无线电信号的调制类型识别是信号检测与解调的中间步骤，已有的研究表明利用深度学习技术能高效地识别无线电信号调制类型。但对于低信噪比区间内识別准确率骤降的冋题，仍没有一种较妤的解决方案。受到深度学习在

为提高心电信号分类识别的准确率，提出一种基于时频特征融合与动态模糊决策树的心电信号分类识别方法。对心电信号依次进行周期分割、小波包分解与重构和形态识别处理，将小波包变换系数矩阵的二范数作为频域特征

利用单尺度特征映射进行多尺度行人检测存在准确率和效率较低的问题。为此，提出一种基于多分辨率滤波通道的多尺度检测方法。应用尺度感知池增强感受域对应性，通过软决策树实现尺度不变性，在使用滑动窗分类策略

为提髙瓦斯突出风险预测的准确率和效率，在极限学习机（ELM）模型的基础上构建预测模型ACFA-ELI釆用核线性鉴别分析（KLDA）对瓦斯突出样本数据进行特征抽取，利用代价敏感思想修正ELM适应度函数

目前行为识别方法更关注动作本身，但短视频中包含的信息比较少，需要利用视频中的多种特征信息，提高任务行为识别的准确率。因此，对基于场景和行为联合特征的短视频行为识别方法进行了研究，利用场景信息作为