本文应用小波变换技术对电力用户每15分钟采集一次的用电负荷数据的特征进行了梳理，选择小波变换算法开展用电负荷数据的特征提取，优化数据存储方式实现数据压缩与脱敏存储，用以解决海量用电负荷指标数据的存储问题。结果表明，通过小波变换可以有效提取数据特征，压缩存储空间约50%，并实现数据脱敏。本文所研发的基于小波变换特征提取技术实现用电负荷数据压缩与脱敏存储的技术具有潜在的应用价值和推广价值，并能够产生较高的经济效益。

C 特征匹配源码，都是一些特征匹配类文件，在开发的时候用得上，基于opencv的特征匹配，用的算法是sift，包含大部分源代码，懂得的朋友按照文件加载即可使用。

人脸图像特征提取matlab代码 《数字图像处理与机器视觉:Visual C++与Matlab实现》 各种标准图像处理算法(Matlab／Visual C++) 汽车牌照的投影失真校正(Matlab／Visual C++) 顶帽变换(Matlab／Visual C++) 主成份分析(Matlab) LBP特征提取(Matlab) 基于人工神经网络的数字识别系统(visual C++) 基于支持向量机的人脸识别系统(Matlab) 为想要了解数字图像处理与机器视觉领域的读者提供了一条扎实的进阶之路，从基本的图像处理算法，到投影校正、顶帽变换等高级应用，再到特征提取、分类器设计，以及像光学字符识别、人脸识别等综合案例，一步步地引导读者从阅读中获得知识，于实践中升华感悟。 Matoab与Visusl C++两种语言描述的无缝连接，体现出科学研究和工程实践在图像处理与机器视觉领域的完美结合。 该代码已经在VS2015x64 和 x86 下实验通过，很多基础的图像处理算法C++实现都在里面 MICROSOFT FOUNDATION CLASS LIBRARY : DIPDemo 《数字图像处理与

基于自组织特征映射网络的亚洲足球水平聚类,这是完整程序，可运行。

低速率拒绝服务（LDoS,low-rate denial of service）攻击是一种降质服务（RoQ,reduction of quality）攻击，具有平均速率低和隐蔽性强的特点，它是云计算平台和大数据中心面临的最大安全威胁之一。提取了LDoS攻击流量的3个内在特征，建立基于BP神经网络的LDoS攻击分类器，提出了基于联合特征的LDoS攻击检测方法。该方法将LDoS攻击的3个内在特征组成联合特征作为BP神经网络的输入，通过预先设定的决策指标，达到检测LDoS攻击的目的。采用LDoS攻击流量专用产生工具，在NS2仿真平台和test-bed网络环境中对检测算法进行了测试与验证，实验结果表明通过假设检验得出检测率为 96.68%。与现有研究成果比较说明基于联合特征的LDoS攻击检测性优于单个特征，并具有较高的计算效率。

特征选择算法能够更好地提高入侵检测系统的检测速度和检测效果,消除冗余数据并减轻噪音特征.结合特征选择算法的优势,提出一种基于主成分分析(PCA)与决策树(C4.5)的入侵检测方法,进而构建出轻量级的入侵检测系统.通过在KDD1999数据集上对该方法进行详细的实验验证,证明该方法一方面确保系统有较高的检测率与较低误报率,另一方面能够比较显著地提高系统的训练时间与测试时间.同时,通过比较实验发现此方法在训练时间、测试时间、检测率、误报率上的效果也优于GA-SVM方法.

张量投票算法利用人类感知功能原理进行计算,它具有较强的鲁棒性、非迭代性、参数唯一性等特性,其非迭代性具有节省计算时间的显著性特征,因此,广泛应用于图像线特征提取,但在一些含有复杂噪声的图像中,却不能得到更为连续的显著线特征信息。本文针对此问题,提出一种改进的具有迭代性的张量投票算法,它主要是对投票域进行迭代改进,使改进后的张量投票算法可以提取更为连续的显著线特征,且与传统的张量投票算法相比,本文算法既缩短了计算时间,又提取了更为连续的线特征图像。

从UCI机器学习资源库中下载Musk数据集。在此数据集上分别使用PCA和SVD方法进行特征提取，并报告获得的特征值以及特征向量结果，对数据属性进行分析，使用盒图分别对获得的最优属性进行分析和对比。 import pandas as pd import os from numpy import * import numpy as np import matplotlib.pyplot as plt import seaborn as sbn sbn.set(color_codes = True) plt.rcParams['axes.unicode_minus'] = False from scipy.stats import kstest from sklearn.preprocessing import LabelEncoder from sklearn import preprocessing import pyecharts from matplotlib import pyplot as plt from mpl_toolkits.mplot3d import Axes3D

matlab人脸特征定位代码SpecDiff欺骗检测器 该存储库包含一个示例代码，该示例代码计算出我们的IJCB论文中提出的SpecDiff描述符，以执行面部表情攻击（欺骗）检测。 SpecDiff描述符利用面部图像的镜面反射和漫反射，无需大型训练数据库或高性能计算系统，即可进行快速，准确的欺骗检测。 *十月2020年更新：我们的论文获得了IJCB 2020 Google PC Chairs Choice最佳论文奖。 经过测试的计算环境 MATLAB R2017b 示例代码教程 运行主脚本“ SpecDiff_main.m”。 该脚本会加载一对示例照片（使用闪光灯和不使用闪光灯拍摄），以计算SpecDiff描述符。 带有径向基函数（RBF）内核的支持向量机（SVM）将描述符分为实时或欺骗两种类别之一。 分类分数的正值和负值分别表示实时分类和欺骗分类。 结果图 文件和目录 SpecDiff_main.m 主脚本将预处理应用于示例照片对，并将其分类为实时或欺骗类。 load_facial_images.m 加载一对面部照片，一张带有闪光灯，另一张不带有闪光灯。 预处理程序 应用本文中描述的

用OpenCV实现了Harris特征点的提取，并在此基础上消除了消除误匹配点，程序在VC++6.0下调试运行通过！