特征提取

特征提取是指将原始数据转换为数字特征的过程，这些特征可以在保留原始数据集中信息的同时进行处理。它比直接对原始数据应用机器学习产生更好的结果．

特征提取可以手动或自动完成：

• 手动特征提取需要识别和描述与给定问题相关的特征，并实现提取这些特征的方法。在许多情况下，充分了解背景或领域有助于做出明智的决定，哪些功能可能有用。经过几十年的研究，工程师和科学家已经开发出图像、信号和文本的特征提取方法。一个简单特征的例子是信号中窗口的平均值。
• 自动特征提取使用专门的算法或深度网络从信号或图像中自动提取特征，无需人工干预。当您想要快速地从原始数据转移到开发机器学习算法时，这种技术非常有用。小波散射是自动特征提取的一个例子。

随着深度学习的兴起，特征提取在很大程度上已被深度网络的第一层所取代，但主要用于图像数据。对于信号和时间序列应用，特征提取仍然是第一个挑战，在建立有效的预测模型之前需要大量的专业知识。

信号和时间序列数据的特征提取

特征提取可以识别信号中最具鉴别性的特征，机器学习或深度学习算法可以更容易地利用这些特征。直接用原始信号训练机器学习或深度学习，由于数据率高和信息冗余，往往效果不佳。

信号特征与时频变换

在分析信号和传感器数据时，讯号处理工具箱™和小波工具箱™提供函数，让您测量信号在时间、频率和时频域的共同特征。您可以应用脉冲和跃迁度量，测量信噪比(SNR)，估计谱熵和峰度，并计算功率谱。

短时傅里叶变换（STFT）等时频变换可以用作机器学习和深度学习模型中训练数据的信号表示。例如，卷积神经网络（CNN）通常用于图像数据，可以成功地从时频变换返回的2D信号表示中学习。

根据具体应用或特性，可以使用其他时频转换。例如，常数Q变换（CQT）提供对数间隔的频率分布；连续小波变换（CWT）通常能有效地识别非平稳信号中的短时瞬变。

音频应用和预测维护功能

音频工具箱™提供了一组时频变换，包括Mel谱图、倍频和伽玛通滤波器组和离散余弦变换(DCT)，这些变换通常用于音频、语音和声学。其他常用的特征提取方法包括梅尔频率倒谱系数(MFCC)、伽玛通倒谱系数(GTCC)、音高、和声和不同类型的音频频谱描述符。的音频特征提取程序工具可以帮助选择和提取不同的音频特征从相同的源信号，同时重用任何中间计算的效率。

对于开发状态监测和预测性维护应用程序的工程师诊断功能设计器应用程序在里面预见性维护工具箱™让您提取、可视化和排序功能，以设计监视机器运行状况的条件指示器。

自动特征提取方法

新的高级方法已经出现，可以自动从信号中提取特征。自动编码器、小波散射和深度神经网络通常用于提取特征和降低数据的维数。

小波散射网络可以自动从实值时间序列和图像数据中提取低方差特征。这种方法产生的数据表示最小化了类内的差异，同时保留了类间的可区别性。小波散射在没有大量数据的情况下工作得很好。

图像数据的特征提取

图像数据的特征提取将图像中有趣的部分表示为一个紧凑的特征向量。在过去，这是通过专门的特征检测、特征提取和特征匹配算法来完成的。今天，深度学习在图像和视频分析中很流行，并因其能够将原始图像数据作为输入，跳过特征提取步骤而闻名。不管你采用哪种方法，计算机视觉应用，如图像配准、目标检测和分类，以及基于内容的图像检索，都需要图像特征的有效表示——要么通过深层网络的第一层隐式表示，或者明确应用一些长期存在的图像特征提取技术。

特征提取技术由计算机视觉工具箱™和图像处理工具箱™包括：

• 定向梯度直方图（HOG）
• 加速功能强大（SURF）
• 本地二进制模式（LBP）特征