提出了一种基于小波矩不变量和保局投影(LPP)的特征提取方法,并应用于中厚板表面缺陷自动识别.首先对图像做三级小波变分解,将中厚板表面图像的细节分解到各个尺度的各个分量中并利用小波阈值收缩法降噪;然后对各分量的傅里叶幅值谱提取Hu不变矩作为原始特征向量,并利用LPP将该特征向量的维数从77维降到8维;最后利用AdaBoost分类器对样本进行分类识别.实验结果表明,本文提出的特征提取方法适用于中厚板表面缺陷分类,识别率达到91.60%

概论
基准 (Datum) 为特征之一种
基准之主要用途：建立 3D 几何设计时之参考资料 − 例如：一个孔特征可以一轴线当成其中心线，此轴线可作为孔半径 标注之基准，亦可建立相对于孔轴线之其它特征
基准可分为：基准面 (Datum plane)、轴线 (Datum axis)

4.2多维随机变量的特征函数 一、多维随机变量的特征函数

为探究新型混凝土受硫酸盐侵蚀后的力学性能，采用质量分数为5%的硫酸盐溶液全浸泡加速侵蚀法，对11组聚丙烯纤维混凝土（PC）试块、11组聚丙烯纤维锂渣混凝土（PLiC）试块、8根PC大偏心受压柱和8根PLiC大偏心受压柱进行侵蚀试验，得到了不同侵蚀时间下混凝土的力学性能。基于分形理论分析了试块及构件破坏时表面裂缝分布的分形特征，详细讨论了试块及构件表面裂缝分形维数与其侵蚀时间、抗压强度、极限承载力之间的关系。研究表明，PC和PLiC立方体抗压强度随侵蚀天数先增加后降低，在120 d达到最大；试块及构件破坏时表面裂缝分布具有分形特征，试块表面裂缝分形维数随侵蚀天数的增加呈现先增加后减少再增加的规律，随试块抗压强度的提高而减少；PC及PLiC混凝土大偏心柱极限承载力随侵蚀天数的增加先增加后减少，锂渣的掺入可以提高聚丙烯纤维混凝土柱的抗硫酸盐侵蚀能力，构件破坏时表面裂缝分形维数随硫酸盐侵蚀天数呈现震荡上升的趋势；因此混凝土表面裂缝的分形特征可作为判定构件损伤程度的指标之一，可为今后对在役混凝土结构承载力和寿命预测提供参考

4.1一维特征函数的定义及性质 一、特征函数的定义及例

中文电子病历文本包含大量嵌套实体、句子语法结构复杂、句式偏短。为有效识别其医疗实体，提出一种融合多特征嵌入与注意力机制的命名实体识别算法，在输入表示层融合字符、单词、字形三个粒度的特征，并在双向长短期记忆网络的隐含层引入注意力机制，使算法在捕获特征时更加关注于医疗实体相关的字符，最终实现对中文电子病历中疾病、身体部位、症状、药物、操作五类实体的最优标注。面向开源和自建糖尿病数据集的实验结果中所提算法的实体识别准确率、召回率和F1值都达到97%以上，表明其可以更加有效地识别中文电子病历中各类实体

一、线性变换的特征值和特征向量的概念

前列腺核磁超声图像配准融合有助于实现前列腺肿瘤的靶向穿刺。传统的配准方法主要是针对手动分割的前列腺核磁（Magnetic resonance, MR）和经直肠超声（Trans-rectal ultrasound, TRUS）图像上对应的生理特征点作为参考点，进行刚体或非刚体配准。针对超声图像因成像质量低导致手动分割配准效率低下的问题，提出一种基于监督学习的前列腺MR/TRUS图像自动分割方法，与术前核磁图像进行非刚体配准。首先，针对图像分割任务训练前列腺超声图像的活动表观模型（Active appearance model, AAM），并基于随机森林建立边界驱动的数学模型，实现超声图像自动分割。接着，提取术前分割的核磁图像与自动分割的超声图像建立轮廓的形状特征矢量，进行特征匹配与图像配准。实验结果表明，本文方法能准确实现前列腺超声图像自动分割与配准融合，9组配准结果的戴斯相似性系数（Dice similarity coefficient, DSC）均大于0.98，同时尿道口处特征点的平均定位精度达1.64 mm，相比传统方法具有更高的配准精度

提出了一种联合多种边缘检测算子的无参考质量评价算法，同时考虑一阶和二阶边缘算子，避免了单一算子的局限性.该方法首先将彩色图像转换为灰度图像，然后计算灰度图像的梯度，相对梯度以及LOG特征.本文所使用的特征分为两部分，一部分提取相对梯度方向的标准差，另一部分利用条件熵来量化不同特征之间的相似性和相互关系，并且考虑到人眼特性进行多尺度计算，最后使用自适应增强（AdaBoost）神经网络进行训练和预测.在公共数据库LIVE和TID2008上进行实验，结果表明新方法对失真图像的预测评分与主观评分有较高的一致性，能很好地反映图像质量的视觉感知效果，仅使用10维特征，性能优于现有的主流无参考质量评价算法

一、明确基于特征、案例维归约与技术归约的区别。 二、解释数据挖掘过程的预处理阶段中进行数据归约的优点。 三、应用相应的统计方法,理解特征选择和特征 构成的基本原则。 四、理解特征等级主成分分析方法。 五、区别基于增量和平均样本的案例中的技术