hog svm matlab代码面部特征提取与情感分析 使用 SVM 和 HOG 进行面部特征提取和情感分析 一个项目是作为我本科学位的完成而完成的，其中包含所有代码文件，包括主成分分析、定向梯度直方图、支持向量机。 该项目包括机器学习中最优秀的技术，原型是在 MATLAB 中完成的。 计划使用 OpenCV 将其扩展到 Python

提出一种新的点云特征检测算子——直线截距比特征检测算子。根据相邻点之间的几何关系提出直线截距比，构建了特征筛选条件函数，利用关于点距的高斯函数对特征筛选条件函数进行修正。实验结果表明，随着模型中噪声强度的增加，所提算法的特征误识别率更低。所提算法能快速、准确地筛选出特征点，且具有良好的抗噪能力和更强的特征识别能力。

脑功能近红外光谱(fNIRS)的信号分析和模式识别方法，对其在认知科学领域的研究和应用尤为重要。简述了fNIRS的传统统计特征提取方法，进而提出了基于多元图表示原理进行特征提取的方法，并对传统方法与提出方法的模式识别实验进行了对比研究。实验结果表明基于多元图表示原理的fNIRS信号特征提取方法能应用于信号的分析和可视化，为fNIRS信号的数据分析提供了新的方法。

三维坐标点的SIFT特征匹配。产生2个三维模型的坐标点，然后进行SIFT特征提取，然后进行配准

MATLAB时频域特征提取已封装为函数，可实现一行代码提取时域频域特征。亲测好用！ 可以直接生成原始信号的特征向量。包括以下22个特征： % max ：最大值 % min ：最小值 % mean ：平均值 % peak ：峰峰值 % arv ：整流平均值 % var ：方差 % std ：标准差 % kurtosis ：峭度 % skewness ：偏度 % rms ：均方根 % waveformF ：波形因子 % peakF ：峰值因子 % impulseF ：脉冲因子 % clearanceF：裕度因子 % FC：重心频率 % MSF：均方频率 % RMSF：均方根频率 % VF：频率方差 % RVF：频率标准差 % psdE：功率谱熵 % svdpE：奇异谱熵 % eE：能量熵 %

在散布熵的基础上提出多尺度散布熵以及精细复合多尺度散布熵

iPLS提取特征，数据为高光谱数据，感兴趣区域数据，最后一列为标签

小波包分解与重构多种特征提取MATLAB代码 内容概要：该资源为博主自己编写，内含小波包分解与重构，小波包分解与重构后的频谱分析，小波包升降采样，小波包能量熵，小波包能量，小波包能量占比三种特征提取方法，内含封装好的特征提取函数，内含详细代码注释，更换输入数据就可直接运行，可直接更换小波包基函数，可直接生成特征向量，。 理论描述：小波包分解（wavelet packet decomposition，WPD）能够同时在低频和高频带内对信号进行分解，并自适应地确定不同频段上信号的分辨率，且各分解频带内信号相互独立、无冗余、不疏漏[。小波包分解层数越多，分辨率越高，包含故障信息越丰富。但层数过多会造成计算复杂且分析速度慢。一般需要根据实际需要和相关实验选取分解层数以及小波基函数。能量熵表示信号中出现的状态数目的可能性及相应概率，可用来评估信号的复杂性，可用来描述电信号、轴承等振动信号的特征变化。 适用人群：信号处理，机器学习，深度学习研究者对信号进行特征分析以及特征提取。 本代码为matlab代码，在matlab2020上编写。

光学字符识别 使用Pytorch特征提取的光学字符识别。

基于HOG算子的特征提取方法的MATLAB仿真，matlab2021a测试。 for j=1:ny%行 for i=1:nx%列 Ltop=G(((j-1)*n+1):j*n,((i-1)*n+1):i*n);%%左上cell Lbottom=G((j*n+1):(j+1)*n,((i-1)*n+1):i*n);%%左下cell Rtop=G(((j-1)*n+1):j*n,(i*n+1):(i+1)*n);%%右上cell Rbottom=G((j*n+1):(j+1)*n,(i*n+1):(i+1)*n);%%右下cell，四个cell组成一个block pltop=anna_phog(Ltop,9,180); plbottom=anna_phog(Lbottom,9,180); prtop=anna_phog(Rtop,9,180); prbottom=anna_phog(Rbottom,9,180);