四、降维观测器 同维观测器（全维观测器）与原系统的维数相同，在受控系统维数很高时，观测器复杂程度随之提高，一种降低观测器维数的方法是利用输出量y对部分状态进行估计。 龙伯格降维观测器就是利用系统p个输出量，致使观测器维数减少到n-p维 构造这种观测器，要求： 1）系统完全能观 2）输出阵C应为满秩，即rank C=p

使用空间光谱薛定谔特征图 (SSSE) 算法对高光谱图像进行降维和分类，如论文中所述： 1) ND Cahill、W. Czaja 和 DW Messinger，“具有非对角线潜力的高光谱图像空间光谱聚类的薛定谔特征图”，Proc。 SPIE 防御与安全：多光谱、高光谱和超光谱图像的算法和技术 XX，2014 年 5 月。 2) ND Cahill、W. Czaja 和 DW Messinger，提交了“用于高光谱图像的降维和分类的空间光谱薛定谔特征图”。 此示例脚本还使用支持向量机执行分类，如论文 2 中所述。

pca的基础程序，详细阐述了pca的用法和编写过程，有助于新接触者更好的理解pca的原理和步骤，利于完成特征降维的基础理解

大数据-算法-集合降维变分方法及其在全球谱模式T106中的应用研究.pdf

大数据-算法-高维数据的降维理论及应用.pdf

大数据-算法-高维数据分析中的降维方法研究.pdf

大数据-算法-非线性过程监测中的数据降维及相关问题研究邵纪东.pdf

kpca提出者自己编写的matlab程序

matlab非参数代码HOPGD-sHOPGD HOPGD，Higher-Order Proper Generalized Decomposition的缩写，是一种多维数组分解方法。 与 PARAFAC 类似，它可用于将多维数组压缩为多个简单向量。 但不同的是，它自动确定给定近似精度所需的向量数量。 除了数据压缩之外，HOPGD 还可用于降阶代理建模、模型校准和优化、不确定性量化以及复杂系统的实时仿真。 该网站总结了我们最近在 HOPGD 方面的工作并分享了一些实现示例。 如果您使用这些代码，请考虑引用我们的工作。 标准实施 HOPGD 的标准实现基于所有组件的已知值的全阶数组。 全阶数组的一个示例是由 N^2 给定值实现的 N×N 矩阵。 使用 HOPGD 可以显着减少此类矩阵的存储内存。 可以在下面找到与此实现相关的应用程序 Lu, Y.、Blal, N. 和 Gravouil, A.（2018 年）。 用于参数研究的多参数时空计算 vademecum：在实时焊接模拟中的应用。 分析和设计中的有限元。 Blal, N., & Gravouil, A. (2019)。 基于非侵入式数

利用半监督降维算法预测蛋白质亚细胞位置