1.领域：matlab，语音MFCC特征提取，CNN深度学习训练实现语音识别 2.内容：语音MFCC特征提取并通过CNN深度学习训练实现语音识别+matlab操作视频 3.用处：用于语音MFCC特征提取，CNN深度学习训练实现语音识别算法编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的Runme_.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

gabor特征提取程序 matlab实现 附有图像测试.rar

氩气泄露应急预案安全培训PPT课件（氩气特征、现场 应急 处置）.pptx

温州大学黄海广教授机器学习特征工程PPT。 在原始数据集中的特征的形式不适合直接进行建模时，使用一个或多个原特征构造新的特征可能会比直接使用原有特征更为有效。特征构建：是指从原始数据中人工的找出一些具有物理意义的特征。操作：使用混合属性或者组合属性来创建新的特征，或是分解或切分原有的特征来创建新的特征。方法：经验、属性分割和结合。数据归一化的目的是使得各特征对目标变量的影响一致，会将特征数据进行伸缩变化，所以数据归一化是会改变特征数据分布的。数据标准化为了不同特征之间具备可比性，经过标准化变换之后的特征数据分布没有发生改变。就是当数据特征取值范围或单位差异较大时，最好是做一下标准化处理。聚合特征构造主要通过对多个特征的分组聚合实现，这些特征通常来自同一张表或者多张表的联立。聚合特征构造使用一对多的关联来对观测值分组，然后计算统计量。常见的分组统计量有中位数、算术平均数、众数、最小值、最大值、标准差、方差和频数等。相对于聚合特征构造依赖于多个特征的分组统计，通常依赖于对于特征本身的变换。转换特征构造使用单一特征或多个特征进行变换后的结果作为新的特征。

闲来无事时写的用于自定义病毒特征码的查杀

针对车牌识别系统的实际应用, 利用车牌区域的边缘梯度特征、几何形状特征、颜色特征、灰度纹理特征定位车牌, 然后校正车牌图像的颜色及倾斜度; 基于灰度投影法, 对普通及武警车牌均提出了有效字符分割方案, 通过自适应判别去除因字符断裂粘连、特殊字符等造成的干扰; 通过基于多特征值提取的神经网络方法初识别车牌; 最后将人眼的视觉特性用于模板匹配法, 解决易混淆字符及污损车牌的问题。通过大量实验证明, 该方法对车牌颜色、拍摄角度、光照条件等限制较少, 适用范围广、识别率高, 有较强的实用性。

基于人工特征点匹配的航拍图像粗配准算法 基于单应性变换的原理，首先寻找N对（N≥4）航拍图像和卫星图像的对应点，通过N对特征点在航拍图和卫星图中的像素坐标，对卫星图像与航拍图像进行粗配准计算 基于边缘特征对齐的航拍图像配准优化算法 利用航拍图像和粗配准后的卫星图像的边缘特征，采用ICE算法对其进行配准优化，从而实现航拍图像和卫星图层的精确匹配 使用说明 cd build/ rm -rf * cmake ../ make -j12 cd ../bin/ ./project_sat_to_aerial ./project_sat_to_aerial img.tif road.tif aerial/ result/ jpg 在航拍图像取四个标注点，四个点尽量散开分布，每选取一个点按下S键确定，标注完毕后按下Q键，打开卫星图像标注窗口 按照8的方法，在卫星图形上找到对应的点进行标注，标注完毕后按下Q键,得到航拍图像的道路数据

1下面的选项不是关系数据库基本特征的是( )。

支持向量机_with_python 在本笔记本中，我们介绍了支持向量机（SVM）算法，这是一种功能强大但简单的监督学习方法，用于预测数据。 对于分类任务，SVM算法尝试将特征空间中的数据划分为不同的类别。 默认情况下，这种划分是通过构造最佳分割数据的超平面来执行的。 为了进行回归，构造了超平面以映射数据分布。 在这两种情况下，这些超平面均以非概率方式映射线性结构。 但是，通过采用内核技巧，我们可以将非线性数据集转换为线性数据集，从而使SVM可以应用于非线性问题。 SVM是功能强大的算法，已得到广泛普及。 这部分是由于它们在高维特征空间中有效，包括那些特征数与实例数相似或略微超过实例数的问题。 与具有大量数据集的内存需求很高的KNN不同，SVM可以提高内存效率，因为仅需要支持向量即可计算超平面。 最后，通过使用不同的内核，SVM可以应用于各种学习任务。 另一方面，这些模型是黑匣子，很难解释

本书主要介绍图像处理特征提取方面各种算法的知识，比较入门