1) layer features extraction
层次特征提取
2) multi level feature selection
多层次特征提取
1.
To improve the classification performance,this article puts forward the multi level feature selection method and the kernel based distance weighted KNN algorithm.
为了提高分类性能 ,本文提出了中文文本多层次特征提取方法和基于核的距离加权KNN算法。
3) Layered Features Extraction
分层次特征提取
4) further feature extraction
二次特征提取
1.
Further Feature Extraction and Its Application on Speaker Recognition;
二次特征提取及其在说话人识别中的应用
5) Low-level feature extract
低层特征提取
6) feature extraction
特征提取
1.
Feature extraction from carbon fiber composites ultrasonic signals based on wavelet packet transform;
基于小波包变换的复合材料超声波检测信号特征提取
2.
New feature extraction method for laser-induced fluorescence spectra;
一种激光诱导荧光光谱特征提取新方法
3.
Statistics analysis and feature extraction of EEG for imaging left-right hands movement;
基于想象左右手运动脑电特征提取及其统计特性分析
补充资料：特征提取
特征提取
feature extraction
t6Zheng tiqu特征提取(featu了eextraction)特征选择与提取的通称。特征选择和提取是模式识别的关键环节，其任务是压缩存在于表示模式的原始测量数据中的冗余和无关的信息，提取一组对分类最有效的特征参数，以减少计算工作量，提高分类器的性能。特征参数可以从输人模式信息中选出一个子集构成，这一过程称为特征选择。新的特征参数也可以通过降维变换获得，即将输人模式从较高维数的测量空间变换到较低维数的特征空间，以一个低维特征向量表示输人模式，这一过程称为特征提取。 由于特征提取的任务是求出一组对分类最有效的特征，因此首先需要一个能定量评估特征有效性的准则。分类器的误识概率可作为理想的准则，但由于估计误识概率的分布非常困难，实用时往往以其他一些准则代替。常用的准则有:基于概率距离的准则，基于类间距离的准则，基于墒函数的准则等。应用上述准则，可以通过分支定界和顺序搜索等优化算法，求得一个最优的或次优的特征集。近年来基于人工智能的启发式算法也在特征选择中得到应用。在进行降维变换以实现特征提取时，考虑到可分析性和计算可行性，一般采用线性变换方法，.最常用的是以K一L扩展为基础的线性变换。(黄泰冀)
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条