人工智能-多节人工神经网络在IR-BCI信号特征提取中的应用.pdf

针对互联网不良信息检测这一业务场景，探讨了基于网站文本内容进行检测的方法。回顾了经典的文本分析技术，重点介绍了Bert模型的关键技术特点及其两种不同用法。详细描述了利用其中的特征提取方法，进行网站不良信息检测的具体实施方案，并且与传统的TF-IDF模型以及word2vec+LSTM模型进行了对比验证，证实了这一方法的有效性。

MATLAB高阶累积量工具箱

关于ppg信号预处理和特征提取的代码仅供参考学习

基于传统的手部轮廓特征提取不能应对飞行模拟环境下的脸部肤色、遮挡、光照影响, 以及传统的傅里叶描述子特征容易受到背景、手的姿态变化, 且对手势描述能力有限等问题, 对传统的手部分割和特征提取方法改进. 本文首先对采集的数据集进行肤色处理, 然后结合调用的手部关键点模型检测出手部22个特征点, 采用八向种子填充算法进行图像分割. 接着对手部轮廓和关键点连接骨架进行傅里叶描述子算法特征提取, 最后通过支持向量机算法对提取的手势特征数据集进行训练、识别. 实验结果表明, 本文方法具有较好的手部分割, 特征提取不易受到背景、手的姿态变化的影响, 能够很好地应对在飞行模拟环境下的复杂背景下的干扰, 识别准确率能够达到98%. 本文研究在传统的手势识别算法中有一定的提高作用, 在手部交互技术领域有很重要的应用价值.

1.音频原始数据形式：8k16bitpcm； 2.频率范围：60HZ~3400HZ； 3.三角窗数量：15组； 4.提取filter bank特征，并观察特征分布特点； 5.求取特征三阶差分并进行离线CMVN（cepstral mean and variance normalization，CMVN）

数字图像处理实验报告-图像边缘检测和特征提取.doc

BELMKN：贝叶斯极限学习机Kohonen网络 无监督的极限学习机（ELM）是一种用于特征提取的非迭代算法。 该方法应用于IRIS数据集以进行非线性特征提取，聚类预测，最后使用k-means进行聚类。 客观的 要使用Unsuoervised Extreme Learning Machine执行非线性特征学习，使用贝叶斯信息准则（BIC）预测数据集中的聚类数，最后使用k-means，自组织图/ Kohonen网络和EM算法进行聚类 模组 无监督的极限学习机：在此模块中，使用无监督的极限学习机执行数据集的特征提取。 这是具有单个隐藏层的非迭代算法，其中输入层和隐藏层之间的权重被随机初始化，并且使用目标函数计算隐藏层和输出层之间的权重。 因此，可以保证收敛于全局最小值。 贝叶斯信息准则：贝叶斯信息准则是一种统计方法，使用d来找出数据集中的聚类数。 它使用期望最大化（EM）算法来查找数据集中的

汽车电子开发系统模型属性配置工作存在复杂性高、任务量大等特点，传统的配置开发方式在效率上已经越来越不能满足开发需求。因此为了提高配置开发效率，面向汽车电子系统Artop（autosar tool platform user group）模型，基于Artop模型属性的分析与特征提取，结合XML存储与解析的图形界面自动生成技术，设计一种模型属性编辑通用配置框架，为汽车电子模型属性编辑提供自动生成配置界面服务，具有非常重要的实用价值和研究意义。该通用框架相较于行业内的传统配置方式具有一定的创新性。实验证明，通用框架的设计实现具有较高的可行性和可扩展性。

小波分解变换，时频分析，可用于信号处理，信号特征提取