MATLAB首先对语音进行不同的非线性自适应时频分析的去噪，然后提取MFCC、GFCC、LPCC等特征，最后通过随机森林，对音标进行分类注1：音频文件数据集；注2：一行代码自动添加文件和子文件到路径；

面部特征的模式识别算法 线性判别分析（Fisher 线性判别） 支持向量机SVM 贝叶斯网络 隐马尔可夫模型及其基本问题 人工神经网络 模糊模式识别

通常故障产生的高频行波主要有两类,第一类是由故障点和变电站之间的线路产生的,第二类是通过分支节点向故障点反射产生的。针对配电网的短路故障和接地故障,提出了一种基于暂态行波频谱特征分量的故障选线和测距方法,即提取和识别这两种故障行波,通过简单的计算就能准确地进行故障选线以及测算变电站到故障点之间的距离。该方法不需要估算多个测量点,既减少了人工排查时间,又缩短了停电范围,可靠地计算出故障点到变电站之间的距离。通过PSCAD软件搭建仿真模型以及运用Matlab进行数据处理,模拟多种不同类型的母线故障以及线路故障,均验证该方法满足了实验的要求。

[优化].ll文件的ICFG特征提取，此版本可以清楚看到ICFG提取的情况； [优化].ll文件的ICFG特征提取，此版本可以清楚看到ICFG提取的情况；

一个基于Python项目开发的源码，是一个人脸识别系统，主要是用来识别驾驶员的，同时还可以识别他当下的疲劳状态是否需要休息。学生可以用来做毕业设计。同样这个源码可以用在交警摄像头上，可以看看马路上是否有疲劳驾驶的司机，也可以用于高速收费站，毕竟高速上疲劳驾驶是一件非常危险的事情。源码压缩包直接上传了，下载即可运行。

sEMG 信号 预处理：去噪，分割，特征提取

BOLB算法对图象进行处理的程序，进行图像连通区域特征分析，包括区域个数，位置，尺寸，形状等70－80个参数

DFT的matlab源代码火焰探测系统 该项目是基于视频的多功能火焰检测系统的不完全实现，这是我的毕业设计。 一些话要说 当我开始研究该主题时，我在Internet上发现了很多文章和很少的代码。 因此，当我最终完成它时，我决定将其开源。 请注意，该项目尚未准备好实际应用。 由于在该项目上花费的时间有限，因此仅对代码进行了部分优化。 但是，在Mac上进行测试时，响应时间是完全可以接受的。 搭建环境 该项目是在Mac OS X 10.9.3上使用Xcode 5.0.2构建的，并且是通过OpenCV 2.4.8实施的。 由于它不使用特定平台的任何本机接口，因此可以轻松移植到其他平台，例如Windows，Linux，Android等。 如果要使用保存视频功能，则需要确保OpenCV编译时支持FFMPEG，否则请自己编译。 结果 以下两个图像显示了结果。 流程 首先，使用颜色检测和运动检测对输入图像进行分割，然后提取候选火焰区域。 使用高斯混合模型进行背景建模以检测运动像素。 使用基于RGB和HSV颜色空间的火焰颜色模型来检测具有类似火焰颜色的像素。 将以上两个步骤的结果相交，以获取候选区域。

针对融合后的医学图像时常存在细节纹理不够清晰的问题，本文提出一种新的基于非下采样剪切波变换（Non-Subsampled Shearlet Transform，NSST）的医学图像融合算法，对多模态医学影像进行融合，增强细节结构提取的能力，提高图像融合质量，为医疗诊断提供依据.首先，将已配准的源图像进行NSST分解，得到低频子带和一系列高频子带；其次，对于低频子带系数，提出利用局域平均能量与局域标准差的合成值进行子带之间选择的融合策略，有利于完整保存基础信息，对于高频子带系数，利用改进的拉普拉斯能量和（New Sum of Modified Laplacian，NSML）的方法进行融合；接着，将融合过后的低、高频子带进行NSST的逆过程变换，从而得到融合之后的图像；最后，在灰度和彩色医学多模态图像上进行大量的实验，并选择信息熵（IE），空间频率（SF），标准差（SD）和平均梯度（AG）对融合后的图像进行质量评价.仿真结果表明，本文算法在主观视觉效果以及客观评价指标上均取得较大改善.与其他算法相比，信息熵，标准差，空间频率和平均梯度的平均值分别提高了2.99%，4.06%，1.78%和1.37%，融合后的图像包含更丰富的细节纹理信息，视觉效果更好.

mfcc特征提取的matlab代码此软件包已弃用，不再维护，请改用神农： 安装： 简而言之，如果所有依赖项都安装在系统上，则可以在cli内安装feature_extraction ： python setup.py build && python setup.py install 如果使用conda从源代码安装并且未安装依赖项，则可以执行以下操作： 来自github的gget feature_extraction ： >> git clone https://github.com/bootphon/features_extraction 创建您的环境，例如，如果使用conda（使用来自的python 2.7 64-BIT） >> cd features_extraction >> conda create --name feat --file requirements.txt >> source activate feat 安装conda不可用的其他依赖项 (feat) >> pip install oct2py (feat) >> pip install git+http://git