脑功能近红外光谱(fNIRS)的信号分析和模式识别方法，对其在认知科学领域的研究和应用尤为重要。简述了fNIRS的传统统计特征提取方法，进而提出了基于多元图表示原理进行特征提取的方法，并对传统方法与提出方法的模式识别实验进行了对比研究。实验结果表明基于多元图表示原理的fNIRS信号特征提取方法能应用于信号的分析和可视化，为fNIRS信号的数据分析提供了新的方法。

由于高光谱遥感数据具有波段多、特征非线性、空间相关等特点, 提出一种基于深度学习的空-谱联合(SSDL)特征提取算法来有效提取数据中的空-谱特征。该算法利用多层深度学习模型--堆栈自动编码机对高光谱数据进行逐层学习, 挖掘图像中的深层非线性特征, 然后再根据每个特征像元的空间近邻信息, 对样本深度特征和空间信息进行空-谱联合, 增加同类数据聚集性和非同类数据分散度, 提升后续分类性能。在帕维亚大学和萨利纳斯山谷高光谱数据集上进行地物分类实验: 在1%样本比例下, 地物总体分类精度达到了91.05%和94.16%; 在5%样本比例下, 地物总体分类精度达到了97.38%和97. 50%。结果表明: 由于SSDL特征提取算法融合了数据中深层非线性特征和空间信息, 能够提取出更具鉴别特性的特征, 较其他同类算法能够获取更高分类精度。

关于论文Learning Structural Node Embeddings via Diffusion Wavelets的小型报告类ppt