LU分解法，列主元三角分解法MATLAB代码，有详细注释，易于理解

为了说明什么是数据的主成分，先从数据降维说起。数据降维是怎么回事儿？假设三维空间中有一系列点，这些点分布在一个过原点的斜面上，如果你用自然坐标系x,y,z这三个轴来表示这组数据的话，需要使用三个维度，而事实上，这些点的分布仅仅是在一个二维的平面上，那么，问题出在哪里？如果你再仔细想想，能不能把x,y,z坐标系旋转一下，使数据所在平面与x,y平面重合？这就对了！如果把旋转后的坐标系记为x',y',z'，那么这组数据的表示只用x'和y'两个维度表示即可！当然了，如果想恢复原来的表示方式，那就得把这两个坐标之间的变换矩阵存下来。

采用K-L变换算法，将6维特征向量压缩为2维，图示压缩结果；

华电数值计算方法课本算法，包括列主元消去 LU分解 最小二乘法等九个算法

高斯消去法 包括顺序消去 列主元消去代码以及实验报告。具有较高精确度保证

包括主元分析的精炼介绍手册。斯坦福机器学习之主元分析笔记。核PCA的简练介绍文档。

一篇靠谱的文章，特征集生成的好方法。主元分析和神经网络进行特征集的选择，是不错的文章

应用统计主元分析例程，本例子提供例程，只需要将代码复制到Matlib中就可以运行，准确无误，适用于Matlib R2 018a版本

核主元分析 (Kernel Principal Component Analysis, KPCA) 语言：MATLAB 版本：V2.2 ----------------------------------------------------- 创作不易，欢迎各位5星好评~~~ 如有疑问或建议，请发邮件至：iqiukp@outlook.com 可提供关于该算法/代码的付费咨询和有偿编写 ----------------------------------------------------- 主要特点 1. 易于使用的 API 2. 支持基于 KPCA 的数据降维、特征提取、数据重构 3. 支持基于 KPCA 的故障检测和故障诊断 4. 支持多种核函数 (linear, gaussian, polynomial, sigmoid, laplacian) 5. 支持基于主元贡献率或给定数字的降维维度/主元个数选取 ----------------------------------------------------- 注意 1. 仅支持基于高斯核函数的故障诊断 2. 核函数的参数对KPCA 模型的性能影响很大 3. 此代码仅供参考

PCA主元分析方法中对主元个数确定目前没有非常好的办法，这里提供一个方便的方法来确定主元个数。matlab程序