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。

matlab嵌入三维函数代码NLPCA-SOM 使用自组织地图通过非线性主成分分析进行聚类-哥伦比亚西南部的降雨。 该GitHub是标题为“使用神经网络的哥伦比亚西南部每月降雨的区域化”的文章的一部分（请参阅参考资料）。 如果要使用这些代码，请参考： 特雷西塔州坎恰拉; 卡瓦哈尔·埃斯科巴尔（Yesid）， 威尔弗雷多（Wilfredo）的阿方索·莫拉雷斯（Alfonso-Morales）； 威尔玛·洛伊扎（Loaiza）； 还有爱德华多·卡塞多（Caicedo）； 使用神经网络对哥伦比亚西南部每月降雨进行分区。 方法X. 2020年。 抽象的 对降雨制度的了解是许多活动（如水资源管理，减轻风险，规划社会经济活动以及其他水文应用）所必需的先决条件。 本文采用非线性主成分分析（NLPCA）和自组织特征图（SOM）作为非线性技术，来识别哥伦比亚西南部每月降水的均匀区域。 SOM使用来自NLPCA的五个主要组成部分，该数据来自44个月度雨量观测站的网络。 这些组件表示从1983年1月到2016年12月的每个维度站的五个主要组件的尺寸缩减。 二维SOM表示两个群集将所有降雨量表分组。 异质性测

PCA主成分分析MATLAB实现代码

对图像进行主成分分析，来提取重要的信息。适用于变化检测

2.基于相关系数矩阵（标准化变量的主成分） 如果变量有不同的量纲，则必须基于相关系数矩阵进行主成分分析。不同的是计算得分时应采用标准化后的数据。（标准化变量的协方差矩阵就是原始变量的相关系数矩阵）

第一讲： 如何备战数学建模竞赛中的MATLAB编程 第二讲： MATLAB数学建模快速入门 第三讲： MATLAB数据建模方法(上)：常用方法 第四讲： MATLAB数据建模方法(下)：机器学习方法 第五讲： MATLAB优化模型求解方法(上)：标准模型 第六讲： MATLAB优化模型求解方法(下)：全局优化 第七讲： MATLAB连续模型求解方法 第八讲： MATLAB评价型模型求解方法 第九讲： MATLAB机理建模方法 第十讲： MATLAB CUMCM真题求解实例一：数据型 第十一讲： MATLAB CUMCM真题求解实例二：优化型 第十二讲： MATLAB CUMCM真题求解实例二：机理建模型