人脸识别仿真,提取ORL人脸数据库的协方差矩阵S的特征值和特征向量,通过PCA降维后人脸识别+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。

fastPCA降维实现，把原先的n个特征用数目更少的m个特征取代，新特征是旧特征的线性组合，这些线性组合最大化样本方差，尽量使新的m个特征互不相关。从旧特征到新特征的映射捕获数据中的固有变异性,已通过测试可以使用。

维度灾难是机器学习任务中的常见问题，特征选择算法能够从原始数据集中选取出最优特征子集，降低特征维度.提出一种混合式特征选择算法，首先用卡方检验和过滤式方法选择重要特征子集并进行标准化缩放，再用序列后向选择算法（SBS）与支持向量机（SVM）包裹的SBS-SVM算法选择最优特征子集，实现分类性能最大化并有效降低特征数量.实验中，将包裹阶段的SBS-SVM与其他两种算法在3个经典数据集上进行测试，结果表明，SBS-SVM算法在分类性能和泛化能力方面均具有较好的表现.

MATLAB源码实现，LLE算法 内附小型人脸数据集，Olivetti 内附2个demo演示： 第1个demo---瑞士卷3维空间分布，嵌入2维空间，可视化效果 第2个demo---不同ID人脸图片，嵌入3维空间，可用于后续人脸识别，流形可视化

原创

利用pca将得到的高维特征向量集进行降维，注意看里面的注解，看到降维后的主分量就是你要的东西。可以运行，麻烦好评。谢谢

代码介绍：为PCA的Matlab实现，使用一张图片代替了多个向量数据的输入，自己可以进行更改即可，其中关于项目中的内容以及裁剪，基本保留了PCA的功能，是从PCA原理一步步实现的，可以起到较好的学习左右，了解到PCA的原理

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