变分模态分解,用于分解各种信号，可用来故障诊断，特征提取。

利用matlab提取出频域和时域信号的29个特征，主运行文件feature_extraction，fre_statistical_compute和time_statistical_compute分别提取频域和时域的特征，生成的29个特征保存在生成的feature矩阵中。

文本预处理：分词，取出停用词，过滤低频词汇，编码归一化等； 文本向量化：如使用向量空间模型VSM(Vector Space Model)或者概率统计模型对文本进行表示，使计算机能够理解计算，用的方法基于集合论模型。基于代数轮模型。基于频率统计模型等等； 文本特征提取和选择：特征提取对应着特征项的选择和特征权重的计算。

这是一张灵异事件图。。。开个玩笑，这就是一张普通的图片。 毫无疑问，上面的那副图画看起来像一幅电脑背景图片。这些都归功于我的妹妹，她能够将一些看上去奇怪的东西变得十分吸引眼球。然而，我们生活在数字图片的年代，我们也很少去想这些图片是在怎么存储在存储器上的或者去想这些图片是如何通过各种变化生成的。 在这篇文章中，我将带着你了解一些基本的图片特征处理。data massaging 依然是一样的：特征提取，但是这里我们还需要对跟多的密集数据进行处理，但同时数据清理是在数据库、表、文本等中进行。这是如何对图片进行处理的呢？我们将看到图片是怎么存储在硬盘中的，同时我们可以通过使用基本的操作来处理图片。

运动想象脑电信号特征提取及分类(凑字数专用)

主要是用于信号特征提取中的时频域特征提取

基于matlab的图像处理——纹理特征提取方法

Sobel 边缘检测算子比较结果 Roberts Prewitt Canny Laplacian of Gaussian Sobel Roberts Prewitt Canny Laplacian of Gaussian 原始图像 Hough变换 用于检测图像中直线圆抛物线椭圆等 图像空间 对于影像空间直线上任一点(xy变换将其映射到参数空间)的一条正弦曲线上 图像空间 参数空间 正弦曲线共线

随着智能手机等移动电子设备的发展，基于MEMS加速度传感器的手势识别成为移动设备人机交互的研究热点。由于准确率及实时性的限制，目前的手势识别方法仍不足以推向实用。针对这一问题，提出了一种简单有效的手势识别方法：在手势定义阶段根据语义及操作的相似性将10个手势分为4个类别，通过提取反映各类手势运动学特征的加速度特征量，利用决策树分类器对手势进行预分类，然后根据各类手势的加速度变化规律识别具体的手势；同时通过严格的特征量阈值，有效地去除了元意识的误动作。该方法在15位实验者中获得了95．2％的平均准确率，识别

利用商用WIFI和matlab对走、坐和蹲的三种数CSI 数据包进行预处理和特征提取