视频教程

视频教程

用Matlab实现主成分分析(PCA)算法(带论文).rar

本代码为主成分分析的matlab代码，使用一个简单例子对代码进行实现，对于数学建模中实现的matlab算法设计中有较大帮助，并且对于掌握使用matlab进行设计主成分分析方法有很好的借鉴作用

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：主成分分析_matlab.zip 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

基于主成分分析的人脸识别： 主成分分析（Principal Component Analysis,简称PCA）是最常用的一种降维方法。 我们首先从人脸数据库中读取图片，并把图片转换为数据存在矩阵中，然后把每一张图片的矩阵拉成列向量，把所有列向量装在一个矩阵里面。 然后用PCA对这个矩阵进行降维，即让矩阵中的每一个数据都减去数据的均值，然后对新形成的矩阵求它的协方差矩阵，再对这个协方差矩阵进行特征值分解得到特征值和特征向量，让特征向量按照特征值的大小进行从大到小的顺序排列，然后取前k个特征向量组成一个矩阵，让这个矩阵的转置左乘原来的协方差矩阵，得到的新矩阵就是降维后的数据。 然后分别读取一定数量的列向量（即图片）作为训练集图片，读取一定数量的作为测试集图片。之后用测试集里面的一张图片和训练集里面每一张图片的数据做差取绝对值，然后把得到的这些绝对值按从小到大的顺序进行排列。 之后用k近邻学习（k-Nearest Neighbor，简称kNN），选择排列在前k个最小距离所对应的图片序号，选择出现次数最多的图片序号，如果没有重复出现的，那么选择距离最小的，即排列第一的。

PCA是根据特征相关程度即协方差值加上线性变换的原理，得到的变换特征向量对应的特征值代表特征成分贡献值大小。 协方差只对特征之间的线性关系敏感，协方差越大，就越可能被去除，所以PCA只能去掉线性相关特征。

spss主成分分析插件，可以直接得到结果，不用一步一步算了

主成分分析降维代码（直接调用版）.doc

该脚本实现了用于人脸识别的经典二维主成分分析 (2DPCA)。 我使用简单的语句来简化对基于 2DPCA 的人脸识别的理解。 该脚本对于该领域的学生和研究很有用。 使用的数据集是 ORL AT&T 剑桥实验室 ( www.cl.cam.ac.uk/Research/DTG/attarchive:pub/data/att_faces.zip )，这里以 mat 格式 (ORL_FaceDataSet) 提供。