6 元胞自动机方面6.1 元胞自动机病毒仿真6.2 元胞自动机城市规划6.3 元胞自动机交通流6.4 元胞自动机气体6.5 元胞自动机人员疏散6.6 元胞自动机森林火灾6.7 元胞自动机生命游戏7 信号处理7.1 机械振动信号处理7.1.1 故障信号7.1.1.1 齿轮损伤识别7.1.1.2 异步电机转子断条故障诊断7.1.1.3 滚动体内外圈故障诊断分析7.1.1.4 电机故障诊断分析7.1.1.5 轴承故障诊断分析7.1.1.6 齿轮箱故障诊断分析7.1.1.7 三相逆变器故障诊断分析7.1.1.8 柴油机故障诊断7.1.2 管道泄漏7.1.3 振动信号7.2 生物医学信号处理7.2.1 肌电信号EMG7.2.2 脑电信号EEG7.2.3 乳腺癌诊断7.2.4 生物电信号7.2.5 心电信号ECG7.2.6 心血管7.2.7 心脏仿真7.2.8 血压7.3 声呐探测信号处理7.3.1 声呐7.3.2 水声通信7.4 通信工程信号处理7.4.1 超声波信号处理7.4.2 导航定位7.4.3 航天航空7.4.4 空间识别7.4.5 雷达通信7.4.5.1 FMCW仿真7.4.5.2 GPS抗干扰7.4.5.3 雷达LFM7.4.5.4 雷达MIMO7.4.5.5 雷达测角7.4.5.6 雷达成像7.4.5.7 雷达定位7.4.5.8 雷达回波7.4.5.9 雷达检测7.4.5.10 雷达数字信号处理7.4.5.11 雷达通信7.4.5.12 雷达相控阵7.4.5.13 雷达信号分析7.4.5.14 雷达预警7.4.5.15 雷达脉冲压缩7.4.5.16 天线方向图7.4.5.17 雷达杂波仿真7.4.6 模拟信号处理7.4.7 时差绘制7.4.8 数字信道处理7.4.9 数字信号处理7.4.10 无线通信7.4.11 姿态解算**7.4.12 资源分配 **7.5 自动测量信号处理**7.5.1 参数估计 ****7.5.2 电动汽车动力电池管理 ****7.5.3 高度预估 **8 物理应用8.1 物理学分支力学8.1.1 材料力学8.1.2 弹性力学8.1.3 动力学8.1.4 分析力学8.1.5 固体力学8.1.6 结构力学8.1.7 静力学8.1.8 空气动力学8.1.9 流体力学8.1.10 塑性力学8.1.11 运动学8.2 物理学其他分支8.2.1 表面物理学8.2.2 超声学8.2.3 次声学8.2.4 电磁学8.2.5 电动力学8.2.6 电学8.2.7 高压物理学8.2.8 金属物理学8.2.9 光学8.2.10 核物理学8.2.11 金属物理学8.2.12 量子力学8.2.13 热力学8.2.14 热学8.2.15 声学8.2.16 水声学8.3 物理应用8.3.1 地理学8.3.2 化学化工8.3.3 生物8.3.4 其他