改进粒子群优化算法(APSO)的MATLAB源程序,这个是引入自适应权重特征的粒子群优化算法

针对信号的时域特征和频域特征提取，带测试数据，能够运行

以黄河上游唐乃亥站和兰州站1956-2000年的逐月径流量资料为代表，基于小波变换和Butterw orth 滤波 器，将水文序列的频率特征在时间域上展现出来。

主要是用于信号特征提取中的时频域特征提取

提出了一种视频烟雾检测方法，利用烟雾颜色、运动方向以及纹理等特征区分烟雾，并在检测烟雾的同时找到火源位置。引入暗原色先验方法提取出与烟雾颜色相似的区域作为烟雾候选区;通过分析图像局部纹理特征估计图像块的运动方向，排除运动方向向下的非烟雾区域，从而缩小烟雾候选区;将烟雾候选区的一系列特征作为支持向量机的输入，分类为烟雾和非烟雾;根据被检测出的烟雾在视频帧中的具体位置以及对应位置出现烟雾的频数估计火源在视频帧中的位置。与相关算法的实验结果进行了比较，证明了该算法的有效性。

基于matlab的图像处理——纹理特征提取方法

Sobel 边缘检测算子比较结果 Roberts Prewitt Canny Laplacian of Gaussian Sobel Roberts Prewitt Canny Laplacian of Gaussian 原始图像 Hough变换 用于检测图像中直线圆抛物线椭圆等 图像空间 对于影像空间直线上任一点(xy变换将其映射到参数空间)的一条正弦曲线上 图像空间 参数空间 正弦曲线共线

用户投诉预测模型能有效地降低电信用户投诉率，对企业提高用户满意度和竞争力有着至关重要的作用。在模型训练过程中，由于人工设计特征的缺陷和设计过程中存在难以预估的复杂性，使得模型预测的精度和设计特征的效率不能有很大的提升。针对上述问题，提出了一种基于深度学习的用户投诉预测模型。该模型通过深层网络特征学习单元能从电信用户原始数据中自动学习到适合分类器分类的高层非线性组合特征，并将这些高层特征输入到传统分类器中来提高模型的精度。通过实验结果分析，预测模型在AUC指标上比以往用户投诉模型提升了7.1%，证明了该模型自动学习特征的有效性和深度学习在电信大数据领域的可用性。

随着智能手机等移动电子设备的发展，基于MEMS加速度传感器的手势识别成为移动设备人机交互的研究热点。由于准确率及实时性的限制，目前的手势识别方法仍不足以推向实用。针对这一问题，提出了一种简单有效的手势识别方法：在手势定义阶段根据语义及操作的相似性将10个手势分为4个类别，通过提取反映各类手势运动学特征的加速度特征量，利用决策树分类器对手势进行预分类，然后根据各类手势的加速度变化规律识别具体的手势；同时通过严格的特征量阈值，有效地去除了元意识的误动作。该方法在15位实验者中获得了95．2％的平均准确率，识别

光谱特征波段的筛选，选择光谱数据中具有代表性的变量用以建立定量预测模型