通过波形文件数据，进行MFCC特征提取，做相关滤波、加窗、fft变换等，得到13维mfcc特征，若在13维基础上继续做一阶二阶差分可得到24维mfcc特征

图像分析：此存储库包含在图像分析模型中使用的所有必要技术。 即特征提取，过滤，掩膜，噪声消除以及更多这些代码是在MATLAB 2015中编写的

本资源是一篇论文，详细介绍了语音信号的集中短时分析方法，特征参数提取算法，最后讨论了谱减法和维纳滤波在特征提取中的应用

通过SEM成像分析纳米结构的3D重建和特征提取

文本分类中地特征提取和分类算法综述.pdf

为了使计算机能更好的识别人脸表情，对基于Gabor小波变换的人脸表情识别方法进行了研究。首先对包含表情区域的静态灰度图像进行预处理，包括对确定的人脸表情区域进行尺寸和灰度归一化，然后利用二维Gabor小波变换提取脸部表情特征，使用快速PCA方法对提取的Gabor小波特征初步降维。再在低维的空间中，利用Fisher准则提取那些有利于分类的特征，最后用SVM分类器进行分类。实验结果表明，上述提出的方法比传统的方法识别速度更快，能达到实时性的要求，并且具有很好的鲁棒性，识别率高。

现代工业系统已呈现出向大型化、复杂化的方向发展,使得针对工业系统的故障诊断方法遇到一系列的技术难题.近年来,深度学习(deep learning)在特征提取与模式识别方面显示出独特的优势与潜力,将深度学习应用于解决复杂工业系统故障诊断的研究已初现端倪.为此,首先介绍几种典型的基于深度学习方法实现工业系统故障诊断方法;然后对基于深度学习实现故障诊断的主要思想和建模方法进行描述;最后总结和讨论了复杂工业系统故障的特点,并探讨了深度学习在实现复杂工业系统故障诊断方面所面临的挑战,展望了未来值得继续研究的方向.

从时域角度进行简单的特征识别 第一步：载入信号，选出样本和测试数据。 第二步：用各类样本的平均值作为该类的特征，此为时间域特征。 第三步：用测试数据与各类特征的欧几里得距离判断是否属于该类，进行特征识别，计算识别率。 研究采用小波分析的手段对其进行特征提取与分类 第一步：选择连续小波变换的尺度，即a的取值范围。 第二步：进行连续小波变换，提取信号特征。 第三步：选取各类样本，计算平均连续小波变换特征，作为该类特征。 第四步：用测试数据与各类特征的欧几里得距离判断是否属于该类，进行特征识别，计算识别率。 第五步：调整尺度a的范围，进一步提高识别率。

lgb实现预测，包括提取特征，数据处理等pandas基础操作，可以学习

matlab语音用频谱代码