1.還用小波包分解并尋找最優(yōu)小波包基進(jìn)行字符的特征提取。
2.特征提取是往復(fù)泵狀態(tài)監(jiān)測(cè)及故障診斷的關(guān)鍵環(huán)節(jié)。
3.特征提取是葡萄干等級(jí)檢測(cè)的基礎(chǔ)，該文在研究極慣性矩計(jì)算長(zhǎng)短軸方法的基礎(chǔ)上，提出一種利用數(shù)值微分法進(jìn)行長(zhǎng)短軸檢測(cè)的新方法。
4.針對(duì)無指針式儀表表盤的數(shù)字識(shí)別問題，提出一種基于特征提取和粗糙集特征約簡(jiǎn)的神經(jīng)網(wǎng)絡(luò)數(shù)字識(shí)別方法。
5.針對(duì)感應(yīng)電動(dòng)機(jī)軸承故障特征提取的不足，提出了瞬時(shí)功率小波包分解的方法。
6.路面不平度識(shí)別的關(guān)鍵之一是特征提取.
7.針對(duì)冷軋帶鋼表面缺陷圖像特征提取的特點(diǎn)，提出了基于類距離可分離性判據(jù)的混合特征提取方法。
8.第二種是運(yùn)用多種正交變換結(jié)合的算法對(duì)回波進(jìn)行特征提取工作。
9.該算法將人臉特征提取與圖像復(fù)合相結(jié)合，無需3維人臉模型重建，自動(dòng)合成具有源圖像主要五官特征的結(jié)果圖像。
10.然后對(duì)二值化的圖像進(jìn)行特征提取，獲得疵病的數(shù)字化信息和特征向量。
11.線性判別分析是一種較為普遍的用于特征提取的線性分類方法。
12.針對(duì)無指針式儀表表盤的數(shù)字識(shí)別問題，提出了一種基于特征提取和粗糙集特征約簡(jiǎn)的神經(jīng)網(wǎng)絡(luò)數(shù)字識(shí)別方法。
13.研究了城鎮(zhèn)與鄉(xiāng)村居民地在TM圖像上的影像特征，并對(duì)多個(gè)波段影像進(jìn)行了居民地特征提取對(duì)比分析。
14.粗鋁絲超聲引線鍵合；換能器驅(qū)動(dòng)電流；信號(hào)時(shí)頻分析；特征提取；質(zhì)量在線監(jiān)測(cè)。
15.然后，系統(tǒng)可以將圖像分成2x3灰階像素的小塊，每個(gè)小塊包含一個(gè)字符；這是上圖顯示的特征提取步驟。
16.本文在分析形態(tài)學(xué)算子特點(diǎn)的基礎(chǔ)上，提出了基于形態(tài)學(xué)變換色差的水域特征提取策略。
17.充分利用雙樹復(fù)小波變換的旋轉(zhuǎn)不變性、良好的方向選擇性以及有限的冗余等優(yōu)點(diǎn)，將其有效地應(yīng)用于紋理特征提取過程中。
18.應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)字進(jìn)行識(shí)別，其圖像的預(yù)處理采用去除雜點(diǎn)方法去除噪聲，使用逐像素特征提取方法進(jìn)行特征向量的提取。
19.計(jì)算機(jī)輔助骨齡測(cè)定系統(tǒng)使用數(shù)字圖像處理技術(shù),通過對(duì)圖像的特征提取實(shí)現(xiàn)對(duì)骨齡的自動(dòng)判定.
20.本文結(jié)合作者參加的八六三項(xiàng)目，對(duì)三維環(huán)境下的CAPP系統(tǒng)研制開發(fā)中的兩個(gè)關(guān)鍵技術(shù)：三維零件特征提取和基于遺傳算法的工藝排序進(jìn)行了研究和探討。
21.對(duì)于由全景視覺系統(tǒng)采集到的全景圖像，本文采用對(duì)光線不敏感的HSI顏色模型進(jìn)行顏色標(biāo)定，利用游程編碼進(jìn)行圖像分割，并在此基礎(chǔ)上進(jìn)行球、球門、角柱和白線的特征提取。
22.研究表明，同態(tài)濾波技術(shù)是一種行之有效的齒輪低頻故障特征提取技術(shù)。
23.本文利用大規(guī)模集成電路一開關(guān)電容濾波器SCF作為語音特征提取的基本組件，以微機(jī)為控制中心，設(shè)計(jì)了時(shí)分復(fù)用動(dòng)態(tài)語譜分析系統(tǒng)。
