机器学习深度学习+特征选择+Feature Selection

Good features to track. CVPR1994, pages 593–600

该论文介绍特征相似度用来评价图像质量，比较经典的算法，是各类先进算法的参考对象，值得学习。

DFT的matlab源代码钙钛矿电子结构特性的特征工程 该存储库包含python代码和原始数据，以重现Zheng Li，Luke E. Achenie和Hongliang Xin撰写的论文“一种自适应机器学习策略，以加快钙钛矿型电催化剂的发现”。 名为“ density_state_descriptor.py”的python文件包含通过密度泛函理论（DFT）计算的状态电子密度的所有特征函数。 名为“ compositional_descriptor.py”的文件包含基于钙钛矿结构中原子性质的描述符函数。 “ train.csv”和“ test.csv”包含用于模型训练和模型预测的所有数据。

matlab傅里叶描述子代码Image_Segmentation_and_Feature_Extraction 这是一个有4个任务的项目。 图像分割和特征提取技术是在MATLAB环境中实现的。 任务1 –全局阈值 该项目的第一个任务是编写一个实现迭代阈值的程序。 该程序将用于分割给定的图像。 算法方法在以下几点中定义： 选择T的初始估算值。 使用T分割图像。 计算G1和G2的平均值。 计算新的阈值Tnew = 0.5 *（m1 + m2）。 重复步骤2至4，直到T的变化足够小为止。 任务2 –大津的门槛 该项目的第二个任务是从头开始实施Otsu的最佳阈值算法。 Otsu的算法包括以下步骤： 计算输入图像的标准化直方图。 计算累积和P（k）。 计算累积均值m（k）。 计算总体强度平均值mg。 计算类间方差sigma（k）。 获得Otsu阈值Kopt作为具有最大sigma的k的值。 任务3 –链码 在这一部分中，我们给出了带有镜面噪声的圆形笔触图像。 该问题的目的是获得Freeman链码，最大对象的外边界的第一差以及该码的最小大小的整数。 任务4 –傅立叶描述符 该项目的最后一部分是关于傅

svm算法手写matlab代码使用HOG功能和SVM的手写数字识别 在这个知识库中，我将提供一个MatLab和一个Python，用于使用HOG功能和SVM进行手写数字识别。 MatLab和Python代码的结构相同，分为三（3）个部分： 步骤1：资料准备步骤2：HOG功能计算步骤3：设置并运行SVM 步骤1：资料准备 在代码的第一部分，加载了MNIST数据集[1]。 数据集与标签一起分为训练集和测试。 训练和测试集中的总位数分别为60000和10000。 标签是十（10）位数字（0到9）。 在MatLab中，每个数字由784个元素的向量表示。 784个元素的向量将在代码中稍后调整大小，以形成28x28像素的图像。 在Python中，由于每个数字均由28x28像素的图像表示，因此跳过了调整大小步骤。 步骤2：HOG功能计算 从每个28x28像素图像中计算出定向梯度直方图（HOG）特征向量[2]。 每个向量由324个元素组成。 整个324个元素的特征向量将在以后用于训练支持向量机（SVM）。 步骤3：设置并运行SVM 支持向量机（SVM）[3]是我在本示例中使用的多类分类器，用于对手写数字

一种新的基于特征选择的图同构算法在网络模体发现中的应用，呼加璐，孙玲，模体是在真实网络中出现频率明显高于随机网络中出现频率的子图。模体查找需要对出现的子图计数，因此引发了子图同构的问题。但是

采用波束成形技术的BER计算，数学方法是部分子空间法，结合PCA的尺度不变特征变换(SIFT)算法。

EMD for feature extraction

ITMO_FS Python中的功能选择库 套餐信息： 与安装 pip install ITMO_FS 当前可用的算法： 筛选器 包装纸 杂交种 嵌入式的 合奏 斯皮尔曼相关 添加删除 过滤器包装 莫斯 锂离子电池 皮尔逊相关 向后选择 苔藓 最好先 适合标准 顺序正向选择 RFE 最好的总和 F比 合格证 基尼指数 爬山 信息增益 最小冗余最大相关性 VDM 合格证 美格玛 说明文件：