利用matlab提取出频域和时域信号的29个特征

人脸图像特征提取matlab代码基于特征值的面部识别和匹配 该项目旨在通过使用Haar分类器来改进人脸检测系统，以获得更高的准确度结果。 Haar分类器用于面部检测，因为它可以非常快速地检测到所需图像。 该算法已用于检测，实现了较高的检测精度。 1.数据预处理 出于该项目的目的，已经获得了40个人的数据集。 这些人每个人都有10个姿势不同的图像。 这意味着总共有40 x 10 = 400张图像。 对于每个人，都有单独的文件夹。 用这种方式解释会造成混乱。 在图1中，我们可以在第一行中看到40个标记为1、2、3到40的人。每个人都有10张图像。 这些图像是灰度的。 所有这些图像必须具有相同的尺寸和分辨率。 最后，每个人的图像都保存在单独的文件夹中。 在图1中，s1，s2，s3…..s40代表文件夹。 此过程的摘要如下：•每个人10张图像•每个人1个文件夹（s1，s2，s3等）•图像必须为灰度级•图像必须具有相同的分辨率和尺寸。 我已经拍摄了92 x 112像素的图像。 •图像名称必须是数字，例如1、2、3。•并且图像必须具有相同的扩展名，例如bmp，pgm和/或任何图像格式 2.数据集加

特征提取，随机森林实现特征重要性排序，用python实现

特征提取

为凸显负荷波动的随机性、周期性和相关趋势，通过探求负荷变化机理显著提升预测精度，提出了一种基于EMD的负荷波动机理研究方法。首先对负荷进行EMD分解，得到随机、周期和趋势分量；然后分析各分量的变化规律与候选影响因素的关联关系，推导负荷变化机理，提取时标特征值；最后进行特征的去冗余。该方法创新点是能提取出特征值的时标特性。以广东省负荷数据集作为预测案例研究，对比实验研究结果表明了所提方法的有效性。

用于信号故障特征提取，算法研究，是简单的程序代码，

总体平均经验模式分解（EEMD）方法是一种先进的时频分析方法，非常适合于对非平稳故障微弱信号的分析处理。文中介绍了EEMD方法的原理与算法实现步骤，重点分析了EEMD方法避免模式混淆的机理。利用EEMD方法对齿轮箱振动信号进行分析，成功提取了小齿轮磨损故障特征，验证了EEMD方法在故障微弱信号特征提取的有效性。

利用SVM优化算法实现变压器局部放电信号prpd模式识别及其特征提取

（收集的资料，对ProE二次开发有帮助。）论文《Pro／ENGINEER模型特征提取和识别的二次开发》黄文权，李开世，石艳（四川理工学院机电工程系），研究了对Pro／ENGINEER三维零件模型进行特征提取和识别的Pro／Toolkit二次开发方法，实现了零件模型特征树的重构。文章编号：1673—1549(2006)01-0013-04

3种边缘检测算法+2种角点检测。GUI操作方便，亲编实测，绝对可用。