算法思路是首先建立kd树，然后找到每个点距离最近的点的距离，对距离求和再求平均即可。
代码如下：
1 clear all;
2 close all;
3 clc;
4
5 pc = pcread('rabbit.pcd');
6 pc = pcdownsample(pc,'random',0.1); %降低一下数据量
7 pc_point = pc.Location';
转载
2020-09-10 14:28:00
792阅读
2评论
1. 基本方法周期图法是直接将信号的采样数据x(n)进行Fourier变换求取功率谱密度估计的方法。假定有限长随机信号序列为x(n)。它的Fourier变换和功率谱密度估计存在下面的关系： &nbs
转载
2024-08-19 12:54:21
115阅读
前置知识：1.协方差矩阵的定义与计算：https://blog.csdn.net/mr_hhh/article/details/784905762.matlab批量读取图片（原创）：https://blog.csdn.net/qq_42138454/article/details/1022491763.写了一段，是没有错误的，但是不知道所谓“投影到特征空间”是什么意思，...
原创
2021-11-10 13:32:43
250阅读
特征选择是机器学习中非常重要的一步，在训练模型之前，我们需要选择合适的特征来进行预测。特征选择的目的是从原始数据中选择一部分特征，使得选出的特征能够更好地表示样本的特征，提高模型的准确性和泛化能力。特征选择的方法有很多种，其中一种常用的方法是基于特征的概率密度函数进行选择。
特征的概率密度函数描述了特征的分布情况，可以通过概率密度函数来计算特征的重要性。如果一个特征的概率密度函数在不同类别的样本
原创
2023-12-05 08:29:30
124阅读
1 简介语音识别是处理语音信号的重要问题,当今社会,人工智能技术发展迅速,语音识别技术已经发展成为行业领域前列的先进技术.在以后的发展过程语音识别技术仍将发挥重大作用.语音信号是一种冗余度较高的非平稳随机信号,只有在短时间内才认为变化时缓慢的,在这个短的时间区间内语音信号特征保持稳定.因此,本课题提取小波变换、EMD分解、MEL倒谱特征、傅里叶变换信号。2 部分代码function varargo
原创
2022-03-15 10:27:56
547阅读
1.算法描述SIFT 是一种从图像中提取独特不变特征的方法，其特点为基于图像的一些局部特征，而与图像整体的大小和旋转无关。并且该方法对于光照、噪声、仿射变换具有一定鲁棒性，同时能生成大量的特征点。SIFT (Scale-invariant feature transform)， 尺度不变特征转换，是一种图像局部特征提取算法，它通过在不同的尺度空间中寻找极值点（特征点，关键点）的精确定位和主方向，构
转载
2023-10-07 15:06:10
155阅读
算法思想：如果一个像素与它邻域的像素差别较大（过亮或过暗） , 那它更可能是角点。
算法步骤：
1.上图所示，一个以像素p为中心，半径为3的圆上，有16个像素点（p1、p2、...、p16）。
2.定义一个阈值。计算p1、p9与中心p的像素差，若它们绝对值都小于阈值，则p点不可能是特征点，直接pass掉；否则，当做候选点，有待进一步考察；
3.若p是候选点，则计算p1、p9、p5、p13与中心p
转载
2020-09-10 14:39:00
565阅读
2评论
说明：本博文假设你已经做好了自己的数据集，该数据集格式和VOC2007相同。下面是训练前的一些修改。（做数据集的过程可以看） Faster-RCNN源码下载地址：Matlab版本：https://github.com/ShaoqingRen/faster_rcnnPython版本:https://github.com/rbgirshick/py-faster-rcnn本文用到的是Matl
转载
2024-04-25 12:10:50
87阅读
一幅图像的纹理是在图像计算中经过量化的图像特征。图像纹理描述图像或其中小块区域的空间颜色分布和光强分布。纹理特征的提取分为基于结构的方法和基于统计数据的方法。一个基于结构的纹理特征提取方法是将所要检测的纹理进行建模，在图像中搜索重复的模式。该方法对人工合成的纹理识别效果较好。但对于交通图像中的纹理识别，基于统计数据的方法效果更好。LBP方法(Local binary patterns)是一个计算机
转载
2024-01-22 12:33:25
56阅读
物体识别：SIFT 特征；
人脸识别：LBP 特征；
行人检测：HOG 特征；
0. 常见手工设计的低级别特征
manually designed low-level features
语音：高斯混合模型和隐马尔可夫模型；
Gabor features for : texture classification
Local Binary Patterns (LBP) for: face classi
转载
2017-05-07 15:01:00
413阅读
物体识别：SIFT 特征；人脸识别：LBP 特征；行人检测：HOG 特征；
0. 常见手工设计的低级别特征manually designed low-level features
语音：高斯混合模型和隐马尔可夫模型；
Gabor features for : texture classification
Local Binary Patterns (LBP) for: face classifi
转载
2017-05-07 15:01:00
152阅读
1.不精确set(gca,'XMinorTick','on') 这样的话知识x轴显示了细的密度，网格线并没有变。2.精确 set(gca,'xtick',-1:0.1:1); set(gca,'ytick',-1:0.1:1);
转载
2015-09-20 18:06:00
726阅读
2评论
功率谱密度估计方法的matlab实现.doc 1 / 13 功率谱密度估计方法的MATLAB 实现 在应用数学和物理学中，谱密度、功率谱密度和能量谱密度是一个用于信号的通用概 念，它表示每赫兹的功率、每赫兹的能量这样的物理量纲。在物理学中，信号通常是波的 形式，例如电磁波、随机振动或者声波。当波的频谱密度乘以一个适当的系数后将得到每 单位频率波携带的功率，这被称为信号的功率谱密度(power sp
转载
2024-01-16 23:56:00
37阅读
%%=========================================================================
% 函数名称：cnnsetup
% 输入参数：net，待设置的卷积神经网络；x，训练样本；y，训练样本对应标签；
% 输出参数：net，初始化完成的卷积神经网络
% 主要功能：对CNN的结构进行初始化
% 算法流程：1）
% 注意事项：1）isOc
转载
2024-04-15 15:10:32
58阅读
# MATLAB 深度学习：提取波形特征
## 引言
深度学习是一种非常强大的机器学习方法，可以在各种领域中进行图像识别、语音识别和自然语言处理等任务。然而，深度学习不仅局限于处理视觉和语音数据，也可以用于处理其他类型的数据，比如波形数据。在本文中，我们将介绍如何在 MATLAB 中使用深度学习方法来提取波形数据的特征。
## 什么是波形特征？
波形特征是指从波形数据中提取出来的有意义的信
原创
2023-10-09 05:14:45
1043阅读
定义: 将数据转换为能更好地表示潜在问题的特征，从而提高机器学习性能。主要有以下五个部分 数据理解（主要在EDA部分完成） 数据清洗 特征构造 特征选择 类别不平衡问题解决数据清洗（注意，这部分只在训练集上进行） 目的:提高数据质量，降低算法用错误数据建模的风险 1. 特征变换: 模型无法处理或者不适合处理的特征对其进行变换 a) 定性变量编码: Label Encoder
转载
2023-12-19 17:26:45
60阅读
matlab求矩阵特征值和特征向量 >> A1 A1 = 1 2 2 2 1 -2 2 -2 1 >> >> >> [X,B]=eig(A1) X = 0.5774 -0.5661 0.5883 -0.5774 -0.7926 -0.1961 -0.5774 0.2265 0.7845 B = -3
转载
2020-11-01 18:16:00
1618阅读
2评论
基于密度的聚类算法（1）——DBSCAN详解基于密度的聚类算法（2）——OPTICS详解基于密度的聚类算法（3）——DPC详解1. OPTICS简介 上一节介绍的DBSCAN算法中，较小的eps将建立更多的簇，而较大的eps将吞并较小的簇建立更大的簇。而OPTICS（Ordering Points to identify the clustering structure）算法，翻译为对点排序以
转载
2024-06-11 22:46:22
123阅读
下面是一个简单的使用MATLAB进行石墨烯载流子密度仿真的代码示例：% 定义仿真参数
L = 100; % 石墨烯区域长度
W = 50; % 石墨烯区域宽度
dx = 1; % 离散步长
dy = 1;
D = 10; % 扩散系数
dt = 0.1; % 时间步长
T = 100; % 总仿真时间
% 初始化载流子密度矩阵
n = zeros(W, L);
% 进行仿真计算
原创
2023-08-16 08:58:36
133阅读
最近要用到随机森林，于是乎对它的原理了解了一番，并做了一下算法的实现。本次实现是用于分类问题的，如果是回归问题，分裂规则不一样，我还没有实现..... 下面的原理摘自别人的笔记，如果了解决策树CART的构建规则ID3或者C4.5的话，这部分原理的内容应该还比较容易理解。----------------------------
转载
2024-05-09 15:18:59
44阅读
