在高信噪比处理域构造新的用于调制识别的高阶统计量幅值特征,与传统特征相比保留了更多的分类信息，适合干扰较大多种调制模式并存的环境。基于联合特征向量有效提高了识别性能，用窗口平滑抑制截获信号中的噪声，对识别器输入特征向量样本规范化以提高处理速度。分别基于欧氏距离分类方法和改进算法的神经网络识别器进行仿真实验，证明了采用联合特征向量和优化方法在低信噪比干扰更大的信道条件下能区分更多的调制类型(MASK、MPSK、MFSK、MQAM)，且平均调制识别率提高200%，算法效率也得到明显提高。

MATLAB水果识别（香蕉，橘子，苹果，多特征参数，GUI框架 ）

本科毕业设计：针对Deepfake假脸视频面部细节特征的提取算法 本科毕业设计：针对Deepfake假脸视频面部细节特征的提取算法 本科毕业设计：针对Deepfake假脸视频面部细节特征的提取算法 本科毕业设计：针对Deepfake假脸视频面部细节特征的提取算法 本科毕业设计：针对Deepfake假脸视频面部细节特征的提取算法 本科毕业设计：针对Deepfake假脸视频面部细节特征的提取算法 本科毕业设计：针对Deepfake假脸视频面部细节特征的提取算法 本科毕业设计：针对Deepfake假脸视频面部细节特征的提取算法

一款可以自已定制病毒特征库的杀毒软件，可以用此软件变种为任意的病毒专杀工具。界面及病毒特征库均可自行定制编辑，支持最大100个线程扫描文件，杀毒方式可自行设定，支持对每一种病毒特征码设置一种杀毒方式。采用文件二进制比对的方式查杀电脑上的文件，可以对电脑文件中含有病毒特征码的文件执行删除文件、清除文件病毒码字节、用空格替换文件病毒码字节、用0x00替换文件病毒码字节，用指定字符替换文件病毒码字节等等杀毒方式。病毒特征码可以资源共享。 目前版本的实质为：多线程文件内容比对查找及修改替换工具。程序未加入主动防御、恶意行为拦截等功能，程序特别适合作为病毒专杀工具，可以对程序作小的改动即可实现变种。 本程序规模不大，易读懂，程序全为业余书写，几乎没有经过什么测试，可能存在许多错误。软件在www.csdn.net首页的“创新无极限，软件你来选”中申报成功(开源类)，请下载了源码的用户在2010年1月1日到2010年1月21日期间投此软件一票，以示对作者开源的支持。 作者开源的另一作品“文本语音朗读组件”全套VC++源码，也欢迎用户下载并投作者一票。你可以对上面两款软件源码重新改进形成功能各异的属于你的作品。 作者已没有时间对上述程序进行深度开发和升级，只是希望

该压缩包在matlab2013a中运行并实现图像的特征提取，包含四大类经典特征提取方法：SIFT特征，颜色特征，形状特征，纹理特征。每个方法文件夹内附有文档说明。最后我给出了同步PPT解说，包含原理，步骤，及运行实例和结果。

只支持 01 ?? 01 ??  或 01??01?? 这种类型特征码 源码最主要目的是演示如何提高搜索的效率而已 当然我只是做了一小段的优化处理 这并不可能百分百提高或许还会拖慢搜索的效率 最后呢，如果想提高效率就多动动脑做前期的处理 如果你直接按着顺序来的话 1 过 2 过 3 那我没话可说了， 懂了吗

提出了一种融合全局和局部深度特征（GLDFB）的视觉词袋模型。通过视觉词袋模型将深度卷积神经网络提取的多个层次的高层特征进行重组编码并融合，利用支持向量机对融合特征进行分类。充分利用包含场景局部细节信息的卷积层特征和包含场景全局信息的全连接层特征，完成对遥感影像场景的高效表达。通过对两个不同规模的遥感图像场景数据集的实验研究表明，相比现有方法，所提方法在高层特征表达能力和分类精度方面具有显著优势。

实现兴趣点检测；实现类SIFT局部特征描述；实现简单匹配算法 包含完整代码与作业说明文档 使用python语言

疼痛是一种个人经历，一般被分为急性疼痛和慢性疼痛，可来源于受伤、疾病、手术或其他的健康问题.如果疼痛没有被及时治疗，会对患者的身心健康带来极大的伤害.由于患者自身障碍等问题，患者可能无法自我报告疼痛，而专业人士评估无法保证连续性和客观性.因此，对疼痛自动识别系统的需求日益加大，近十年来，很多研究人员在此领域取得突破性的成果，本文对疼痛自动识别系统进行综述，一方面从疼痛自动识别系统的结构组成方面进行描述，主要包括数据获取、数据预处理、特征提取以及分类等；另一方面从疼痛模态表征多角度进行技术汇总，主要包括行为、语音、生理以及多模态融合等4个方面.本文论述疼痛自动识别系统中的关键技术，并加以对比分析总结出该领域发展的一些挑战和方向.

在计算机上产生一组实验数据，首先产生一段零均值白噪声数据u（n）,令功率为 ，让u(n)通过一个三阶FIR： 得到y(n). .y(n)上加三个实正弦信号f1’=0.1,f2’=0.25,f3’=0.26调整 和正弦信号幅度信噪比大致为10dB,50dB,50dB. . (1) 令N=256,描绘xn波形； (2)得出真实功率谱密度 . (3) 利用此实验数据Pisarenko谐波分解法估计该实验数据的正弦频率及幅度。