Torch7的分解模块 主成分分析 (PCA) 白化主成分分析 (W-PCA) 线性判别分析 (LDA) 局部保护投影 (LPP) 邻里保护预测 (NPP) 快速独立分量分析 (FastICA) 约翰-亚历山大·阿塞尔 安装 克隆此存储库或下载源代码。 用法 调用decomposition = require "decomposition" ，然后是以下任何一项： decomposition.pca(x) , decomposition.lda(x, y) , decomposition.lpp(x) , decomposition.npp(x) , decomposition.fastica(x) 。 或者，您可以使用 iTorch notebook 并打开decomposition.ipynb 。 贡献 叉它！ 创建您的功能分支： git checkout

基于主成分分析的点云平面拟合——测试数据

Matlab代码verilog 用于图像压缩的32x32灰度图像的主成分分析 使用的技术：Verilog，Matlab编程语言，FPGA Zynq，浮点单元。 使用的软件：ISE设计套件14.7，Matlab 2018a（带HDL编码器）。 概括： 我们制作了一个Matlab程序，可以找到“ n”维灰度图像的特征值和特征向量。 之后，我们必须用硬件描述语言Verilog来实现，然后将代码转储到FPGA上。 学习成果：我们学习了如何压缩图像。

课程设计：数字图像处理之基于matlab主成分分析的人脸二维码识别

基于主成分分析和变异系数的改进的亲和力传播聚类算法

深度学习是当前人工智能领域广泛使用的一种机器学习方法.深度学习对数据的高度依赖性使得数据需要处理的维度剧增，极大地影响了计算效率和数据分类性能.本文以数据降维为研究目标，对深度学习中的各种数据降维方法进行分析.在此基础上，以Caltech 101图像数据集为实验对象，采用VGG-16深度卷积神经网络进行图像的特征提取，以PCA主成分分析方法为例来实现高维图像特征数据的降维处理.在实验阶段，采用欧氏距离作为相似性度量来检验经过降维处理后的精度指标.实验证明：当提取VGG-16神经网络fc3层的4096维特征后，使用PCA法将数据维度降至64维，依然能够保持较高的特征信息.

主成分分析 PCA 推导过程 案例分析

基于主成分分析法的城市竞争力评价模型，曹朋，郝蒙蒙，城市的综合竞争力对城市未来的发展有重要的影响，本文利用主成分分析法建立一个评价模型，而一个城市的综合竞争力取决于该城市的

首先，读取利用数据绘制了31个省份的直方图和曲线图并进行分析；其次，利用手肘法确定K均值聚类的K值并对数据31个样品进行K均值聚类；再次；利用K均值聚类的效果，采用同样分类个数的模糊C均值聚类方法对31个样品再次聚类，并得到了每个样品聚类的结果和概率；最后，根据原始数据求得其协方差矩阵并进行主成分分析，基于生活经验与查阅资料对主成分进行解释和验证。

som matlab代码自组织图 用于自组织地图（SOM）等的Matlab工具箱。 SOM Toolbox 2.0是用于实现自组织地图算法的Matlab 5的软件库，由Esa Alhoniemi，Johan Himberg，Jukka Parviainen和Juha Vesanto版权所有（C）1999。 运行SOM代码 运行主Matlab文件需要该目录中的所有文件：'data2kde2som'。 该文件将分类（即合并）的数据转换为内核密度估计，然后通过Vesanto等人的SOM功能运行该估计。 需要两个（CSV）输入来运行“ data2kde2som” ：( 1）bin_midpoints（分类数据的每个bin的中点）和（2）适合您的bin的数据（每行代表每个点的数据分布）。 执行主成分分析（PCA） 还有一个名为“ pca_surrey”的文件，对两个文件执行PCA（与SOM输出进行比较）。