针对云平台无法从单变量负荷序列中获取完整预测信息的问题, 提出了一种基于主成分分析的多变量局域预测模型并应用于云计算底层资源的预测中。利用主成分分析法综合考虑多种底层资源间的影响关系, 确定多变量相空间的嵌入维数, 并与局域预测法相结合, 由此建立多变量局域预测模型。仿真实验表明, 基于主成分分析的多变量局域预测模型的预测精度高于单变量局域预测模型, 是面向云计算底层资源预测的一种有效方法。

基于主成分分析的人脸二维码识别，之前MATLAB与图像处理的结课作业，打开工程可以直接使用

主成分分析与因子分析详细的异同和SPSS软件.pdf

针对情感识别进行研究，提出基于主成分分析法（PCA）过滤小波变换结合自回归模型提取的信号特征方法，并基于梯度提升分类树以实现情感分类.将特征提取的重点放在脑电信号变化情况以及小波分量变化情况作为脑电信号特征.采用Koelstra等提出的分析人类情绪状态的多模态标准数据库DEAP，提取8种正负情绪代表各个脑区的14个通道脑电数据.结果表明，算法对8种情感两两分类识别平均准确率为95.76%，最高准确率为98.75%，可为情感识别提供帮助.

PCA_高维数据可视化.ipynb

主成分分析的基本步骤和大概方法之类的介绍

主成分分析的matlab代码实现DIPCA_classicalOE 该存储库包含用于经典输出误差模型的模型估计的代码。 我们在此处提供文档，但请参阅 demo.m 文件以了解此功能的用法。 我们还提供了一个 readme.txt 文件来了解这个函数的用法和工作。 您可以键入以下命令以获取 Matlab 中的文档： doc dipca_oe_ref 帮助 dipca_oe_ref 该算法仅用输入输出数据估计差分方程的所有参数以及延迟、输入输出顺序，不需要用户提供任何猜测。 如果您正在使用此代码，请引用以下论文，如果您有任何疑问，请随时联系第一作者。 使用广义谱分解识别输出误差 (OE) 模型。 作者：Deepak Maurya、Arun K. Tangirala、Shankar Narasimhan，2019 年第五届印度控制会议 (ICC)，2019 年 1 月 9 日（第 28-33 页）。 IEEE。 （获得最佳学生论文奖） 纸： 海报： 幻灯片： 还有其他几项工作扩展了 DIPCA 算法在具有 OE 和 ARX 模型、MISO 系统的经典系统（非 EIV）中的使用： ARX Mo

对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量，如一幅N*N 象素的图像可以视为长度为N2 的矢量，这样就认为这幅图像是位于N2 维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。图像识别的基本思想首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相似度。 本资源包含了文档及MATALB程序，供大家学习参考！

Multilinear Principal Component Analysis 多线性主成分分析源代码 及实验数据

matlab鸢尾花降维代码