特征提取

特征提取是指将原始数据转化为可以处理的数字特征的过程，同时保留原始数据集中的信息。与直接将机器学习应用于原始数据相比，它能产生更好的结果。

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，对背景或领域有很好的理解可以帮助做出明智的决定，确定哪些特征可能有用。经过几十年的研究，工程师和科学家已经开发出了图像、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。当你想要快速地从原始数据转移到开发机器学习算法时，这种技术会非常有用。小波散射就是自动特征提取的一个例子。

随着深度学习的发展，特征提取在很大程度上已经被第一层深度网络所取代——但主要是用于图像数据。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消耗这些特征。直接用原始信号训练机器学习或深度学习，由于数据率高、信息冗余，往往会产生较差的结果。

信号特征和时频变换

在分析信号和传感器数据时，信号处理工具箱™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独特特征。您可以应用脉冲和跃迁度量，测量信噪比(SNR)，估计频谱熵和峰度，并计算功率谱。

时频变换，比如短时傅里叶变换(STFT)，可以作为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(CNNs)通常用于图像数据，可以成功地从时频变换返回的二维信号表示中学习。

根据具体应用或特性，还可以使用其他时频转换。例如，常量- q变换(CQT)提供了对数间隔的频率分布;连续小波变换(CWT)通常可以有效地识别非平稳信号中的短时瞬态。

音频应用和预测性维护功能

音频工具箱™提供了一组时频转换，包括梅尔谱图、八度音阶和伽玛通滤波器组以及离散余弦变换(DCT)，它们通常用于音频、语音和声学。对于这些类型的信号，其他流行的特征提取方法包括梅尔频率倒谱系数(MFCC)、伽matone倒谱系数(GTCC)、音高、谐性和不同类型的音频谱描述符。的音频特征提取器工具可以帮助从相同的源信号中选择和提取不同的音频特征，同时重用任何中间计算的效率。

为工程师开发应用程序的状态监测和预测性维护，该Diagnostic Feature Designer app在预见性维护工具箱™让您提取、可视化和排序特征，以设计用于监视机器运行状况的条件指示器。

自动特征提取方法

自动特征提取是完整的一部分AutoML提供优化模型的工作流。工作流包含三个简单的步骤，自动化特征选择、模型选择和超参数调优。

从信号中自动提取特征的新高级方法已经出现。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可以最小化类内的差异，同时保留类间的可辨别性。当你一开始没有很多数据时，小波散射可以很好地工作。

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作为一个紧凑的特征向量表示出来。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。如今，深度学习在图像和视频分析中普遍存在，并以其将原始图像数据作为输入，跳过特征提取步骤的能力而闻名。无论你采用哪种方法，计算机视觉诸如图像配准、物体检测和分类以及基于内容的图像检索等应用，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，要么显式应用一些长期存在的图像特征提取技术。

提供的特征提取技术计算机视觉工具箱™和图像处理工具箱™包括:

• 定向梯度直方图(HOG)
• 加速鲁棒特征(SURF)
• 局部二元模式(LBP)特征