西瓜书第六章，选择两个UCI数据集(iris和XX)，linear,rbf两个核函数训练SVM，BP，C.4.5决策树实验比较

人脸识别 本项目代表对面部投影技术（PCA，ICA和LDA）的比较分析，旨在比较使用公平意识训练对这些模型的性能影响的程度。 该技术在FERET图像数据集的两个450图像子集上进行了测试，一个旨在保留美国人口的种族构成（70％的白种人，20％的非洲人，10％的东南亚人），而其他人的种族背景分布均匀（33％的白人，33％的非洲人，33％的东南亚人）。 这两个数据集每个类（人）都包含两个图像，旨在模拟法律规范应用，其中每个人的可用图像数量预计会很少。 培训方法基于[1]中使用的方法。 首先通过均值减法和标准化对训练图像进行预处理。 然后执行PCA，得到一个180维子空间（450的40％），该子空间在受人口影响的数据中分别保留99.66％的信息，在公平意识的数据中分别保留99.68％的信息。 然后将这些预测用作ICA和LDA的输入数据。 生成的空间用于投影以前看不见的图像，并通过将它们与同一个

文章【模式识别2】SVM相关部分代码。能将ORL数据集制作成一个txt文件，存储每张图片的一维向量形式，并包含数据集归一化、PCA主成分分析降维、划分训练集和测试集等重要步骤，最终实现SVM分类

故障检测，分别是pls和pca，计算spe和t2控制量。

排序作用就是将样方或植物种排列在一定的空间，使得排序轴能够反映一定的生态梯度，从而能够解释植被或植物种分布与环境因子之间的关系。我们能用分类的方法能够把植被区别开来，但是植被是一个连续体，分类方法无法揭示植被的连续性。排序的发明就是为了分析群落之间的连续分布关系。

【图像识别】基于主成分分析PCA实现视频人脸识别matlab源码.md

数据写在里面了，有详细注释，其中数据每一行代表一组数据，每列则是不同的特征。 使用Matlab实现，复制粘贴到matlab的运行文件中直接运行即可。 pca降维，其中得到的主成分就是降维后的结果，选择主成分的个数越少也就是降维的力度越大。一般通过方差贡献率来判断主成分包含了原始特征的多少的信息，一般保留85%-90%主成分为3-4个左右，可以认为降维有比较好的效果；而后还可以进行综合评价。

这个是本人读书期间课程的结题作业，利用离散小波变换（DWT）提取波恩Bonn脑电数据的时频域特征，训练支持向量机（SVM）和人工神经网络（ANN），进行数据的二分类。 除此之外，报告也对一些基本的概念进行了介绍，算是一篇普及类的小报告吧，研究深度一般，里面有MATLAB实现的完整程序，希望能给各位带来一点入门的作用。 适合小白等刚刚进入人工智能领域的人员，研究深度一般。

支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane）

基于coursea上吴恩达的机器学习课程练习题ex7，通过matlab实现PCA维数约减，具体功能详见https://blog.csdn.net/ShadyPi/article/details/122751044#comments_23892789