能实现冲击信号的特征提取，包括语音信号，超声信号，轴承，齿轮故障信号

针对大数据信号处理时的特征选择与特征降维，给出了4种有效的特诊选择方法

利用hog提取特征输入到svm分类器中，适用于新手

对信号进行频域特征提取，先通过傅里叶变换得到信号频谱，再计算频谱特征，包括重心频率，均方频率和频率方差

利用matlab提取出频域和时域信号的29个特征，主运行文件feature_extraction，fre_statistical_compute和time_statistical_compute分别提取频域和时域的特征，生成的29个特征保存在生成的feature矩阵中。

自己实践有效，可以得到有效的DPM特征图，行人，汽车，自行车

激光雷达和双目相机作为无人驾驶领域中重要的环境感知设备,两者之间的外参配准是其联合应用的重要基础,然而两种信息的融合意味着繁琐的校准过程。基于此,提出一种基于特征点对匹配求解的方法,采用两块矩形木板,分别提取双目相机与激光雷达坐标系下的木板边缘3D点云,拟合空间直线求取角点坐标,最后利用Kabsch算法求解配对的特征点之间的坐标转换,利用聚类法去除多次测量结果中的异常值,并求取平均值。通过搭建实验,所提算法可在Nvidia Jetson Tx2嵌入式开发板上实现,获得了准确的配准参数,验证了理论方法的可行性。此配准方法简单易行,可自动完成多次测量,相比于同类方法精度也有所提高。

文本预处理：分词，取出停用词，过滤低频词汇，编码归一化等； 文本向量化：如使用向量空间模型VSM(Vector Space Model)或者概率统计模型对文本进行表示，使计算机能够理解计算，用的方法基于集合论模型。基于代数轮模型。基于频率统计模型等等； 文本特征提取和选择：特征提取对应着特征项的选择和特征权重的计算。

这是一张灵异事件图。。。开个玩笑，这就是一张普通的图片。 毫无疑问，上面的那副图画看起来像一幅电脑背景图片。这些都归功于我的妹妹，她能够将一些看上去奇怪的东西变得十分吸引眼球。然而，我们生活在数字图片的年代，我们也很少去想这些图片是在怎么存储在存储器上的或者去想这些图片是如何通过各种变化生成的。 在这篇文章中，我将带着你了解一些基本的图片特征处理。data massaging 依然是一样的：特征提取，但是这里我们还需要对跟多的密集数据进行处理，但同时数据清理是在数据库、表、文本等中进行。这是如何对图片进行处理的呢？我们将看到图片是怎么存储在硬盘中的，同时我们可以通过使用基本的操作来处理图片。

运动想象脑电信号特征提取及分类(凑字数专用)