PCA算法MATLAB

9-LDA与PCA算法.7z

lda pca的人脸识别技术研究

matlab聚类分析中的pca方法程序。可以执行。需要matlab版本2014以上

针对传统主成分分析法在特征提取中出现的耗时过长、平均对待所有像素点等问题，提出一种双中心羽化加权双向PCA（Bidirectional WPCA，BD-WPCA）的算法。算法首先将训练人脸样本和测试人脸样本图片进行双中心羽化加权处理，以增加人脸主要器官在识别中所占的比重；再用双向PCA算法分别在行和列方向上降维并提取特征；最后用K近邻法匹配分类。该算法在降低运算耗费时间，具有可行性。

基于PCA人脸识别代码

PCA / OPLS-DA 用于使用auto-py-to-exe制作可执行程序的Python代码。 可以使用GUI执行过滤，PCA和OPLS-DA。 概述 使用rpy2包在python上运行基于R的代码。 R中使用的ropls软件包执行PCA和OPLS-DA 使用tkinter为程序创建GUI 用法 在local.bat中运行InstallRPackage.py 。 它将安装程序所需的所有R软件包。 使用auto-py-to-exe创建可执行文件。 将Excel工作表放在Data文件夹中并运行程序。 界面 1.过滤器 基于t检验，删除带有“控件”的同一组中的所有列。 文件名：excel文件名。 工作表名称：包含数据的工作表名称。 元数据：Excel中包含元数据的列索引。 控件名称：Excel中包含的行号 筛选器：在数据目录中创建一个名为“ File Name_filt

PCA和KPCA及TSNE降维及二维三维可视化特征matlab程序包。 代码为博主自己编写，注释超详细，可设置多种参数，自己用直接换数据文件名称即可。 亲测可用，主程序里直接有三种方法对比可视化对比图，直接运行主程序即可！ 适用人群：信号处理，机器学习，深度学习研究者对信号进行特征分析以及特征提取。 KPCA核心：用核函数将数据实现非线性映射，然后再使用PCA进行降维 t-SNE数据算法的目的 主要是将数据从高维数据转到低维数据，并在低维空间里也保持其在高维空间里所携带的信息（比如高维空间里有的清晰的分布特征，转到低维度时也依然存在）。 TSNE目的：将高维数据降维并进行可视化，输入的数据为N个样本，每个样本具有M个特征（N_sample，M_feature）。输入的标签（N_sample，）。 基本原理：通过映射变换将每个数据点映射到相应的概率分布上。具体的是，在高维空间中使用高斯分布将距离转换为概率分布，在低维空间中，使用长尾分布来将距离转换为概率分布，从而是的高维度空间中的中低等距离在映射后能够有个较大的距离，使得降维时能够避免过多关注局部特征，而忽视全局特征。

K-L变换(PCA)在人脸识别中的应用，很详细的讲解了PcA 和它的应用

PCA(principal Component Analysis)，即主成分分析方法，是一种使用最广泛的数据压缩算法。在PCA中，数据从原来的坐标系转换到新的坐标系，由数据本身决定。转换坐标系时，以方差最大的方向作为坐标轴方向，因为数据的最大方差给出了数据的最重要的信息。第一个新坐标轴选择的是原始数据中方差最大的方法，第二个新坐标轴选择的是与第一个新坐标轴正交且方差次大的方向。重复该过程，重复次数为原始数据的特征维数。