结合主元分析（PCA）与线性鉴别分析（LDA）的特点，利用PCA-LDA算法进行性别鉴别。通过PCA算法求得训练样本的特征子空间，并在此基础上计算出LDA算法的特征子空间。将PCA算法与LDA算法的特征子空间进行融合，获得PCA-LDA算法的融合特征空间。训练样本与测试样本分别朝融合特征空间投影，从而得到识别特征。利用最近邻准则即可完成性别鉴别。实验中利用三种预处理方法（PCA+LDA、HG+PCA+LDA、RHG+PCA+LDA），得出各自的实验结果，并进行比较。实验结果表明，利用RHG+PCA+LDA方法预处理后，使用PCA-LDA算法进行性别鉴别可以得到理想的效果。

以整条轨迹为目标的聚类方法存在轨迹较长的问题。为此,提出一种以轨迹子段为聚类目标的聚类算法CTIHD。给出一种新的轨迹子段距离度量方法,用以消除轨迹子段之间的公共偏差。利用特征点概念将轨迹划分成轨迹子段集,计算轨迹子段之间的相似度,由此实现聚类。实验结果表明,该算法相比同类算法具有更好的轨迹聚类效果。

分别用等效分界面法和特征矩阵法，基于Matlab编程，计算多层高反膜的反射率曲线。膜层采用硫化锌—氟化镁材料（折射率2.38/1.38），玻璃基片折射率在1.4-1.6之间自选，膜层数量在10-20之间自选。要求： 1）（分别为等效分界面法和特征矩阵法） 2）比较两种方法的运算效率。

针对卫星多径信号引入的干扰问题,建立了卫星多径干扰信号盲源分离模型,采用基于降维Householder变换的特征矩阵联合近似对角化(JADE)算法对接收的混合信号四阶累积量进行联合近似对角化,从而提取多径信号。实验结果表明,本算法能很好地分离频谱完全重叠的多径信号和部分重叠的干扰信号;在提取多径信号方面,本算法的性能优于快速独立成分分析(FastICA)算法;在运行时间上,FastICA算法运行1000次的平均时间约为采用Givens旋转的Cardoso高阶累积量特征矩阵联合近似对角化(CG-JADE)算法的6倍,而本算法比CG-JADE算法的平均运行时间少0.0024 s,证明了本算法的有效性和快速性。

#GenomicsFeatures ###基因组学特征矩阵分析 该项目包含一个用 Python 编写的 Google App Engine 应用程序，该应用程序执行以下任务： 将 tsv 格式的n x m特征矩阵转换为 csv 格式的文件，其中包含n x m行元组（特征、样本、值） - run_fmx_convert.py 在 Datastore 中为此数据构建模型 - model.py 运行一个仅限地图的 MapReduce 作业，将您从 GCS 转换的 csv 文件导入模型 - pipeline.py 也可以通过bulkload 机制导入数据，但速度很慢。 - run_upload_data.sh 在特征名称上定义和构建全文搜索索引。 - 搜索search.py 提供允许您执行以下操作的用户界面：- main.py 执行上面列出的大部分管理任务。 使用全文搜索查找特征。

引入一种新的薄膜特征矩阵,用以计算多层膜中的电场分布,得到了TE和TM波电场的简单表达式。计算并绘制了薄膜偏振器和感应反射滤光片的内部电场分布曲线。应用新的薄膜特征矩阵,也可以很容易推导出多层膜的表面等离子激光波的色散关系。

图片的存储、管理、查询、求解两张图片的相似度（基于颜色特征矩阵） 图片的存储、管理、查询、求解两张图片的相似度（基于颜色特征矩阵）

在Keras对手写数字mnist测试完以后 用来尝试做自己的特征矩阵和标签