1、实现PCA算法的人脸重构，即用20,40,60,80,...,160个投影来重构图像的效果。 2、实现PCA算法的人脸识别，给出 10,20,30,...,160维的人脸识别识别率。 3、用PCA用来进行人脸图像降维，实现3个不同数据集多个子集的二维和三维空间实现数据的可视化。 4、同时设计一个新的PCA算法，内容简要写在实验报告中，并与经典PCA比较。（详细内容可另写成一篇论文提交到“论文提交处”。）

利用PCA主成分分析，对人脸图像进行降维压缩，之后重构人脸图像。

TheUnscrambler如何做PCA.PDF

快速为您的 PCA 结果绘制更好的图！ 标记您的数据点，以便您可以更轻松地查看它们并进行比较！ 试试这个： 数据 = randint（30,20）； [coeff,~,~,~,explained] = pca(data); h = pca_plot(coeff,explained,num2cell(1:20),[],'.');

此类计算概率主成分分析器的混合来自没有点对点对应关系的空间点云。 如果点云代表形状，模型生成形状簇地图集，计算每个集群中的平均形状和变化模式。 数据似然的计算下界 (LB) 可用于自动模型选择（即集群的数量、变化的模式等）。 用法： >> vB = vBMixPCA('pointSetsList', 'gmmFileName', M, L, J); >> vB = vB.solve(0, nIter); 在哪里： pointSetsList：是列出点集的绝对路径的文件的名称。 每个点设置文件应在行中定义 N_k x D（维）点： x1 y1 z1 x2 y2 z2 . . . gmmFileName：是定义初始化的（可选）GMM 文件。 这个可以为空（即 []）。 在这种情况下，该算法将适合 GMM（具有 M 重心）到可用点（通常较慢）。 您可以使用以下方法保存 GMM 文件类提供的

-包含对TE数据集21种故障的监测 -有注释，方便理解 -主要是T平方和SPE两种监测统计量

无监督学习：通过无标签的数据，学习数据的分布或数据与数据之间的关系。 1. 降维算法 1 定义：用低维的概念去类比高维的概念．将高维的图形转化为低维的图形的方法。 1.1. 算法模块 ：PCA算法、NMF（非负矩阵分解）算法、LDA算法等。 1.2. Python库 ：sklearn.decomposution； 2. 主成分分析( PCA )降维算法 1 主成分分析：主成分分析( Principal Component Analysis, PCA )是最常用的一种降维方法，通常用于高维数据集的探索与 可视化，还可以用作数据压缩和预处理等。PCA可以把具有相关性的高维变量合成为线性无关的低维变

PCA算法经典论文，A Tutorial on Principal Component Analysis

资源详情可以看我的博客： 算法笔记（14）PCA主成分分析及Python代码实现 https://blog.csdn.net/li1873997/article/details/125030273

TheUnscrambler如何做PCA.PDF